基于进化策略的线性变分不等式求解算法

基于在求解变分不等式过程中存在着传统数字计算机的迭代算法很难满足并行性要求的问题,提出了求解一类线性变分不等式问题的进化策略算法.将进化策略算法用于求解线性变分不等式的数值方法,充分发挥了进化策略算法的全局收敛和并行搜索的特性,满足了工程技术中并行求解变分不等式问题的要求.数值计算结果表明,该算法收敛速度快、精度高,稳定性好,是一种解决线性变分不等式问题的有效方法.     

求解柔性作业车间调度的混合PSO算法与实现

研究车间作业调度优化过程,针对资源的合理分配排序,采用PSO算法求解柔性作业车间调度问题,根据PSO算法存在易陷入局部极值和早熟的缺陷,引入遗传算法中的交叉算子和变异算子,构造求解柔性作业车间调度问题的混合PSO算法,能够较好地克服上述缺陷.采用面向对象的程序设计语言,设计并编码实现了混合PSO算法求解柔性作业车间调度问题的仿真软件.使用软件进行仿真,实验结果表明在求解柔性作业车间调度问题中,混合PSO算法的全局寻优和克服早熟能力均优于基本PSO算法,证明混合PSO算法求解柔性作业车间调度问题的有效性.     

多群协同PSO优化算法的WTA问题求解

在现代作战指挥的研究中,武器目标分配(WTA)问题是一种典型的NP问题,针对基本粒子群(PSO)算法易于陷于局部最优解的情况,为提高速度和求解精度,提出用多群协同PSO算法求解WTA问题,设计了一种新的种群生成编码方法,缩小了可行解空间,并给出了采用多群协同PSO算法进行求解WTA问题的详细步骤.对于大规模WTA问题,将三群协同、四群协同PSO算法与基本PSO算法进行了比较,仿真结果表明了多群协同PSO算法当WTA问题规模较大时,在求解精度、收敛速度方面的优越性,能够有效求解WTA复杂而困难的问题.     

基于共生粒子群优化的RFID网络调度

为了提高PSO算法性能以及避免其在求解复杂工程时的早熟收敛问题,本文提出了一种新型改进PSO算法——Parasitism PSO.Parasitism PSO算法将生物共生机制中的寄生进化机制嵌入到PSO算法中,从而在寻优过程中有效地保持了算法的种群多样性.在4个测试函数的仿真实验中,Parasitism PSO与基本PSO算法相比,能够取得更好的搜索性能.然后,本文基于Parasitism PSO进行RFID读写器网络调度模型的求解,根据读写器冲突关系的变化在线进行读写器的时隙分配求解与控制.仿真实验表明,基于Parasitism PSO的RFID 网络调度结果相比于基本PSO具有更高效率和实用性.     

粒子群优化算法在0/1背包问题的应用

对于背包问题现有许多不同的求解方法.文中给出基于PSO的背包问题的一种新的求解方法.首先将背包问题对应到PSO算法中位置和速度的表示,建立了解决资源分配问题的随机粒子群算法,同时利用建立的算法与遗传算法比较,可见PSO得到了满意的计算结果.     

粒子群算法求解连续优化问题的性能分析

粒子群优化(PSO)算法是一类有效的随机全局优化技术,适用于求解连续优化问题.它利用一个粒子群搜索解空间,通过粒子间的相互作用发现复杂搜索空间中的最优区域.本文介绍了基本的PSO算法,使用3类代表性的标准测试函数对粒子群算法进行了实验分析,并进一步讨论了PSO算法的寻优性能,提出了PSO求解连续优化问题的性能分析策略.     

并行环境下的同步异步PSO算法

并行计算能够有效地缩减求解大规模问题的时间.文中在介绍了粒子群算法(Particle Swarm Optimization algo rithm)的基础上,对PSO算法的同步异步模型进行分析,给出了并行环境下的同步异步PSO算法.该并行算法在联想深腾1800大型汁算机上测试.实验证明PSO算法具有较高的并行性,并行算法明显提高了求解的速度.     

