求解TSP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旅行商问题进行求解。针对微粒群算法的进化机制,设计了满足三条染色体交叉需要的分步式交叉算子。对多个基准测试实例的仿真计算表明,算法能有效的求解旅行商问题,在求解不同规模旅行商问题上性能均优于标准微粒群算法和离散二进制版本的微粒群算法。     

基于遗传微粒群混合算法的灰度图像增强

文中提出了一种基于遗传算法和微粒群算法的混合算法,该算法兼有遗传算法和微粒群算法的优点.混合算法以微粒群算法为主体,同时应用遗传算子操作来优化参数搜索,并引进了摒弃因子来调整微粒的随机性,最终得到最优值.本算法中交叉和变异算子采用了概率自适应策略,微粒群算法使用了动态惯性因子来控制微粒的速度更新.通过对标准试验函数的测试,与标准遗传算法及微粒群算法的结果比较,证明了该混合算法的有效性,并应用于图像增强处理,获得了较为满意的结果.     

改进微粒群算法在机器人路径规划中的应用

研究机器人路径规划问题,是为了设定合理最短路径、最快速度、小能耗的优化路径.由于目前微粒群算法应用在路径规划中易陷入局部最优、搜索时间长等缺点,在微粒群算法基础上,提出一种引入了交叉算子和变异算子的改进算法进行路径规划设计,并采用栅格法对机器人实际运动环境进行三维空间建模.在微粒群算法中引入交叉算子,使成对的粒子可以进行信息交换,以便粒子具有了向新的搜索空间飞行的能力;同时引入变异算子,使其坐标值被随机更新,增强了微粒群算法跳出局部最优点的能力.仿真结果表明改进算法简单有效,收敛速度快且具有优秀的搜索能力,为优化机器人路径规划性能提供了依据.     

一种基于遗传算法改进的粒子群优化算法

在研究标准粒子群算法和遗传算法的基础上,介绍一种加入遗传选择,交叉算子以及变异算子的扩展算法,以提高粒子群算法摆脱局部极值点的能力,并且算法具有较快的收敛能力。     

一种求解背包问题的混合遗传微粒群算法

背包问题是计算科学理论中一个著名的NP-hard问题,也是典型的组合优化问题,在物流系统的库存分配和货物装载等方面都有非常重要的应用.采用借鉴遗传算法的编码、交叉和变异的遗传微粒群算法对背包问题进行求解.为了增强遗传微粒群算法的搜索性能,将基于自学习规则的启发式算法与遗传微粒群算法相结合得到混合遗传算法用于求解背包问题.对多个标准测试实例的仿真计算表明,该算法能有效求解KP问题.     

微粒群算法在机器人路径规划中的应用

提出并研究了一种应用于机器人路径规划的改进微粒群算法;提出了矢量编码方案,有效地避免了对地图建模过程的依赖;在解的评价函数中引入了障碍物排斥函数项,实现了关于所求路径到障碍物距离的优化。最后,在基本微粒群算法的基础上引入了交叉算子和变异算子,使得算法在保持较高收敛速度的同时能够很好的避免陷入局部最优点。计算机仿真结果表明了改进算法相对于基本微粒群算法的优越性,并在100次的重复实验中达到了100%的成功率。     

时变路网下带混合时间窗的车辆路径问题

针对时变路网下带混合时间窗的车辆路径问题,综合考虑多中心联合配送、混合时间窗、车辆行驶速度连续变化及车辆行驶速度、载重量对油耗的影响,以车辆派遣成本、油耗成本及时间窗惩罚成本之和最小为目标建立优化模型,并设计自适应遗传-大邻域搜索算法对其进行求解。该算法采用自适应交叉、变异以加快种群寻优速度,并引入时差插入法改进交叉算子和变异算子,嵌入移除算子和插入算子对可行解进行摧毁和重建以增加种群的多样性。通过多组算例验证算法的有效性,并分析了混合时间窗客户的比例变化及车辆行驶速度变化对车辆调度方案的影响,结果表明自适应遗传-大邻域搜索算法较基本算法有着更好的求解性能。该研究成果可丰富车辆路径问题的相关研究,为物流企业优化决策配送方案提供理论依据。     

一种求解离散优化问题的粒子群算法

粒子群算法在求解连续变量问题有了比较成功的应用,但是对离散变量问题方面的应用研究却相对滞后.针对离散优化问题,提出了一种遗传粒子群算法.算法使用了交叉、变异等遗传算子替代传统粒子群算法的速度-位移公式,克服了传统粒子群算法对组合优化问题编码时出现的信息冗余的问题,提高了搜索效率.应用该算法求解了车辆路径问题,实验结果表明,该算法具有较好的全局收敛能力和较快的收敛速度.在同等条件下,求解效果要明显好于遗传算法和基于速度位移公式的粒子群算法     

