基于均衡性和可达性的高速铁路列车停站方案优化

为了兼顾高速铁路的速度优势和旅客出行的方便,从列车停站数量的均衡性和区间的可达性出发,建立高速铁路列车停站方案的非线性多目标优化模型。结合模型的特点,设计了具有自适应性的遗传退火算法。自适应遗传算法控制全局的寻优方向,模拟退火的Metropolis邻域搜索策略提高算法的邻域搜索能力,可以快速搜索高质量的解。最后用2015年京沪高速铁路数据进行验证,并用得到的停站方案与原停站方案进行对比。结果表明：优化方案中开行列车的停站数量更加集中,停9站和停10站列车占开行列车总数的71.8%,显著提高了停站方案的均衡性;可达性提高约2.32%。     

用带变异因子的QPSO算法解决Job-Shop调度问题

由于量子粒子群优化算法仍有可能会出现早熟现象,因此将变异机制引入量子粒子群优化算法以使算法跳出局部最优并增强其全局搜索能力,并将改进后的量子粒子群优化算法用于求解作业车间调度问题。仿真实例表明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法、粒子群优化算法和量子粒子群优化算法。     

基于两阶段算法的列车调度问题

考虑突发铁路损坏对列车运行的影响, 在列车运行调度理论的基础上, 建立了单线铁路调度模型, 设计了一种带有突发事件处理能力的两阶段列车调度算法, 第1阶段对列车区间运行速度进行调整, 第2阶段对列车的停站时间进行调整. 将3种有效的搜索算子、一种自适应更新规则与粒子群算法相结合, 以列车延迟率作为优化目标, 求解单线铁路列车调度问题. 通过将所提算法与其他算法在相同实验条件下进行测试对比, 并进行突发事件测试, 验证了所提算法的有效性.     

基于GM-QPSO算法的数据库查询优化

针对量子粒子群算法解决数据库查询优化问题存在缺陷,提出一种高斯变异量子粒子群算法的数据库查询优化方法（GM-QPSO）。首先将遗传算法的变异算子引进量子粒子群优化算法,使得粒子在近似最优解附近变动提高全局搜索能力,然后将其应用于数据库查询优化问题求解,最后通过仿真实验对GM-QPSO的性能进行测试。结果表明,GM-QPSO加快了数据库查询优化求解的收敛速度,获得了质量更高的查询优化方案。     

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.     

改进量子行为粒子群算法求解武器目标分配问题

为了提高武器目标分配(WTA)问题的求解效率和性能, 提出一种求解武器目标分配问题的改进量子粒子群优化算法. 首先, 通过定义粒子进化速度及粒子聚集度, 将惯性权重表示为粒子进化速度和粒子聚集度的函数, 使惯性权重具有自适应性. 其次, 将慢变函数引入传统位置更新公式中, 有效地克服陷入局部最优解的问题. 最后, 以分配各类武器迎击来袭目标的失败概率最低为目标, 建立多种类型武器目标分配问题模型. 仿真实验表明, 提出的算法能快速给出武器目标分配问题的最好或较好分配方案; 能高效地求解武器目标分配问题.     

求解job-shop调度问题的量子粒子群优化算法

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,提出将量子粒子群优化算法用于求解作业车间调度问题.求解时,将每个调度按照一定的规则编码为一个矩阵,并以此矩阵作为算法中的粒子;然后根据调度目标确定目标函数,并按照量子粒子群优化算法的进化规则在调度空间内搜索最优解.仿真实例结果证明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法.     

混沌量子粒子群算法在模型修正中的应用

混沌粒子群算法和量子粒子群算法在一定程度上改进了标准粒子群算法的搜索质量,但两者仍存在收敛速度慢、易陷入局部极小等问题。混沌量子粒子群算法将混沌搜索机制引入量子粒子群算法,提高了搜索效率和计算质量。用粒子群算法、混沌粒子群算法、量子粒子群算法和混沌量子粒子群算法对一平板结构进行模型修正,结果表明,混沌量子粒子群算法具有较高的搜索效率和避免陷入局部最优的能力,修正后的模型比单独采用混沌或者量子粒子群算法具有更高的修正精度。     

一种基于空间混沌序列的量子粒子群优化算法及其应用

为了改善粒子群的局部收敛能力和收敛速度,在经典粒子群优化算法和量子理论的基础上,提出一种改进的基于量子行为的粒子群优化算法。在新算法中,运用全同粒子系更新粒子位置,并引入空间混沌思想[1]。将新算法应用到虚拟射手飞碟训练系统中射点的三维姿态参数优化中,取得了很好的优化效果。     

