改进微粒群优化算法求解旅行商问题

对微粒群优化算法的速度位置算式进行了改进,提出一种改进的微粒群优化算法。该算法符合组合优化问题的特点,在求解旅行商问题上有较高的搜索效率。将改进的PSO算法分别应用于14点的TSP问题以及中国旅行商问题中,该算法在较短时间内获得了目前已知的最好解。     

基于离散粒子群优化算法的含权旅行商问题新解法

考虑现有旅行商问题常忽略车辆载重对运输费用的影响,建立含权旅行商问题模型。在分析含权旅行商问题性质的基础上,提出离散粒子群优化算法求解含权旅行商问题。重新定义问题域的粒子速度、粒子位置等运算规则,引入惯性系数线性下降策略。实验表明,该算法可以有效用于含权旅行商问题的求解,并且对含权旅行商问题的求解性能优于遗传算法和模拟退火算法。     

浅谈旅行商问题与粒子群优化算法

基本粒子群优化算法已经成功地应用于求解连续域问题,但是,对于离散域问题求解研究还很少。很不幸旅行商问题恰恰就属于离散问题,因此文章介绍了引入交换序和交换算子的改进粒子群算法,实现了对旅行商问题的求解。     

粒子群算法求解旅行商问题程序设计

粒子群优化算法是一种具备全局搜索能力的群集智能优化算法,针对一类离散的、NP完全的组合优化问题——旅行商问题,该文介绍了用粒子群算法求解旅行商问题的改进策略和主要模块的程序设计思想。将算法应用到20个城市的解旅行商问题所得到的结果与遗传算法进行比较,数字仿真与结果比较表明了改进粒子群算法求解该问题的有效性。     

粒子群算法求解旅行商问题程序设计

粒子群优化算法是一种具备全局搜索能力的群集智能优化算法,针对一类离散的、NP完全的组合优化问题——旅行商问题．该文介绍了用粒子群算法求解旅行商问题的改进策略和主要模块的程序设计思想。将算法应用到20个城市的解旅行商问题所得到的结果与遗传算法进行比较,数字仿真与结果比较表明了改进粒子群算法求解该问题的有效性。     

离散粒子群优化算法求解旅行商问题

在优化领域,粒子群算法适用于求解连续优化问题,而在离散优化上的应用还相对较少。本文在介绍基本粒子群优化算法的基础上,分析了粒子群优化算法在经典旅行商问题 中的应用性能及粒子群算法求解旅行商问题的相关操作。使用Ulysses等标准TSP测试数据进行了相关实验,并通过不同的参数设置对实验结果进行了性能分析和比较。     

二进制布谷鸟搜索算法

为了寻找求解NP完全问题的新算法,采用二进制编码串表示鸟巢的位置,对布谷鸟寻找新鸟巢的Lévy飞行路径分别按照Kennedy和Eberha公式及刘建华公式进行二进制代码变换,引入二进制编码控制系数对变换得到的二进制编码进行混合更新,保留布谷鸟蛋被淘汰的机制等方法将新型高效的布谷鸟搜索（CS）算法改进为二进制布谷鸟搜索（BCS）算法。将BCS算法用于求解背包问题,结果好于遗传算法和几种混合遗传算法;将BCS算法用于求解旅行商问题,结果好于遗传算法、蚁群算法和微粒群算法,但略差于改进的惯性权重自适应调整微粒群优化算法。二进制布谷鸟搜索算法是求解NP完全问题的新型高效算法。     

面向多起点均衡多旅行商问题的进化算法

为解决多起点均衡多旅行商问题，分析问题的特点，从优化旅行商的起点、最小化所有旅行商总路程和维持各旅行商路径均衡的角度出发，提出一种基于改进交叉、变异操作的遗传算法。根据均衡多旅行商问题的优化目标，构建新型评价函数，设计双染色体编码方式。在此基础上，引入改进的三交换启发式交叉操作并设计双变异策略。在经典旅行商问题的测试集TSPLIB上，与其它求解多旅行商问题的进化算法进行对比，验证算法的有效性。     

求解CVRP问题的混合遗传微粒群算法

采用借鉴遗传算法的编码、交叉和变异操作的遗传微粒群算法对带车辆能力约束的车辆路径优化问题进行求解。设计了符合微粒群算法进化机制的变异算子和改进顺序交叉算子以满足遗传微粒群算法中三条染色体交叉与变异的需要。对多个基准测试实例仿真计算表明算法有效且具有收敛速度快和精度高的优点。     

基于遗传算法的多旅行商问题研究

针对所有旅行商路径总和最小为优化标准的多旅行商一类问题,用遗传算法优化,并提出了矩阵解码方法。对距离非对称的多旅行商问题的实例进行了仿真,并对不同交叉算子性能进行了比较。结果表明,该算法是有效的,适用于距离对称和非对称的多旅行商问题求解。     

粒子群优化算法的收敛性分析及其混沌改进算法

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小,粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法,该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

Coevolutionary particle swarm optimization using Gaussian distribution for solving constrained optimization problems.

