基于多目标粒子群优化算法的Web服务组合

基于服务质量(QoS)的Web服务组合是一个非线性、多目标优化求解问题,属于NP难问题.提出一种多目标粒子群优化算法来求解基于QoS的Web服务组合问题,在Web服务组合模型中考虑了服务执行代价、时间、可用性等五方面的因素.针对基于QoS的Web服务组合特点,借鉴运动学速度分解原理对粒子每维的速度进行相应分解,采用多目标指导粒子的飞行;基于Pareto支配关系来更新粒子的个体极值,采用精英归档技术维持种群多样性,粒子的全局极值由外部档案库中的非劣最优解提供;针对粒子群易陷入局部最优问题,采用了变异策略来改善.与基于遗传算法的Web服务组合算法相比,基于多目标粒子群优化的Web服务组合算法可以快速收敛,并获得综合QoS较好的解.     

基于改进粒子群算法的组合服务优化

该文提出了一种基于遗传的粒子群算法来寻找最优组合服务。首先,设计了Web服务组合模型对组合服务进行形式化描述;接着,提出了候选服务筛选思想来解决组合数庞大问题;最后,引入遗传算法的交叉策略来避免粒子陷入停滞状态,同时采用了调整参数ω来改善粒子过早陷入局部最优。实验结果表明,基于改进粒子群优化的组合服务算法可靠、有效,能够获得综合Qos较好的解。     

基于混合二进制粒子群的Web系统优化算法

随着网络用户量的急剧增加,Web服务器被广泛应用于大型软件系统中,系统在运行前通常需要配置与性能相关的多个参数。人工配置参数的过程太繁琐且需要专业知识与经验,为了更便捷、更快速获取合理的系统配置参数,提出了一种基于混合二进制粒子群的Web系统优化算法。该算法加入了经验因子、爬山算法、线性递减惯性权重,对Web系统自动迭代寻找最优配置参数,解决了传统二进制粒子群算法寻优效率低、容易陷入局部最优解等问题。实验结果表明,该算法寻优效率高,能跳出局部最优解,可以获得效果更好的全局最优解。     

带时间窗车辆路径问题的改进粒子群算法研究

设计了一种引入局部近邻机制并且能够优化不可行解的粒子群算法。该算法将粒子群分成相互重叠的子群,在各个子群内寻找近邻,提高了粒子的学习功能和寻找近邻的速度;同时将产生的不可行解进行局部优化,增强了粒子寻找最优的能力。实验结果表明：该算法可以快速求得带时间窗车辆路径问题的满意解。     

联盟运输调度问题的粒子群算法研究

联盟运输调度问题是在基本运输调度问题基础上所发展起来的、具有重要实用价值的一类组合优化难题.粒子群算法(PSO)是一种新兴的基于群智能的演化计算技术,该算法与传统方法相比有着较高的收敛速度和计算精度,可以在解空间内高效地寻找到全局最优解.将其应用于联盟运输调度问题,并针对联盟运输调度问题中最优解的分布特点,对标准粒子群算法进行了改进,克服了标准粒子群算法收敛速度过快且易收敛于局部最优的缺点.对比实验结果表明,改进后的粒子群算法可以快速、有效求得最优解.     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

一种基于混合PSO的投影寻踪动态聚类模型

针对粒子群算法容易陷入局部最优解,将遗传算法的交叉和变异引入到粒子群算法中。根据不同的收敛情况及交叉和变异的特点使用两种算子,提出一种既能预防陷入局部最优解又能跳出局部最优解的混合粒子群算法,将该算法应用到投影寻踪动态聚类模型中来优化投影方向,得到近似最好的投影寻踪动态聚类模型。实验证明,相对于原始粒子群算法,该方法可以有效地避免陷入局部最优解,而且投影效果也更好。     

改进粒子群和模拟退火混合算法及其应用

基本粒子群优化算法每个粒子代表一个可行解,通过粒子间的协作来获得最优解。考虑粒子间协同作用,引入Gaussian核函数研究基于区域影响的粒子群算法(GPSO)。为了充分利用粒子群算法的快速全局收敛性和模拟退火算法能够跳出局部最优陷阱的优点,得到高精度的最优解,将GPSO算法与模拟退火算法相结合,研究了一种新的混合粒子群算法。混合算法在GPSO算法处于停滞状态时,于搜索到最优位置用模拟退火算法继续寻找最优解。数值实验结果表明,新混合算法兼顾了GPSO和模拟退火算法的优点,具有收敛速度快、搜索精度高、鲁棒性好等特点。这说明文中的混合算法不失为一种有效的进化算法。     

基于离散粒子群算法全局QoS最优的Web服务选择

Web服务选择是Web服务组合中重要问题,也是一个NP难问题,使用离散粒子群算法对该问题进行建模求解并针对粒子群算法后期容易陷入局部最优进行改进,借鉴遗传算法中杂交变异的思想对算法迭代后期的一部分粒子进行杂交变异,实验仿真证明,由于杂交变异的引入,能够求得Web服务组合全局QoS更优的解。     

基于不同行为的两分群交换粒子群优化算法

为了寻找复杂多峰函数的全局最优解,在标准粒子群优化算法的基础上,提出一种基于不同行为的两分群交换粒子群优化算法。该算法将微粒分成大小相同的2个种群,不同种群采用不同进化模型。利用不同进化模型具有不同进化行为的特点,两分群相互影响并促进。该方法可以保持种群多样性,降低陷入局部极值的可能性。对一些复杂函数的仿真结果表明,该算法易于找到全局最优解。     

