基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

粒子群算法的混沌优化

粒子群算法具有较强的普适性、鲁棒性、全局搜索性等特点,在求解复杂问题时具有明显的优越性,本文对粒子群算法进行混沌优化,使其为决策者提供一种有效的优化工具。     

混合粒子群算法在混流装配线优化调度中的应用

应用粒子群算法求解混流装配线的优化调度问题,给出粒子的构造方法,并针对算法中存在过早收敛的问题,提出了一种与局部优化和粒子微变异方法相结合的混合粒子群算法.给出了一个实例,实例应用粒子群算法和混合粒子群算法分别进行求解,与其他一些方法比较表明,混合粒子群算法可以有效、快速地求得混流装配线优化调度问题的解.     

基于粒子群-蚁群混合算法的软件测试数据生成方法研究

在用于面向路径测试用例自动生成的智能优化算法中,由于各种参数设置的数学理论基础薄弱,算法普遍存在搜索效率较低的问题。在分析粒子群算法和蚁群算法的基础上,提出的粒子群-蚁群混合算法将粒子群优化算法和蚁群信息素选择方法有机地结合起来。通过经典的路径测试实验,实验结果表明,算法在自动生成软件测试用例的搜索过程中,充分发挥了粒子群算法较强的全局搜索能力和蚁群算法的区域搜索能力,提高了软件测试用例自动生成的效率。     

基于量子粒子群算法的结构模态参数识别

以由结构输入输出数据计算所得实测频响函数与理论频响函数差值最小化为优化目标,通过对理论频响函数中所含结构模态参数搜索取值使目标函数最小,即将结构模态参数识别问题转化为优化问题。采用量子粒子群算法对此过程优化计算,获得结构模态参数。用数值模拟六层框架结构对该方法进行验证。结果表明,量子粒子群可有效识别结构模态参数。     

多族群粒子群优化算法导弹结构模型修正

本文针对粒子群优化（PSO）算法极易陷入局部最优的缺陷,提出了一种多族群粒子群优化算法（MRPSO）,该算法具有较强的全局搜索能力,能极大地降低搜索陷入局部最优的概率。并将该算法引入到有限元模型修正中,对某型号导弹全弹结构进行了优化修正,修正后结构的固有频率都有了非常明显的改善,证实了MRPSO算法的有效性及工程应用价值。     

一种改进粒子群算法的立体阵列优化方法

利用传统粒子群算法对立体阵列所有臂的阵元分布形式同时进行优化时,不仅耗时,而且易于收敛到局部解。为了解决这个问题,提出了一种改进粒子群算法(Improved Particle Swarm Optimization,IPSO)。改进算法采用并行计算思想,同时初始化多个粒子群,每个粒子通过优化一个臂(优化臂)的阵元参数达到"降维"的目的,使用线性递减惯性权重,对多个粒子群同时进行预优化,获得中间解。利用中间解构建一个"升维"的新粒子,使用最小惯性权重对新粒子继续优化,满足停止条件后输出。通过对5臂星形立体阵列进行优化设计,发现改进算法不仅耗时短,而且能够得到更优的结果,最后通过6个仿真实验讨论了所设计的阵列的指向特性。     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

基于粒子群与聚类的多目标优化算法

针对粒子群优化算法容易陷入局部最优的问题,提出了一种基于粒子群优化与分解聚类方法相结合的多目标优化算法。算法基于参考向量分解的方法,通过聚类优选粒子策略来更新全局最优解。首先,通过每条均匀分布的参考向量对粒子进行聚类操作,来促进粒子的多样性。从每个聚类中选择一个具有最小聚合函数适应度值的粒子,以平衡收敛性和多样性。动态更新全局最优解和个体最优解,引导种群均匀分布在帕累托前沿附近。通过仿真实验,与4种粒子群多目标优化算法进行对比。实验结果表明,提出的算法在27个选定的基准测试问题中获得了20个反世代距离(IGD)最优值。     

基于智能混合策略的测试集优化

利用基于粒子群和蚁群算法的智能混合优化策略,删除冗余测试向量以解决测试集的优化问题. 利用蚁群算法的并行搜索能力构造初始解集,通过粒子群优化算法将解集维数降低,确定每次迭代的个体最优解和全局最优解,并利用新粒子信息更新信息素,最终通过多次迭代找到一个或多个最优测试集. 通过多组数据实例分析可知: 该智能混合优化策略与蚁群算法等其他测试集优化算法相比,可得到多个可行性最优测试集;与蚁群算法相比可提高收敛速度,并降低蚁群算法参数选取对收敛结果的影响,从而避免次优解的出现.     

