基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

一种求解动态多目标优化问题的粒子群算法

针对时间变量取值于正有理数集+、自变量的维数随时间可发生变化的一类动态多目标优化问题提出了一种求解的粒子群算法。该算法通过引入新的变异算子和自适应动态变化惯性因子,有效地避免了粒子群算法易陷入局部最优的缺陷;同时,给出了一种判断环境变化的有效规则,极大地增强了算法跟踪问题环境变化的能力,提高了算法的有效性。计算机仿真表明新算法对动态多目标优化问题的求解十分有效。     

动态环境下分布式自适应粒子群优化算法

针对现有粒子群算法的不足,提出一种基于微粒自身信息的环境变化检测方法,同时采用分布式处理模式,通过激活粒子群中的停滞粒子适应环境变化,不仅降低了的算法复杂度,而且提高了算法对复杂环境的自适应能力.对于有界连续函数,证明新算法能依概率收敛于全局极小点.应用抛物线函数和Rastrigin函数构造的复杂动态环境对该算法进行验证,并同APSO、D-PSO算法进行了对比.实验结果表明,在复杂的动态环境中,DAPSO算法具有更好的适应性.     

一种求解动态多峰优化问题的Memetic粒子群算法

很多现实的优化问题往往是动态和多峰的, 这就需要优化算法既能够发现尽可能多的最优解, 同时还要追踪到这些最优解在动态环境中的变化轨迹. 为了解决这种动态多峰优化问题, 本文提出了一种Memetic粒子群优化算法. 在提出的算法中, 利用一种新的species构造方法来保证其能够发现不同最优解所在搜索区域, 利用一种适应性的局域搜索算子来增强species追踪到最优解的能力, 利用重新初始化策略来进一步改善算法在动态多峰环境中的性能. 通过对一组标准动态测试函数--移动峰问题的仿真实验来检验所提出的 MPSO算法在求解动态多峰优化问题的有效性.     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

面向多目标的自适应动态概率粒子群优化算法

将基于动态概率搜索的粒子群优化(Particle swarm optimization,PSO)算法应用于多目标作业车间调度问题(Flexibleiob shop scheduling problem,FJSP),提出一种新算法.算法在搜索初期利用粒子近邻的平均最优代替传统的单个最优引导搜索,后期用Gaussian动态概率搜索来提高算法的局部开挖能力.然后,引入Pareto优的概念,采用精英集来存放非劣解,提出一种新的适应度值分配方法.此外,在算法中还引入了一种自适应的变异算子来增强解的多样性.最后,用新算法对多组FJSP实例进行测试,并与其他几种方法进行比较,结果表明提出的算法具有较好的搜索性能,是求解多目标FJSP的一种可行方法.     

基于角度坐标的多目标粒子群优化算法

为了在保证多目标粒子群优化(multi-objective particle swarm optimization, MOPSO)算法所求解集分布性的前提下提高算法的收敛性,依据辅助适应度赋值策略,提出了基于角度坐标的多目标粒子群优化(intelligent MOPSO, IMOPSO)算法。通过建立角度坐标系,确定了不同维优化目标下目标向量的角度坐标及角度参数,给出了求取目标函数空间中参考线角度参数的方法,并定义了目标向量的辅助适应度值,以对处于非劣支配关系的个体进行综合比较。结果表明,IMOPSO算法较好地维护了Pareto解的分布性与收敛性,且在求解小规模的最优个体时仍能在整个Pareto前沿均匀分布,未出现“聚集”现象,运行时间小于NSGA2、SPEA2、MOEA/D,充分验证了IMOPSO算法的有效性。     

双吸引子多群体粒子群算法解决动态优化问题

提出了一种新的双吸引子多群体粒子群优化算法(BMPSO)。与传统的粒子群优化算法(PSO)相比,BMPSO的主要特点是它使用了两个群体吸引子和两种搜索粒子。两种搜索粒子具有不同范围的搜索特性,一种利于进行全局搜索而另一种利于进行局部搜索。并且通过引入一种新的传递机制,两部分粒子可以更有效地共享搜索信息。实验表明,BMPSO算法在Moving Peaks Benchmark(MPB)测试问题上具有很好的性能表现。     