改进粒子群和模拟退火混合算法及其应用

基本粒子群优化算法每个粒子代表一个可行解,通过粒子间的协作来获得最优解.考虑粒子间协同作用,引入Gaussian核函数研究基于区域影响的粒子群算法(GPSO).为了充分利用粒子群算法的快速全局收敛性和模拟退火算法能够跳出局部最优陷阱的优点,得到高精度的最优解,将GPSO算法与模拟退火算法相结合,研究了一种新的混合粒子群算法.混合算法在GPSO算法处于停滞状态时,于搜索到最优位置用模拟退火算法继续寻找最优解.数值实验结果表明,新混合算法兼顾了GPSO和模拟退火算法的优点,具有收敛速度快、搜索精度高、鲁棒性好等特点.这说明文中的混合算法不失为一种有效的进化算法.     

状态定义粒子群算法在非线性方程组中的应用

提出了一种新颖的状态定义粒子群优化算法。该算法针对粒子群算法容易陷入局部最优和搜索精度不高的缺点,结合爬山算法和粒子群算法的特点,根据粒子状态的实时更新采用不同的搜索方法,在迭代过程中搜索到尽可能多的局部最优解,从而使算法可以更容易地跳出局部最优,更高效地搜索到全局最优解。对测试函数和非线性方程组求解问题进行实例仿真,仿真结果验证了算法的有效性,具有一定的实际应用价值。     

带变异算子的非线性惯性权重 PSO 算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法.该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力.当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力.用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

基于改进粒子群算法的多阈值灰度图像分割

针对粒子群协同学习优化算法和粒子群综合性学习优化算法中的粒子更新规则不灵活问题,提出了一种新的粒子群多阈值灰度图像分割算法。该算法中的粒子更新策略能够根据粒子状态随时改变:迭代前期,粒子速度会不断增加以便加快搜索最优解;迭代后期,粒子速度开始变慢以便搜索更广区域,避免陷入局部最优;当粒子陷入局部最优时,让该粒子根据选出的榜样粒子学习,以便逃出局部最优。另外评价粒子最优解的目标函数采用的是图像指数熵。仿真实验结果表明改进的粒子群阈值优化算法在单阈值和多阈值情况下解决了传统熵算法执行效率低和粒子群优化算法更新规则不灵活易于陷入局部最优问题,分割结果非常好,而且稳定、高效。     

基于种群多样性模糊控制的粒子群算法

关于优化粒子群算法问题,针对标准粒子群算法前期收敛速度过快,后期容易陷入局部最优解的问题,提出一种种群多样性模糊控制的粒子群算法。为了控制种群多样性的变化,提高算法跳出局部最优解的性能,在算法中加入模糊控制器和位置跳变策略,通过控制参数的变化来控制粒子的速度、位置和种群多样性的变化,使算法从全局探测平稳过渡到局部开采。仿真结果表明,改进算法能有效避免陷入局部最优解,且对高维函数优化时效果更为明显,是一种高效的优化算法。     

动态个体反恶化混沌粒子群优化算法

为防止粒子群优化算法陷入局部最优,引入个体反恶化和混沌机制,设计一种个体逐步反恶化的粒子群优化算法公式,提出动态个体反恶化混沌粒子群优化算法,使粒子摆脱局部最优,动态寻找全局最优值.采用多个著名标准测试函数进行实验,结果表明:本方法在不同情况下都超越其他著名粒子群优化改进算法.     

随机摄动粒子群优化算法

基于粒子群优化算法种群结构相对独立的特点，提出了一种改进的粒子群优化算法一随机摄动粒子群优化算法。该算法通过对每一次进化计算后记忆中的最优粒子进行随机摄动操作来提高解的精度和算法的搜索效率，同时通过对种群中的最差粒子重新进行初始化来保持种群的多样性以避免陷入局部最优解。通过典型复杂函数测试表明，随机摄动粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法。     

带极值抖动的变尺度粒子群优化算法

为克服粒子群优化算法容易陷入局部最优解的问题,提出一种带极值抖动的变尺度粒子群优化算法,该算法在粒子进化过程中动态调整学习因子,改善粒子的搜索性能,利用极值抖动方法帮助粒子逃离局部最优解,采用变尺度方法逐步缩小算法的优化范围,提高算法搜索密度。实验表明,该算法对9个具有代表性的基准测试函数,其优化效率及优化精度均优于以往提出的典型粒子群优化改进算法。     

一种混合粒子群算法的贝叶斯网络优化模型

传统的粒子群优化算法通过群体中粒子间的合作和竞争进行群体智能指导优化搜索,算法收敛速度快,但较易陷入局部较优值,进入早熟状态。为了解决这个问题,提出了一种混合粒子群算法的贝叶斯网络优化模型,它可以通过当前所选择的较优解群构造一个贝叶斯网络和联合概率分布模型,利用这个模型进行采样得到更优解,用其可随机替换掉PSO中的一些粒子或个体最优解;同时利用粒子群算法对当前选择出的较优解群进行深度搜索,并将得到的最优解融入到较优解群中。分析可知,该方法可以提高算法有效性和可靠性。