结合权余量和粒子群方法求解变分优化问题

鉴于对变分问题的研究,发现了可以将微分方程与变分问题进行转化的原理,将求解微分方程的权余量方法与标准粒子群算法进行结合,旨在找到一种求解变分优化问题的较好算法。在权余量方法的计算中,把方程组转化为求近似目标函数的极小值的变分问题,接着用标准粒子群算法对其求解。对于因变量的幂为高次时的变分问题,可以直接用改进的算法对其求解。对于因变量的幂为一次时的变分问题,需要对等式左右分别平方后,再转化为求极小值的变分问题并求解。用一个变分问题的实例进行检验,发现改进后的算法容易,计算过程简单,结果较好。对近似目标函数的基的个数取三四个进行比较,对于具体问题,应该选取较好的适应实际问题的次数,得到较好的结果。从理论上分析,该算法具有可行性与一定的实际意义。     

一种具有双重进化空间的扩展粒子群优化算法

为了使粒子群优化(PSO)适于求解更多类问题,提出一种由动力空间和制导空间共同进化的改进粒子群优化算法-具有双重进化空间的扩展粒子群优化算法(简记EPSO).在EPSO中,在演化转换映射的作用下,首先将动力空间中对粒子辅助位置的进化转换为制导空间中对主导位置的进化,然后基于对主导位置的择优选择操作实现算法的进化过程.EPSO克服了PSO仅适于求解连续域最优化问题的缺陷,也非常适于求解离散组合优化问题.对于随机3-SAT问题、背包问题和TSP问题,通过与PSO、ACO和GA等算法的计算对比表明:EPSO是一种继承了PSO优点的高效、扩展演化算法.     

一种求解高维约束优化问题的γ-PSO算法

PSO算法是一种随机搜索的群体智能算法,在求解高维约束优化问题,尤其是在约束条件较多时,PSO算法易陷入局部极值且收敛速度慢。针对上述问题,对PSO算法进行了改进,提出了γ-PSO算法,把PSO算法的随机数由(0,1)扩展到(-1,1),这样加大了粒子飞行速度和飞行方向的多样性,从而使PSO算法具有摆脱局部极值的能力。对γ-PSO算法进行了求解高维约束优化问题的实验,实验结果表明γ-PSO算法能收敛到全局最优值,收敛性能明显优于其他改进的PSO算法和其他优化算法。     

改进型粒子群算法及其在选址问题中的应用

为了解决基本粒子群算法不易跳出局部最优的问题,提出了一种协同粒子群优化算法。在算法中通过加入权值递减的惯性因子和变异算子以克服基本PSO易早熟、不易收敛以及缺乏多样性的不足。将算法应用于极小极大选址问题的实验结果表明,算法能够有效地求解极小极大选址问题,具有较好的应用价值。     

二次分配问题的粒子群算法求解

文章采用了一种新的算法,即粒子群算法(PSO)去解决二次分配问题(QAP),构造了该问题的粒子表达方法,建立了此问题的粒子群算法模型,并对不同的二次分配问题算例进行了实验,结果表明:粒子群算法可以快速、有效地求得二次分配问题的优化解,是求解二次分配问题的一个较好方案。PSO算法在很多连续优化问题中已经得到较成功的应用,而在离散域上的研究和应用还很少。文章应用PSO算法解决QAP问题是一种崭新的尝试,它对于将PSO算法应用于离散问题,特别是组合优化问题无疑具有启发性,并为进一步深入研究奠定了基础。     

融合可行基规则的粒子群优化算法及其应用

基本粒子群优化算法对于离散的优化问题处理不佳,容易陷入局部最优。针对基本粒子群优化算法处理离散型优化问题时的缺陷,提出了一种融合可行基规则的改进型粒子群优化算法,并用该算法求解车辆路径问题。实验结果表明,该算法的优化性能和求解精度均优于其他文献算法,在求解车辆路径问题中具有较高的应用价值。     

An algorithmic framework of discrete particle swarm optimization

Particle swarm optimization (PSO) was originally developed for continuous problem. To apply PSO to a discrete problem, the standard arithmetic operators of PSO are required to be redefined over discrete space. In this paper, a concept of distance over discrete solution space is introduced. Under this notion of distance, the PSO operators are redefined. After reinterpreting the composition of velocity of a particle, a general framework of discrete PSO algorithm is proposed. As a case study, we illustrate the application of the proposed discrete PSO algorithm to number partitioning problem (NPP) step by step. Preliminary computational experience is also presented. The successful application shows that the proposed algorithmic framework is feasible.     