基于蜂群-粒子群算法的天然林空间结构优化

天然林空间结构包含林木的空间位置信息,影响着林木的生长、竞争、林分的稳定及森林的发展,其优化是个多目标规划问题。提出一种蜂群-粒子群(ABC-PSO)混合算法,该算法在初始粒子产生机制、随蜂数量及循环机制上对蜂群算法做了改进,并将其应用到天然林空间结构多目标优化中,最终建立能够兼顾林木分布格局、林木大小分割、林木竞争的优化模型。仿真实验表明,蜂群-粒子群算法提升了森林健康等级,解决了森林空间结构多目标优化问题。     

求解动态优化问题的分叉PSO算法

近些年来,求解动态环境中的优化问题已经逐渐成为进化计算领域的一个新的研究热点。为了改善一般PSO算法求解这种动态优化问题的能力,现提出了一种采用分叉策略的多粒子群PSO算法。该算法能够利用一个较大的主粒子群不断搜索问题适值曲线上新的峰,而利用从主粒子群中分离出来的若干个较小的子粒子群去跟踪已经发现的峰的变化。通过对一组标准动态测试函数的实验,能够证明所提出的算法在动态环境中具有较强的鲁棒性和适应性。

Abstract：

Recently,there has been increased interest in evolutionary computation algorithms applied into dynamic environments since many real-world optimization problems are time-varying.Inspired by a forking mechanism,a new multi-swarm optimization algorithm （Forking PSO,FPSO） was proposed to enhance simple PSO’s search in dynamic landscape.In FPSO,a larger main swarm is continuously searching for new peaks and a number of smaller child swarm,divided from main swarm,are used for tracking the achieved peaks over time.Experimental study over a benchmark dynamic problem suggests that the proposed algorithm has much stronger robustness and adaptability in dynamic environments.     

可更新资源受限的工期-费用权衡问题及粒子群算法

传统离散时间-费用权衡项目调度问题(DTCTP)中,可更新资源约束被忽略,将可更新资源约束引入DTCTP模型,形成可更新资源受限的工期-费用权衡项目调度问题(RRCDCTP)。在活动执行模式中增加可更新资源需求量,并考虑项目执行中的单位工期的可更新资源限量约束,基于可更新和不可更新两类资源的使用量计算活动费用。根据模型特点,提出一种求解该模型的粒子群优化算法。实例验证结果表明,当存在可更新资源约束时,在相同总费用预算约束下,RRCDCTP获得的最优项目工期比DTCTP获得最优工期长;同时,可更新资源限量越小,最优调度计划中具有浮动时差的活动数越少。     

基于改进PSO的加权直觉模糊多目标规划

针对模糊多目标规划不区分各目标重要程度的缺陷,提出了一种加权直觉模糊多目标规划模型.首先,在模糊多目标规划的基础上,进一步定义目标函数和约束函数的非隶属函数;然后,对目标函数的隶属和非隶函数分别加权求和,通过直觉模糊"最小-最大"算子,提出了加权直觉模糊多目标规划模型,并用改进的微粒群算法求解;最后,通过一个算例表明,加权直觉模糊多目标规划的收敛速度很快,既可收敛到可行域中的最优解,又可收敛到容许偏差范围内的最优解,具有较大的实用性.     

一种求解资源受限项目调度问题的蚁群算法

针对资源受限项目调度问题的特点,开发了一种基于蚁群算法的项目调度新方法.在该方法中,采用基于优先权排列的编码方式进行编码,利用组合评估的形式指导蚂蚁移动.提出能使用大量优先级规则的规则池方法,为不同的蚂蚁设置不同的优先级规则.充分利用蚁群算法的优点,为每个蚂蚁设计单独的线程,采用多线程结构实现了本算法.利用被普遍应用的PSPLIB标准问题对该算法进行了大量的仿真测试,并与既有智能优化算法进行了比较,取得了令人满意的结果.     

