求解非线性方程组的改进粒子群算法

针对传统非线性方程组求解方法易导致求解失败和精确度、有效性偏低的问题,提出了一种改进粒子群优化算法.该算法在进化初期采用线性递减权重粒子群进行粗略搜索,后期利用蒙特卡罗算法进行随机搜索,提高了求解精度,对5个典型算例的测试结果表明,MPSO在求解精度、稳定性和全局搜索能力等方面都有明显提高,且实用性和通用性都很强.     

改进粒子群优化算法的绝对值方程求解

为了提高绝对值方程问题的求解精度,提出改进粒子群优化算法的绝对值方程求解方法.首先在粒子群的飞行过程中,对粒子位置进行评价,然后根据评价结果对粒子位置进行更新操作,保证粒子群向全局最优解搜索,最后应用于绝对值方程求解.结果表明,改进后的方法可以避免求解时易出现的早熟现象和难以获得局部最优解问题,能获得更高精度的绝对值方程解,而且迭代次数较少.     

一种改进的求解TSP的粒子群算法

针对粒子群算法解决离散问题时效率较低的问题,提出一种改进算法,通过置换序列实现粒子位置和速度的更新.用TSP问题库内的基准问题进行仿真实验,证明了该算法是有效的.     

一种改进的粒子群算法求解背包问题

针对传统的离散粒子群优化算法后期容易陷入局部收敛这一缺点,提出了一种新的离散粒子群算法,使用了新的运动方程来更新粒子的位置,并将贪心算法的思想引入粒子群优化算法中,在粒子的位置初始化的过程中,把采用贪心策略所得出的结果作为一个粒子的初始位置.用改进的算法求解背包问题,通过与其他文献中仿真实例的计算和结果比较,表明该算法在全局寻优能力和收敛性上都优于传统的粒子群算法.     

基于改进粒子群优化算法的弹道求解方法

为了提高火控系统实时性,提出了基于粒子群优化算法的弹道解算方法,该方法提高了系统响应速度,并为更好地与多核平台下的并行计算相结合提供了基础.首先在预估计瞄准角附近生成并初始化粒子群,然后通过由弹道微分方程等组成的适应度函数对每个粒子的好坏进行评价,最后对粒子群的速度和位置进行更新.为了加快算法的收敛速度,将周氏迭代修正公式计算得到的全局最优粒子的修正角度代替全局最优位置引导粒子群更新.采用实际算例对该方法的可行性与有效性进行了验证.实验结果表明较传统的迭代修正方法其解算速度中提高了约2倍;较传统粒子群算法其粒子群收敛速度加快了约1.5倍.此外该方法最大的优点便是可以与并行计算很好地结合,在多核计算机平台下计算时间还可以进一步缩短.     

求解大规模多目标问题的改进粒子群算法

针对大规模多目标优化问题,提出了一种基于分解的改进粒子群算法。该方法将分解策略与社会学习粒子群优化算法相结合引入到个体的学习过程中,针对每个个体及其邻域个体,计算其沿权重向量方向与参考点之间的距离以及与权重向量之间的距离并对它们进行排序,个体通过学习离参考点近的任意个体以及离权重向量近的所有个体实现位置的更新。在5个ZDT测试函数上进行了500维和1000维的测试对比,结果表明本文所提的算法具有较好的收敛性以及分布均匀性。     

改进的粒子群优化算法求解电力经济调度

将迁移思想引入到标准粒子群优化算法中,把流动迁移算子与粒子群优化算法(PSO)的定向搜索算子结合起来,提出了一种改进粒子群优化算法.将该算法用于求解电力系统经济调度优化问题,采用了非对称惩罚策略处理功率平衡约束,使构造的适应值函数更合理,给出了算法实施的具体步骤.对15机组与40机组系统进行仿真实验,结果表明新算法所得最优解均好于PSO,提高了结果的精度.     

求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

求解非线性约束优化问题改进的粒子群算法

采用粒子群算法处理约束优化问题时,由于约束条件使得解空间成为非凸集合,粒子容易陷入局部最优,因此在搜索过程的不同阶段,提出变步长因子的粒子群算法,实验证明改进的算法是可行的,且在精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等其它一些算法.     

基于改进粒子群优化的弹道并行求解算法

弹道解算精度与解算时间直接影响了火控系统的整体性能,然而精度与时间往往是相互矛盾的两个因素,在不损失精度的情况下提高解算速度具有重要意义. 基于改进粒子群优化的弹道并行求解算法,采用并行求解算法充分发挥多核计算机的性能,从而在不损失精度的前提下有效地提高了弹道解算的效率. 该方法首先通过引入粒子群优化算法将弹道解算转化为一个寻优过程,利用周氏迭代修正公式计算得到的修正角度引导粒子群更新加快算法的收敛速度;然后通过将粒子分配到并行域的线程中将弹道解算方法并行化. 数值实验表明本方法可以有效提高弹道解算的收敛速度,将计算时间平均缩短为原有时间的1/5.      