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。     

群核进化粒子群优化方法

粒子群优化方法（PSO Particle Swarm Optimization）是由Kennedy和Eberhart于1995年提出的进化计算技术,并成功应用于各类优化问题。其基本思想源于对鸟群捕食等群体行为的研究。本文对标准PSO方法进行了分析,给出了“群核”（Swarm-Core）的概念,并在此基础上,提出了群核进化粒子群优化方法（Swarm-Core Evolutionary Particle Swarm Optimization,SCEPSO）,同时把该方法与其它版本PSO方法进行了比较。试验结果表明：在相同环境下,SCEPSO方法能较好地克服传统PSO方法中的不足,测试结果较其它几个版本的PSO方法有很大提高,是非常有效的。     

基于离散微粒群算法求解背包问题研究

微粒群算法(PSO)是一种新的演化算法,主要用于求解数值优化问题.基于离散微粒群算法(DPSO)分别与处理约束问题的罚函数法和贪心变换方法相结合,提出了求解背包问题的两个算法:基于罚函数策略的离散微粒群算法(PFDPSO)和基于贪心变换策略的离散微粒群算法(GDPSO).通过将这两个算法与文献[7]中的混合微粒群算法(Hybrid_PSO)进行数值计算比较发现:对于求解大规模的背包问题,GDPSO非常优秀,其求解能力优于Hybrid_PSO和PFDPSO,是求解背包问题的一种非常有效的方法.     

求解整合资源条件下的运输调度问题

针对传统的物流运输调度问题(Vehicle Routing Problem,VRP)中车辆之间不协作会造成资源浪费的情况,提出整合资源条件下的运输调度问题(Vehicle Routing Problem with Integration of resources,VRPIR),建立了相应的数学模型。由于混沌具有良好的遍历性,而粒子群优化算法(Particle Swarm Optimization,PSO)具有概念简单,参数少,容易实现等优点,将混沌优化方法引入到粒子群优化算法中,应用混沌粒子群优化算法(Chaos Particle Swarm Algorithm,CPSO)求解VRPIR和VRP,并用CPSO和PSO分别求解VRPIR,实验结果证明该算法优于粒子群优化算法,也证明了提出的VRPIR模型优于VRP,能节省资源,且最小化成本。     

求解旅行商问题的混合粒子群优化算法

为高效解决旅行商问题,结合光学寻优算法、混沌优化算法、粒子群优化算法,提出了一种新的混合智能优化算法,应用光学寻优算法的优点,为粒子群中粒子找到了一组最优的初始值,引入交换子、交换序列、混沌序列,提出了适合旅行商问题的光学混沌粒子群算——并严格证明了新算法的稳定性、收敛性.数值实验仿真结果表明,该算法收敛速度快、迭代次数少,能快速找到令人满意的最优解,为解决旅行商问题提供了新的思路.     

A comparative study of the improvement of performance using a PSO modified by ACO applied to TSP

Swarm-inspired optimization has become very popular in recent years. Particle swarm optimization (PSO) and Ant colony optimization (ACO) algorithms have attracted the interest of researchers due to their simplicity, effectiveness and efficiency in solving complex optimization problems. Both ACO and PSO were successfully applied for solving the traveling salesman problem (TSP). Performance of the conventional PSO algorithm for small problems with moderate dimensions and search space is very satisfactory. As the search, space gets more complex, conventional approaches tend to offer poor solutions. This paper presents a novel approach by introducing a PSO, which is modified by the ACO algorithm to improve the performance. The new hybrid method (PSO–ACO) is validated using the TSP benchmarks and the empirical results considering the completion time and the best length, illustrate that the proposed method is efficient.