基于混合离散人工蜂群算法的置换流水车间调度

针对以最小化最大完成时间为调度目标的置换流水车间调度问题,提出了混合离散人工蜂群算法.初始化种群采用NEH和随机方法.在算法的雇佣蜂阶段和侦查蜂阶段分别采用离散差分进化策略和变邻域搜索的变体产生邻域个体,为了兼顾算法的全局搜索和局部搜索能力,雇佣蜂阶段接受新个体采用模拟退火的概率突跳机制,而选择利用锦标赛方法,并对跟随的个体按一定概率进行局部搜索.此外,在侦查蜂阶段对锦标赛选择的个体执行破坏重建操作,用新产生的个体代替较差的个体.利用正交实验法调节算法参数,通过与其他算法的仿真实验结果比较,验证了算法的有效性.     

基于反向学习的人工蜂群算法

提出基于反向学习的人工蜂群算法(简称OABC算法).在人工蜂群算法的跟随蜂阶段,种群依概率进行反向学习代替跟随蜂搜索方案.保留标准人工蜂群算法中雇佣蜂和侦察蜂阶段以保证种群的探索能力以及种群的多样性,增设参数控制一般的反向学习过程中对位搜索范围,充分利用种群信息和个体信息优化种群,提高对位点的有效性,从而提高反向学习的成功率.仿真实验结果表明,OABC算法有效提升了算法寻优速度和收敛精度.     

一种邻域搜索的人工蜂群算法

提出采用邻域搜索机制来改进人工蜂群算法的解搜索方程,从当前食物源的环形邻域拓扑结构中选择较优的邻居食物源进行开采,平衡算法的勘探与开采能力。此外,为保存侦察蜂的搜索经验,提出采用一般反向学习策略生成被放弃食物源的反向解,提高算法的搜索效率。在20个典型的benchmark函数上验证算法的性能,并与6种知名的改进算法进行对比。实验结果表明:本文算法在收敛速度和解的精度上均有较大优势。     

一种求解带约束多式联运问题的群智能算法

针对如何有效运用群智能算法求解多式联运问题,设计了一种针对群智能优化算法的个体解码方式,提出了一个有效的个体编码与多式联运方案的映射模型.在该映射模型中设计了基于比例的流量分配方式,实现了个体编码信息向初步流量分配方式的解码;同时构建了局部流量调整策略,进行不可行方案修复,提高了解码方案的有效性.而后,提出了一种变邻域粒子群算法,将社会网络演化特征引入进行粒子群算法的种群拓扑和邻域调整,以改善个体在搜索过程中的交互模式.基于解码策略,采用改进算法对多式联运问题进行求解,并与3种新型群智能算法进行对比.通过实例分析,该编码策略可以有效应用于多式联运问题求解.同时,变邻域粒子群优化算法的收敛效率和性能优于对比算法.     

基于文化基因算法的电动公交车辆调度方法

针对电动公交车辆调度问题,提出一种基于文化基因算法的车辆调度方法.首先,设计了初始个体生成算法用来构造初始种群;然后,设计了一种针对公交车辆调度问题的交叉操作用于全局搜索,改进了3种邻域搜索算子,并将其与已有的邻域搜索算子结合用于局部搜索.最后,设计了一种基于车辆块的评价函数,用于引导邻域搜索算子进行搜索.将该方法用于某市的实际三条公交线路,结果表明:与人工调度方案相比,该方法可减少1～7辆车,提高平均车辆利用率,运行时间小于15 s.     

求解TSP的离散人工蜂群算法

针对旅行商问题,提出了一种新型的离散人工蜂群算法.根据该优化问题及离散量的特点,对引领蜂、跟随蜂和侦查蜂角色转变机制和搜索策略进行了重新定义.蜂群角色转变基于定义的收益比因子.引领蜂邻域搜索采用2-Opt算子和学习操作来加速算法收敛速度;跟随蜂搜索引入禁忌表来提高算法的局部求精能力;侦查蜂搜索定义了排斥操作来保持种群的多样性,从而较好地平衡了算法的探索及开采能力.实验结果表明,算法能够在较短时间内找到相对满意解,提高了TSP的求解效率.     

基于择优学习策略的差分进化算法

传统的差分进化算法在个体变异方面只是利用了随机个体和最优个体的信息.由于选用个体的随机性,导致其搜索效率比较低并且有可能找不到最优解,为此,提出了基于择优学习策略的差分进化算法.该算法选择性地利用种群中比较优秀的个体的信息,克服种群进化过程中的盲目性,增强了搜索能力.通过对多个具有不同特性的标准测试函数进行测试研究,结果表明该方法可以明显减少迭代次数,提高计算效率.     

子种群个体动态调整的人工蜂群算法

针对基本人工蜂群算法存在局部搜索能力差、收敛速度慢等缺点,提出一种动态调整子种群个体数目的改进人工蜂群算法用于求解无约束优化问题.该算法利用反向学习策略产生初始种群,以保证个体尽可能均匀分布在搜索空间中;基于个体适应度值,将种群分为两个子种群,分别采取不同的蜜源搜索公式,用于进行全局搜索和局部搜索.5个标准测试函数的仿真实验结果表明,改进算法具有较好的寻优性能.     

基于跨邻域搜索的连续域蚁群优化算法

针对连续域蚁群算法寻优能力差、容易产生局部最优的问题,提出了一种基于跨邻域搜索的改进蚁群算法。首先,通过自适应种群划分方式计算可行解和不可行解群体;然后,针对不可行解群体利用自主选择学习算子选择对象进行学习,目的是不断扩大种群规模,避免算法陷入局部极值点,继而对可行解群体采取全局跨邻域搜索的方式,引导蚂蚁向全局最优解靠近,加快收敛速度;最后,基于全局最优解采用局部跨邻域的方式引导蚂蚁在小范围内进行细致搜索,提高收敛精度。通过与其他连续域蚁群优化算法针对CEC2017测试函数在低维和高维情况下的实验对比,证明本文算法具有较好的寻优能力和稳定性,能有效避免陷入局部最优。     

一种基于种群熵的混沌小世界优化算法

针对小世界算法在复杂函数优化中存在的停滞现象,以及低局域短连接的搜索效率问题,提出了一种基于种群熵的混沌小世界算法.根据信息熵建立了种群个体浓度,并以个体浓度和个体适应度作为评价标准进行高浓度的个体更替,从而实现了种群的自我调节和多样性保持.利用混沌变量的遍历性和随机性,通过Logistic映射生成初始种群,采用混沌扰动对短连接后的个体进行局部搜索,从而提高了小世界算法的搜索效率和搜索精度.试验结果表明,该算法不仅明显改善了小世界算法的搜索能力,而且搜索效率也得到了显著提高.