求解非线性约束优化问题改进的粒子群算法

采用粒子群算法处理约束优化问题时，由于约束条件使得解空间成为非凸集合，粒子容易陷入局部最优，因此在搜索过程的不同阶段，提出变步长因子的粒子群算法，实验证明改进的算法在精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等其他一些算法。     

基于柯西游走的改进灰狼算法求解FJSP

为了提高生产资源的利用率和调度效率,提出了一种基于柯西游走的灰狼优化算法,将其应用于求解柔性作业车间调度问题（FJSP）。在经典灰狼算法的基础上,加入柯西游走策略跳出局部最优;引入非线性收敛因子a控制算法的广度搜索与深度搜索程度;采用混合生成新解的种群更新策略适当增强种群多样性。通过在不同规模的测试用例上进行仿真实验和分析比较,实验结果表明,基于柯西游走的灰狼算法寻优性能稳定,在平衡算法的全局搜索和局部搜索程度方面表现较为出色。     

改进的粒子群算法

为了改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强,收敛较慢的问题,提出了基于退火思想的改进的粒子群优化算法,新的算法更有利于粒子发现问题的全局最优解。通过对经典函数的测试计算,验证了方法的正确性和有效性。     

引入四元数理论的改进粒子群算法

为了解决传统粒子群算法存在早熟收敛、搜索空间受限、精度不高等问题,通过四元数理论和粒子群算法,提出了一种改进粒子群算法.该算法以树状拓扑结构为基础建立邻域结构,速度公式中分别使用粒子三部分的记忆值,即自身最佳、局部最佳及全局最佳,同时在社会部分加入以四元数为模型的三者之间关系项,这样既能记录三者单纯的比较结果,又可...     

求解背包问题的一种改进粒子群优化算法

针对0—1背包问题,提出了一种改进的粒子群优化算法。在物品规模增大时,该算法能够有效寻找全局最优解,提高背包的空间利用率,降低背包的空置率。通过仿真实验表明,改进的粒子群优化算法在背包问题求解中具有更好的收敛性和稳定性。     

一种求解TSP问题的改进粒子群优化算法

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将遗传算法、模拟退火算法与粒子群算法结合,提出一种改进的粒子群优化算法.在PSO的快速寻优基础上,融入遗传算法的交叉与变异操作,使粒子群具有变异能力,同时引入模拟退火算法的Metropolis准则,允许粒子在目标函数有限范围内变坏,防止陷入局部最优,形成一种新的算法模型,应用于TSP问题求解.采用TSPLIB中burma 14和att 48作为实验数据,对算法求解旅行商问题进行模拟与分析.仿真实验结果表明该改进算法提高了求解质量,全局搜索能力得到增强.     

粒子群算法的改进算法研究

粒子群优化算法(Particle Swam Optimization,PSO)是一种高效,动态的优化算法,该算法比较容易实现,也无需调整太多的参数;然而算法后期收敛速度慢,最主要的是易陷入局部板值,为了改善这些缺点,学者们纷纷提出了许多改进的算法,并将其已经应用于科学和工程等多个领域。该文主要是在基本PSO的基础上进行改进,提出了一种新的改进算法-LPSO。最后通过仿真实验证实,改进后的算法在收敛速度和收敛精度上都得到了很大提高。     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题,利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先,将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重,以加快寻优速度;然后,为了防止种群陷入局部最优,定义了种群相似度函数;最后,在种群中加入最差个体位置信息以增加种群混乱度,从而提高算法的全局寻优能力.仿真结果表明,SAPSO在收敛速度较快的情况下,寻优精度优于蒙特洛卡算法和改进遗传算法.     

用粒子群算法求解迷宫问题

针对传统算法求解迷宫问题存在效率较低的问题,提出了用粒子群算法求解迷宫问题的方法。重新设计了粒子的编码和定义了粒子的适应度值,成功实现了问题到算法的建模。针对不同类型的迷宫问题进行了实验,结果表明:算法具有较好的性能和效率。     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题,利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先,将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重,以加快寻优速度;然后,为了防止种群陷入局部最优,定义了种群相似度函数;最后,在种群中加入最差个体位置信息以增加种群混乱度,从而提高算法的全局寻优能力.仿真结果表明,SAPSO在收敛速度较快的情况下,寻优精度优于蒙特洛卡算法和改进遗传算法.