独立任务分配问题的离散粒子群优化算法

以异构环境下独立任务分配问题为例,提出一种离散粒子群优化算法.对粒子的位置、速度等量及其运算规则进行重新定义.为抑制早熟停滞现象,为粒子和粒子群分别定义个体多样性和微观多样性.算法中使用排斥算子来保持粒子群的多样性,使用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较好的平衡.与领域中的其它典型算法进行仿真比较,结果表明,离散粒子群优化算法具有良好的性能.     

求解旅行商问题的自学习粒子群优化算法

针对旅行商问题,提出了一种带自学习算子的粒子群优化算法,根据旅行商问题及离散量运算的特点,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,定义了变异速度来保持粒子群的多样性,使用自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较好的平衡,与领域中的其它典型算法进行了仿真比较,结果表明,该算法具有良好的性能.     

粒子群算法在Lot-sizing问题中的应用

针对无能力限制的Lot-sizing问题,提出一种改进的离散粒子群优化算法.设计粒子编码为生产设备的调整状态,通过有效的解码程序将粒子解释为生产计划.区别于传统的粒子群算法,算法采用单切点交叉算子来提高算法的局部求精能力,并引入变异算子和速度扰动策略保持种群的多样性,使算法在局部求精和空间探索间取得了较好的平衡.在随机生成的90组测试实例中对算法性能进行仿真实验,结果表明该算法具有良好的性能.     

求解TSP问题的伪贪婪离散粒子群优化算法

以旅行商问题为例,提出一种基于元胞结构的伪贪婪离散粒子群优化算法.为了体现粒子对环境的感知能力,设计了伪贪婪的粒子位置修改操作算子,为了反映粒子间不同学习能力,体现粒子的个体差异性,设计了3种学习算子来提高算法的局部求精能力,为了更好地保持粒子群的多样性,采用了元胞结构作为粒子群的种群拓扑和邻城结构,这些策略使算法在空...     

当代学习自适应混合离散粒子群算法研究

针对NP-hard组合优化及粒子群算法离散化问题,提出一种当代学习自适应混合离散粒子群算法对其进行求解.依据粒子多样性的变化规律,引入自适应扰动算子,以保持种群进化能力;根据成功的粒子群社会学习能力和个体学习能力,提出粒子群当代学习因子以体现粒子当代学习能力,进而改进其运动方程,使算法稳定性得到提高;最后融入近邻搜索变异策略,提升算法局部求精能力.实验表明:当代学习自适应混合离散粒子群算法较其他三种离散粒子群算法在解的质量方面有所改进,并首次在算法稳定性上得到了较大进步,为离散粒子群算法稳定性研究提供了新的思路.     

一种改进的离散粒子群优化算法

针对旅行商问题，提出了一种改进的离散粒子群优化算法，根据优化问题及离散量的特点，对粒子的速度、速度的相关运算规则和粒子的运动方程进行了重新定义，为防止算法的早熟停滞现象，提出用扰动速度来增加粒子群的多样性，为提高算法的求精能力，设计了一种高效的近邻搜索算子来提高粒子的适应值，使算法在空间探索和局部精化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，该算法具有很好的性能．     

基于群落动态分配的粒子群优化算法

通过定义三类群落规划算子:合并算子、融合算子和裂分算子,实现了粒子群优化算法进程中的群落动态分配思想,从而构造了一种新的随机优化技术:基于群落动态分配的粒子群优化算法(Community Dynamic Assignation-based Particle Swarm Optimization,CDAPSO)。新算法通过动态改变粒子群体的组织结构和分配特征来维持寻优过程中启发信息的多样性,从而使其全局收搜索能力得到了显著提高,并且能够有效避免早熟收敛问题。     

二次分配问题的改进粒子群优化算法

粒子群优化算法已经成功地应用于求解连续域问题,但是对于离散域问题的求解,尤其涉及组合优化问题的研究和应用还很少。二次分配问题本身是一个离散域问题,因此,使用粒子群算法求解二次分配问题是一个新的研究方向。文章引入交叉策略和变异策略对粒子群优化算法进行改造,使得粒子群优化算法可以用来解决二次分配问题。     

改进型PSO算法在VRP中的应用

运用罚函数法将约束优化问题转化为无约束优化问题,同时采用实数编码方案,将离散的车辆路径问题转化成准连续优化问题,在此基础上,用改进的粒子群优化算法求解最优值.改进的粒子群算法引入了杂交PSO模型和变异算子.仿真实验结果表明,该算法在保持粒子种群多样性、提高收敛速度和搜索精度、扩大搜索范围、避免过早收敛于局部极值点等方面...     

