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。     

粒子群优化算法在配送中心连续性选址中的应用

在用常规算法对配送中心进行连续性选址时,很容易陷入局部最优解。针对这一问题,引入ALA方法的思想,提出了解决此类模型的粒子群优化算法。该算法首先利用ALA方法的局部寻优能力对初始粒子进行优化,然后利用粒子群优化算法进行全局寻优。通过实例分析表明,该算法能很好地处理物流配送中心的连续选址问题,为决策者提供一种有效的优化工具。     

群智能优化算法研究

群智能优化算法是一种新型的优化算法。该文介绍了几种常见的群智能优化算法,包括粒子群优化算法、蚁群优化算法、人工免疫算法、人工鱼群算法,分析了它们的优缺点及使用情况,提出了群智能优化算法的发展方向。     

PSO-GA-ACO算法在冷链物流配送路径优化中的应用

伴随着现代物流的快速发展,冷链物流也得到快速发展。在冷链物流研究中配送路径优化问题对冷链物流的发展起到至关重要的作用,鉴于蚁群算法在路径优化问题中的成功应用,因此将蚁群算法应用到冷链物流配送路径优化问题中。考虑到蚁群算法运行中存在的问题,将遗传算法与粒子群算法引入到蚁群算法中,构成基于PSO-GA-ACO算法的冷链物流配送路径优化算法。实验结果表明,这种构想是可行的,可以有效提高算法运行效率,缩短配送距离,提高经济效益。     

几种仿生优化算法的比较研究

仿生优化算法是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。由于这些算法求解时不依赖于梯度信息,故其应用范围较广,特别适用于传统方法难以解决的大规模复杂优化问题。阐述了三种典型的仿生优化算法——遗传算法、蚁群算法和混合蛙跳算法各自的产生背景、基本思想以及实现步骤,然后深入分析讨论了它们的异同之处与适用范围,最后指出了仿生优化算法今后的发展趋势和研究方向,其中提出的一些改进思路对进一步的研究工作有一定的理论意义和应用价值。     

几种仿生优化算法的比较研究

仿生优化算法是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。由于这些算法求解时不依赖于梯度信息，故其应用范围较广，特别适用于传统方法难以解决的大规模复杂优化问题。阐述了三种典型的仿生优化算法——遗传算法、蚁群算法和混合蛙跳算法各自的产生背景、基本思想以及实现步骤，然后深入分析讨论了它们的异同之处与适用范围，最后指出了仿生优化算法今后的发展趋势和研究方向，其中提出的一些改进思路对进一步的研究工作有一定的理论意义和应用价值。     

改进人工鱼群算法在SVM参数优化中的应用

支持向量机的参数优化一直是一个重要的研究方向。参数的好坏很大程度上决定了支持向量机的分类精度和泛化能力。针对人工鱼群算法优化支持向量机参数时,容易在后期徘徊于最优解附近、难以逼近的问题,提出了人工鱼群加速算法,使用速度参数代替人工鱼步长,从而求得最优目标并得到SVM的最优参数组合。仿真实验结果表明：该算法收敛速度快,求解数值精度高,对初值的依赖程度低,在SVM参数优化中具有更好的性能、更高的分类准确率,是一个极其有效的参数优化方法。     

几种新型仿生优化算法的比较研究

仿生优化算法是模拟自然界中生物行为的随机搜索算法,可以用来解决现实中的许多优化问题.简要介绍了目前比较流行的四种新型仿生优化算法(蚁群算法、微粒群算法、人工免疫算法以及人工鱼群算法)的基本原理;然后深入分析了这些仿生优化算法的异同之处:这些算法都是一类不确定的算法,都是一类概率型的全局优化算法,都不依赖于优化问题本身的严格数学性质,都是一种基于多个智能体的智能算法,都具有本质并行性、突现性、进化性和稳健性,其不同性则主要体现在算法本身上;最后对这些仿生优化算法今后的发展方向进行了评述与展望.     

基于改进粒子群算法的物流中心选址优化

物流配送中心的选址问题在当今经济,尤其是任电子商务发展迅速与繁荣的社会中有着举足轻重的地位。本文采用提出的改进粒子群算法对该问题的模型进行了求解,仿真结果表明改进算法对于该问题求解的有效性。     

基于群体智能的算法研究

计算机技术不断发展,从而带动着算法技术不断更新,尤其是在模仿社会性动物的行为领域,产生了很多的智能算法。本文主要介绍当前几种热门研究的算法,阐述了其工作原理和特点,同时对其发展进行了展望。     

粒子群果蝇混合改进算法在基站选址优化问题中的应用

基站选址优化是网络通讯必须要考虑的重要问题.为了最大程度地提升网络覆盖率,论文提出了一种粒子群果蝇混合优化改进算法.针对粒子群算法和果蝇优化算法都容易陷入局部最优的缺点,结合粒子群算法和蚁群算法的优化方式,构造了一种新的个体更新方式,并在更新流程中引入了遗传进化机制以更好地保持种群多样性.通过基准测试函数仿真对比实验和...     