一种改进的粒子群优化粒子滤波算法

粒子群优化粒子滤波方法容易陷入局部最优,针对这一问题,提出一种改进的粒子群优化粒子滤波算法,该算法对惯性权重和位置更新采用模糊控制,增强粒子全局搜索的能力,防止粒子陷入局部最优,提高估计精度。     

求解连续空间优化问题的扩展粒子蚁群算法

扩展蚁群算法是蚁群算法创始人Dorigo提出的一种用于求解连续空间优化问题的最新蚁群算法,但该算法的收敛速度参数和局部搜索参数取值缺乏理论指导,因此其性能受算法参数影响较大.本文提出一种求解连续空间优化的扩展粒子蚁群算法,将粒子群算法嵌入到扩展蚁群算法中用于在线优化扩展蚁群算法参数,减少了参数人为调整的盲目性.从而改善扩展蚁群算法的寻径行为.通过将本文提出的算法与遗传算法、克隆选择算法、蚁群算法、扩展蚁群算法对5种典型测试函数优化的结果对比表明,本文算法在搜索速度和全局搜索能力方面均优于其它算法.     

基于粒子群算法求解约束优化问题的改进算法

提出一种进行的粒子群算法(Particle Swarm Optimization,PSO)用于求解多目标的优化问题。这种改进引入遗传算法的交叉算子,增强算法的搜索能力。同时,使用基于子种群划分的改进选择算子,避免算法过早陷入局部最优。使用三个测试函数进行测试,实验结果证明算法的有效性。     

时效性商品最优定价模型及其粒子群优化解

对时效性商品的定价问题进行了研究.基于一种负二项分布的离散需求函数,并在利润最大化原则下,建立了时效商品最优定价模型.由于该模型涉及多个随机变量的概率分布,常规函数极值算法难以获得问题解析解,引入粒子群优化算法,对模型进行演化求解,并给出算例分析.结果表明:利用粒子群算法,可以快速有效得到不同库存量情况下应采取的最优定价.最后提出需要进一步解决的若干问题.     

基于融合禁忌搜索粒子群算法的配电网无功优化

从数学角度分析,配电网无功优化是一个非线性、多变量、多约束的混合规划问题。粒子群优化搜索算法被广泛应用于求解配电网无功优化问题。由于粒子群算法粒子群在进化过程易趋向同一化,失去多样性,从而使算法陷入局部最优解。本文在分析配电网无功优化的特性基础上,提出一种改进的紧融合禁忌搜索-粒子群算法用于配电网无功优化问题的求解。通过将禁忌搜索功能融合到粒子历史最优解和全局最优解寻优过程中,避免了粒子群算法寻优过程中出现的局部最优问题,从而提高粒子群算法的全局搜索能力。通过IEEE14节点系统的仿真计算结果表明,改进的算法能取得良好的效果。     

基于混合粒子群优化算法辨识Hammerstein模型

非线性系统辨识是现代辨识领域中的一个主要问题。在非线性系统辨识中,系统常被表示为一系列块连接。针对非线性系统中的Hammerstein模型,本文提出了利用混合粒子群优化算法对非线性系统模型进行辨识。该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题,然后采用粒子群优化算法(PSO)获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法。最后,给出仿真实验,其结果验证了本文给出的辨识方法是有效的。     

舰艇武器布置问题的一种协同优化算法

针对舰艇武器布置问题的特点，提出了一种基于粒子群优化和分类器系统的协同优化算法，以粒子群优化进行优化计算，用分类器系统消除约束．计算实例表明，该算法能较好地实现优化计算，并能节省大量的计算时间．     

一种改进的雁群扩展粒子群算法研究

针对粒子群算法易陷入局部最优的问题,结合雁群启示粒子群算法和扩展粒子群算法提出了基于雁群启示的扩展粒子群(GeEPSO)算法。该算法在利用雁群飞行方向的多样性同时融合了所有粒子的个体极值信息,提高了种群多样性。为进一步提高改进算法的收敛速度,引入简化粒子群提出了 GeESPSO算法。基准函数的仿真表明:改进算法GeESPSO较好地平衡了收敛速度和局部最优两个矛盾,总体较优。为进一步验证算法在实际应用中的有效性,又分别用两种改进算法优化BP神经网络,并用相关气象数据对PM2.5的值进行预测。     

粒子群算法的理论分析与研究

粒子群算法是上世纪90年代兴起的群体智能算法,其特点是模拟自然界生物群体行为来构造随机优化算法,它对函数性态要求较弱、寻优结果和初值无关,并具有一定的并行性,因而成为优化算法领域研究的一个热点。介绍粒子群算法的研究现状,重点论述标准粒子群算法以及几种主流的改进型粒子群算法,并提出未来可能的研究方向。     

基于速度交流的共生多种群粒子群算法

为了提高粒子群算法的求解精度,改善算法的搜索性能,提出一种基于速度交流的共生多种群粒子群算法(SMPSO)。该算法采用速度交流机制划分整个从种群为多个子种群,负责解空间的全局搜索,将获得的最优信息分享给主种群;主种群综合从种群与自身最优经验,负责局部深度优化,获得最优信息反馈给从种群,从而建立主从群间的共生关系,实现解空间的充分搜索。迭代后期,在主种群中引入自适应变异策略,提高算法跳出局部最优的能力。将提出的SMPSO算法应用于基准测试函数中,与其它改进的PSO算法进行比较。实验结果表明,SMPSO算法在求解精度、搜索能力、稳定性等方面均有较大的提高。