粒子群遗传优化算法

针对粒子群优化算法易早熟的缺点,本文在粒子群优化算法中引入遗传算法的变异算子和克隆选择算子,提出了一种改进的粒子群优化算法—粒子群遗传优化算法。粒子群遗传算法在传统粒子群优化迭代公式的基础上,通过变异率和克隆选择率两个参数自适应地调整变异操作和克隆选择操作。当粒子群最优粒子的适应度在优化迭代过程中陷入停滞时,利用变异算子对粒子群中部分粒子进行随机变异操作,扩大粒子群搜索范围,防止粒子群陷入局部最优;而当粒子群最优粒子适应度随优化迭代过程不断提高时,则利用克隆选择算子淘汰适应度较低的粒子,提高粒子群整体的平均适应度,增强粒子群对局部的搜索能力,提高算法的计算效率。典型函数的算例测试表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易陷入局部最优的缺点,提高了算法的抗早熟性。     

改进的免疫粒子群优化算法预测RNA二级结构

针对RNA二级结构预测问题,在SetPSO算法的基础上提出了一种改进的免疫粒子群优化算法,根据RNA折叠的特点,启用免疫记忆算子增加粒子群多样性,有效防止了原方法易陷入局部最优的缺陷。仿真结果表明改进算法能在更短的时间内达到更高的预测精度。     

求解TSP的改进自组织PSO算法

针对粒子群算法（PSO）的早熟收敛现象,从种群多样性出发,基于自组织临界性特点改进PSO 算法的参数设置,采用自组织的惯性权重和加速系数,并增加了变异算子。借鉴交换子和交换序概念,设计出了能直接在离散域进行搜索的改进的自组织PSO算法。用于旅行商问题（TSP）的求解,并与基本及其他典型改进PSO算法进行性能比较。实验结果证实改进的自组织PSO算法是有效的。     

求解车辆路径问题的离散粒子群算法

考虑车辆行驶时间和顾客服务时间的不确定性,建立了以车辆配送总费用最小为目标的机会约束规划模型,将其进行清晰化处理,使之转化为一类确定性数学模型,并构造了求解该问题的一种离散粒子群算法。算法重新定义了粒子的运动方程及其相关离散量运算法则,并设计了排斥算子来维持群体的多样性。与标准遗传算法和粒子群算法比较,该算法能够有效避免算法陷入局部最优,取得了满意的结果。     

基于Inver-Over算子的改进离散粒子群优化算法

离散粒子群算法能充分利用粒子的局部极值和全局极值信息,但收敛速度慢、精度低;Inver-Over算子收敛速度快、精度高,但学习具有盲目性。结合二者优点,文中提出一种基于Inver-Over算子的改进离散粒子群优化算法。为防止早熟收敛,引入局部最优子群的概念,使粒子向局部最优子群中粒子学习而不是向个体局部最优学习。引入3个参数:学习选择概率用以确定粒子的学习对象,代数阈值确定何时向全局最优粒子学习,局部最优子群比决定最优子群的规模。讨论这些参数的选择原则,并给出相应参考选择范围。研究表明,文中算法与普通离散粒子群优化算法和郭涛算法相比,收敛速度和求解精度都有较大提高。     

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题．针对这个问题，文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型，并分析了其缺陷．然后，基于传统算法的速度一位移更新操作，在分析粒子群优化机理的基础上提出了广义粒子群优化模型（GPSO），使其适用于解决离散及组合优化问题．GPSO模型本质仍然符合粒子群优化机理，但是其粒子更新策略既可根据优化问题的特点设计，也可实现与已有方法的融合．该文以旅行商问题（TSP）为例，针对遗传算法（GA）解决该问题的成功经验，使用遗传操作作为GPSO模型中的更新算子，进一步提出基于遗传操作的粒子群优化模型，并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法．与采用相同遗传操作的GA比较，基于GPSO模型的算法解的质量与收敛稳定性提高，同时计算费用显著降低．     

基于改进离散粒子群算法的炼钢连铸最优浇次计划

提出了浇次数未知的最优浇次计划模型. 在分析该模型求解困难的基础上, 提出了用伪旅行商表示该模型的方法. 针对离散粒子群优化具有收敛速度、精度低, 但能充分利用各粒子的局部最优值和全局最优值信息的特点,而序列倒置算子具有收敛速度和精度较高, 但学习具有盲目性的特点, 结合二者优点, 提出了一种基于序列倒置的改进离散粒子群优化算法. 实验研究表明, 该算法与普通离散粒子群优化算法相比, 不论是收敛速度和还是求解精度都有了较大提高. 基于该改进算法求解最优浇次计划模型的研究表明: 所提伪旅行商问题模型非常适合用于组浇模型描述. 应用实际生产数据的计算表明该模型及其求解方法均非常有效.