粒子群及人工鱼群算法优化研究

本文分析了粒子群算法和人工鱼群算法的基本原理,提出粒子群及人工鱼群算法优化策略,该算法综合利用了人工鱼群算法良好的全局收敛性及粒子群算法快速的局部收敛性,算法易实现,同时,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,粒子群及人工鱼群优化算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度。     

一种混合优化算法面向高维函数优化的研究

基本粒子群算法（PSO）在面对高维多极值函数优化的问题时粒子容易快速集中到最优粒子附近，导致粒子运动能力丧失，种群陷入停滞，因此寻优效果并不理想。针对这种情况，通过引入人工鱼群算法（AFSA）中的聚群和觅食行为与粒子群算法相结合形成一种新的混合优化算法来解决这些问题。最终通过仿真实验证明该混合优化算法在面对高维函数的优化问题上具有优秀的寻优能力。     

基于蚁群算法的城市体育设施优化选址

在多目标以及大型空间约束情况下的城市体育设施选址求解规模较大,难以求解出理想的解集。本文提出一种改进的蚁群智能算法模型,模型主要通过改进蚁群原始信息素分布以及挥发系数,加快算法的收敛速度以及精度,得出理想的候选解。将该方法应用于长沙市雨花区的体育设施选址,取得了较好的效果,实验结果表明,采用本文所设计的改进蚁群算法模型,适合求解大规模空间下的城市体育设施选址问题。     

蚁群算法物流配送中心选址优化仿真研究

研究物流配送选址优化调度问题。为了有效节约车辆运输成本,应选择最优路径。城市车辆调度路径选择,存在路网复杂性,参数设置较多,传统的调度算法存在计算复杂度高,不利于实际应用。为解决优化选址问题,提出了一种改进的蚁群优化物流配送选址方法。算法把求得的解首先分解为解对,然后通过改进的蚁群优化算法将解对从不确定性转变成确定性问题,可以大大的降低求解过程。通过仿真表明,提出的优化算法不但降低了计算的复杂度,优化了选址模型,而且为解决物流选址问题提供了新的有效途径。     

基于蚁群与鱼群的混合优化算法

基于鱼群算法和蚁群算法提出一种混合优化算法用于求解组合优化问题。将鱼群算法中拥挤度的概念引入到蚁群算法中,在优化过程的初期,设置较强的拥挤度限制,保证大部分蚂蚁不受信息素浓度的影响而进行随机寻优。随着寻优迭代次数的增加,拥挤度的限制逐渐减弱,最后蚁群完全由信息素和启发信息来指导寻优。在寻优初期该算法具有较强的遍历寻优能力,能够较快发现全局最优解的存在,而寻优后期,算法利用信息素正反馈的作用保持了较快的收敛速度。仿真结果验证了该方法的有效性。     

基于遗传算法的人工鱼群优化算法

人工鱼群算法(AFSA)是一种高效的群智能全局优化技术.通过对人工鱼群算法(AFSA)不足的研究,在遗传算法的基础上,提出了基于遗传算法的人工鱼群优化算法.该算法保留了人工鱼群算法(AFSA)简单、易实现的特点,同时克服了人工鱼漫无目的的随机游动或在非全局极值点的大量聚集,显著提高了算法的运行效率和求解质量.最后通过大量的函数和实例测试结果表明,与其它算法相比,该算法是可行和有效的,具有运行速度快和求解精度高等特点.     

基于觅食算子的粒子群优化算法

针对粒子群优化算法PSO（Particle Swarm Optimization）容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,把人工鱼群算法中的觅食算子改进后引入到基本PSO算法中,提出了一种具有觅食算子的PSO算法。算法在每次迭代后,对全局最优结果执行小规模觅食算法进行局部寻优,并用优化结果代替全局最优结果,从而防止PSO算法陷入局部极小,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度。仿真结果表明,该算法的优化性能优于基本PSO算法。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

基于MATLAB的粒子群优化算法及其应用

该文探讨了粒子群优化算法及其改进，并提出了算法的离线性能评估准则和在线性能评估准则。在此基础上重点研究了MATLAB环境中粒子群优化算法的仿真方法，主要包括数据结构设计、参数编码以及进化信息跟踪等关键内容。最后，对典型的多峰函数优化试验表明：作者开发的粒子群优化算法结构简单，运行快，是一个通用有效的优化工具。