基于收敛粒子群算法的重载铁路列车运行调整方法

针对施工天窗对重载铁路行车安全限速和行车安全产生的不良影响,提出了基于收敛粒子群算法的重载铁路列车运行调整方法。首先,在分析列车追踪间隔影响因素的基础上,推导出不同编组类型重载列车之间的追踪间隔计算公式,实现了重载列车追踪间隔计算。然后,考虑施工天窗后的限速要求,以重载列车总晚点时间为优化目标,以列车区间最少运行时分、追踪间隔时分、列车停站时分、天窗时间段内禁止行车、天窗后安全限速等为约束条件,建立了施工条件下重载铁路列车运行调整模型,刻画了考虑安全限速的重载列车运行调整问题。通过优化列车到站、离站以及通过车站时刻,实现重载列车运行调整。进而,针对模型特点,在经典粒子群算法中引入收敛因子,设计了收敛粒子群算法对模型进行求解。最后,以朔黄铁路运输生产数据为基础,对建立的重载铁路运行调整模型进行实例化处理,验证了模型和算法。实验结果表明,对于求解重载铁路运行调整问题,设计的收敛粒子群算法比经典粒子群算法在计算效率上提升了5.45%,而求解精度保持不变。该方法可压缩重载列车追踪间隔,提高重载铁路运输效率,保证行车安全,提高基于安全限速的列车运行调整效率,为施工条件下重载铁路列车运行调整工作提...     

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。     

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbest_i中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明：改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

A novel parallel hybrid intelligence optimization algorithm for a function approximation problem

A novel parallel hybrid intelligence optimization algorithm (PHIOA) is proposed based on combining the merits of particle swarm optimization with genetic algorithms. The PHIOA uses the ideas of selection, crossover and mutation from genetic algorithms (GAs) and the update velocity and situation of particle swarm optimization (PSO) under the independence of PSO and GAs. The proposed algorithm divides the individuals into two equation groups according to their fitness values. The subgroup of the top fitness values is evolved by GAs and the other subgroup is evolved by the PSO algorithm. The optimal number is selected as a global optimum at every circulation which shows better results than both PSO and GAs, then improves the overall performance of the algorithm. The PHIOA is used to optimize the structure and parameters of the fuzzy neural network. Finally, the experimental results have demonstrated the superiority of the proposed PHIOA to search the global optimal solution. The PHIOA can improve the error accuracy while speeding up the convergence process, and effectively avoid the premature convergence to compare with the existing methods.     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

基于混沌量子粒子群的FHN神经元UWB信号检测

在UWB-IR信号检测中,针对目前所采用的量子粒子群FHN神经元模型易造成粒子群多样性降低,易陷入局部最优,导致求解精度不高的问题,对量子粒子群算法中量子更新参数引入混沌优化算法,提出了基于混沌量子粒子群算法的FHN神经元UWB-IR信号检测方法,分析了所提算法的收敛性,并对所提算法的性能进行仿真验证。仿真结果表明,所提算法与现有算法相比,可提高粒子群的多样性和算法的收敛速度,提高算法精度,实现多个系统参数同时最优,从不同噪声强度下自适应地检测出UWB-IR信号。     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

基于群能量恒定的粒子群优化算法

针对标准粒子群优化(PSO)算法在寻优过程中容易出现早熟的情况,提出一种群能量恒定的粒子群优化(SEC-PSO)算法.算法根据粒子内能进行动态分群,对较优群体采取引入最差粒子的速度更新策略,对较差群体采取带有惩罚机制的速度更新策略,由其分担由于较优群体速度降低而产生的整群能量损失,从而有效地避免了PSO算法的早熟.典型优化问题的仿真结果表明,该算法具有较强的全局搜索能力和较快的收敛速度,优化性能得到显著的提高.     

一种克服粒子群早熟的混合优化算法

针对粒子群优化算法在寻优时容易出现早熟现象,提出在粒子群收敛停滞时,从种群中随机选择粒子进行共轭梯度法计算,通过引入共轭梯度算法计算的信息来影响粒子速度的更新,以保持群体的活性,从而打破群体信息陷入局部最优的状况.不同于传统的粒子群算法,该算法有机地结合了粒子群的全局搜索能力和共轭梯度法的强大局部搜索能力,从而在一定程度上有效地克服了粒子群早熟的缺点.仿真计算结果表明,该改进粒子群的方法对于不同维数的非线性函数具有很好的寻优效果.     

一类简约的粒子群算法

针对标准粒子群的早熟和局部粒子群的最优位置信息利用率低的问题,提出一类简约的粒子群算法,该算法包含两种改进的策略:初始阶段有区别的更新粒子速度,减少更新频率,当粒子的速度有利于种群的进化时,那么下一代粒子的速度则保持不变;当粒子位置变化不大时,采用基于正态分布的随机采样搜索策略来改变寻优方式,有效地控制种群多样性,避免了早熟现象的发生.仿真实验表明该算法具有更强的寻优能力和更高的稳定性.