基于动态种群结构的粒子群算法及仿真研究

针对标准粒子群算法易陷入局部最优而早熟的问题,提出了一种基于动态种群结构的粒子群算法。该算法在种群结构中引入小世界网络模型,由于网络模型的演化,使算法具有动态的种群结构,从而保持了种群的多样性。同时为了使粒子尽可能地分布在不同的搜索空间,在网络模型演化过程中考虑了结点的个体价值。为了加快算法的收敛速度,在进化后期采用全局模型粒子群算法。通过对三个经典测试函数优化问题的数值仿真并与其它方法进行比较,结果表明了算法的有效性和实用性。     

求解TSP 问题的离散粒子群优化算法

以旅行商问题为例,提出了一种离散粒子群优化算法,根据优化问题及离散量的特点,对粒子的位置、速度等量及其运算规则进行了重新定义,为抑制早熟停滞现象,为粒子和粒子群分别定义了个体多样性和微观多样性,算法中定义了排斥算子来保持粒子群的多样性,使用高效的学习算子来提高算法的局部求精能力,使算法在空间探索和局部求精间取得了很好的平衡,与领域中的其它典型算法进行了仿真比较,结果表明,离散粒子群优化算法具有很好的性能.     

基于动态离散粒子群优化的PTS相位系数搜索算法

部分传输序列（PTS）算法是一种有效的且无畸变的降低正交频分多路复用（OFDM）系统发送信号峰均比的算法,但其实现的时间复杂度较高。为了在不影响降低峰均比性能的前提下,减少算法实现的时间复杂度,提出了一种基于动态离散粒子群优化的PTS相位系数搜索（DDPSO-PTS）算法。该算法利用粒子群优化算法优良的迭代寻优能力,寻找最优的相位系数序列,并且通过动态调整粒子数量,来减少算法的时间复杂度。DDPSO-PTS算法的平均时间复杂度比传统的PTS算法的平均时间复杂度减小了50%到90%。仿真结果分析表明,在相邻、交织和随机分割条件下,相应的DDPSO-PTS算法的性能损失为0到0.4dB。

Abstract：

The Partial Transmit Sequence （PTS） is a very promising peak-to-average ratio （PAPR） reduction algorithm for OFDM system since it does not generate any signal distortion.However,its high time complexity makes it difficult for implementation.For reducing the time complexity with neglectable performance penalty,a dynamic discrete particle swarm optimization based PTS （DDPSO-PTS） phase coefficient search algorithm was proposed to implement the PTS approach based on the concept of particle swarm optimization （PSO） algorithm.DDPSO-PTS algorithm seeks the optimum PTS phase coefficients with the best ability of iterative optimization of Particle Swarm Optimization algorithm.The number of particles will be adjusted during iterations to reduce the time complexity.The DDPSO-PTS algorithm can reduce 50% to 90% average time complexity compared with traditional PTS algorithm.The simulations show that with adjacent,interleaved and random partitioning scheme,the performance degradations of DDPSO-PTS algorithm are 0 to 0.4dB.     

基于粒子群的K均值聚类算法

针对K均值聚类算法存在的缺点,提出了一种新的聚类算法———基于粒子群的K均值聚类算法,并将此算法与现有的基于遗传算法的K均值聚类算法进行比较.理论分析和数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服传统的K均值算法易陷入局部极小值的缺点,而且全局收敛能力优于基于遗传算法的K均值聚类算法.     

资源受限项目调度的多智能体文化演化算法

结合文化算法的双层结构和多智能体进化算法的演化优势,提出一种求解资源受限项目调度问题的多智能体文化演化算法。算法设置了上层信仰空间和下层群体空间,各空间内智能体通过与其邻域进行竞争、合作操作及自学习操作来增加自身的能量,空间之间的交互是定期通过接受操作和影响操作采用同步传输方式来完成。通过对资源受限项目调度标准数据库PSPL IB中多个32、62、92、122工作的项目调度问题的仿真,结果表明:此算法不仅具有很好的收敛特性,而且运行速度快,是一种求解大规模调度问题的有效算法。     

基于离散微粒群优化的物流配送车辆路径问题

提出一种求解物流配送车辆路径问题的离散微粒群优化算法。通过引入随机交换序、PMX算子使微粒群优化算法能够求解车辆路径问题这类离散组合优化问题。设计了求解车辆路径问题一种新的整数编码方案，并采用罚函数法处理约束条件。计算结果表明，该算法是解决车辆路径问题的有效方法。