In this correspondence, an approach based on coevolutionary particle swarm optimization to solve constrained optimization problems formulated as min-max problems is presented. In standard or canonical particle swarm optimization (PSO), a uniform probability distribution is used to generate random numbers for the accelerating coefficients of the local and global terms. We propose a Gaussian probability distribution to generate the accelerating coefficients of PSO. Two populations of PSO using Gaussian distribution are used on the optimization algorithm that is tested on a suite of well-known benchmark constrained optimization problems. Results have been compared with the canonical PSO (constriction factor) and with a coevolutionary genetic algorithm. Simulation results show the suitability of the proposed algorithm in terms of effectiveness and robustness.     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

Automatically extracting T–S fuzzy models using cooperative random learning particle swarm optimization

This paper proposes a methodology for automatically extracting T–S fuzzy models from data using particle swarm optimization (PSO). In the proposed method, the structures and parameters of the fuzzy models are encoded into a particle and evolve together so that the optimal structure and parameters can be achieved simultaneously. An improved version of the original PSO algorithm, the cooperative random learning particle swarm optimization (CRPSO), is put forward to enhance the performance of PSO. CRPSO employs several sub-swarms to search the space and the useful information is exchanged among them during the iteration process. Simulation results indicate that CRPSO outperforms the standard PSO algorithm, genetic algorithm (GA) and differential evolution (DE) on the functions optimization and benchmark modeling problems. Moreover, the proposed CRPSO-based method can extract accurate T–S fuzzy model with appropriate number of rules.     

A novel two-stage hybrid swarm intelligence optimization algorithm and application

This paper presents a novel two-stage hybrid swarm intelligence optimization algorithm called GA–PSO–ACO algorithm that combines the evolution ideas of the genetic algorithms, particle swarm optimization and ant colony optimization based on the compensation for solving the traveling salesman problem. In the proposed hybrid algorithm, the whole process is divided into two stages. In the first stage, we make use of the randomicity, rapidity and wholeness of the genetic algorithms and particle swarm optimization to obtain a series of sub-optimal solutions (rough searching) to adjust the initial allocation of pheromone in the ACO. In the second stage, we make use of these advantages of the parallel, positive feedback and high accuracy of solution to implement solving of whole problem (detailed searching). To verify the effectiveness and efficiency of the proposed hybrid algorithm, various scale benchmark problems from TSPLIB are tested to demonstrate the potential of the proposed two-stage hybrid swarm intelligence optimization algorithm. The simulation examples demonstrate that the GA–PSO–ACO algorithm can greatly improve the computing efficiency for solving the TSP and outperforms the Tabu Search, genetic algorithms, particle swarm optimization, ant colony optimization, PS–ACO and other methods in solution quality. And the experimental results demonstrate that convergence is faster and better when the scale of TSP increases.     

多粒子群协同进化算法

针对遗传算法收敛速度慢且易于陷入局部最优,而微粒群算法存在早熟的现象,提出了一种多粒子群协同进化算法,在多个粒子群协同进化的同时,通过构建基因库,使较劣的粒子根据基因库进行遗传操作,用4个基准函数进行实验表明,算法MPSOE3性能明显优于基本PSO算法,最后对该算法进行了推广,给出了一种基于计算智能的多群协同进化模型。     

基于模式优选思想改进的粒子群优化算法

针对粒子群优化算法（PSO）容易陷入局部最优值的缺点,提出一种基于遗传算法模式定理思想改进的粒子群优化算法（IPSO）．新算法改善了粒子群优化算法摆脱局部极小点的能力．对典型函数的测试表明,IPSO算法的全局搜索能力有了显著提高,特别是对多峰函数能有效地避免早熟收敛问题．将改进的粒子群优化算法用于氧化反应动力学参数的优化,计算结果表明,新算法优化结果明显优于文献报道．     

A two-stage quantum-behaved particle swarm optimization with skipping search rule and weight to solve continuous optimization problem

Quantum-behaved particle swarm optimization (QPSO) is a recently developed heuristic method by particle swarm optimization (PSO) algorithm based on quantum mechanics, which outperforms the search ability of original PSO. But as many other PSOs, it is easy to fall into the local optima for the complex optimization problems. Therefore, we propose a two-stage quantum-behaved particle swarm optimization with a skipping search rule and a mean attractor with weight. The first stage uses quantum mechanism, and the second stage uses the particle swarm evolution method. It is shown that the improved QPSO has better performance, because of discarding the worst particles and enhancing the diversity of the population. The proposed algorithm (called ‘TSQPSO’) is tested on several benchmark functions and some real-world optimization problems and then compared with the PSO, SFLA, RQPSO and WQPSO and many other heuristic algorithms. The experiment results show that our algorithm has better performance than others.     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。