一种改进的微粒群优化算法

提出了一种基于差分进化算子变异的改进微粒群优化算法，为减小陷入局优的可能性，在群体最优信息陷入停滞时引入差分进化算子变异，使算法摆脱局部极优点的束缚，同时又保持前期搜索速度快的特性，提高全局搜索能力。仿真实验表明：与标准微粒群优化算法相比，该文算法的全局收敛性能得到了显著提高，能有效避免微粒群优化算法中的早熟收敛问题。     

一种采用变异算子的自适应微粒群算法

为了提高微粒群算法优化高维目标的性能,采用了个体惯性权重自适应调整的微粒群算法,其中每个微粒拥有属于个体的惯性权重。通过对每个微粒的适应值进行评价对惯性权重动态和自适应,以加快其收敛速度并逃离局部最优。为了增强搜索性能,基于高斯变异和随机变异的变异算子被引入。该方法以及其他3种不同微粒群优化算法对4个经典函数在100、200和400维数下进行仿真的结果比较证明此算法在解决高维数目标时具有良好性能。     

基于交叉和变异的多目标粒子群算法

为了保证粒子群算法求得的非劣解尽可能接近真实的Pareto前沿并保持多样性分布. 提出一种基于交叉和变异的多目标粒子群算法(CMMOPSO). 在CMMOPSO算法中, 首先, 识别Pareto前沿的稀疏部分包含的粒子, 并对这些粒子进行交叉操作以增加多样性分布; 其次, 对于远离Pareto前沿的粒子进行变异操作, 以提升粒子向真实的Pareto前沿飞行的概率. 在基准函数的测试中, 结果显示CMMOPSO算法比其它算法有更好的运行效果. 因此, CMMOPSO算法可以作为求解多目标问题的一种有效算法.     

一种基于Cauchy变异的量子粒子群算法

和其他优化算法相比,粒子群算法有着简单易实现以及寻优结果快的优点,但研究结果表明标准粒子群算法在优化过程中存在着易于陷入最小的缺陷。文章提出了一种基于Cauchy策略的量子-粒子群算法。标准测试函数的仿真结果表明,新的算法不仅能够提高算法的全局搜索能力,而且能够加快算法的寻优速度,能够应用在实际工程中的函数优化问题。     

基于遗传粒子群优化的嵌入式系统软硬件划分算法

针对单处理器嵌入式系统软硬件划分问题,采用带权有向无环图进行建模,并将之约简,进而转换为多约束条件的0/1背包问题求解.由于基本粒子群优化算法无法求解0/1背包问题,故将遗传算法中的交叉、变异思想引入粒子群优化算法,提出了求解离散组合优化问题的遗传粒子群优化(GPSO)算法,采用两点交叉算子和非均匀变异算子对粒子的位置和速度更新方法进行了重新定义.实验结果表明,采用文中算法能有效地解决软硬件划分问题,具有良好的全局搜索能力,其寻优能力和执行时间优于遗传算法和模拟退火算法.     

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。     

改进粒子群优化算法求解TSP问题

针对粒子群优化算法易陷入局部极值的缺点,提出一种改进粒子群算法,该算法借鉴贪婪算法的思想初始化种群,利用两个种群同时寻优,并将遗传算法中交叉和变异操作引入其中,实现种群间的信息共享。用14点TSP标准数据对算法性能进行了测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

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。     

粒子群算法在Lot-sizing问题中的应用

针对无能力限制的Lot-sizing问题,提出一种改进的离散粒子群优化算法.设计粒子编码为生产设备的调整状态,通过有效的解码程序将粒子解释为生产计划.区别于传统的粒子群算法,算法采用单切点交叉算子来提高算法的局部求精能力,并引入变异算子和速度扰动策略保持种群的多样性,使算法在局部求精和空间探索间取得了较好的平衡.在随机生成的90组测试实例中对算法性能进行仿真实验,结果表明该算法具有良好的性能.     

基于交叉变异的混合粒子群优化算法

粒子群优化算法是一种基于群体智能理论的全局优化算法,通过群体中粒子间的合作与竞争实现对问题空间的高效搜索。针对算法后期收敛速度较慢、易陷入局部最优的缺点,提出了一种混合粒子群算法。该算法通过改变种群初始化方法,引入交叉和变异机制等措施改善基本粒子群算法的性能。数值试验结果表明,改进型粒子群算法在提高全局寻优能力和加快收敛速度等方面均有良好的表现。     

一种多尺度协同变异的粒子群优化算法

为了改善粒子群算法易早熟收敛、精度低等缺点,提出一种多尺度协同变异的粒子群优化算法,并证明了该算法以概率1收敛到全局最优解.算法采用多尺度高斯变异机制实现局部解逃逸.在算法初期阶段,利用大尺度变异及均匀变异算子实现全局最优解空间的快速定位;随着适应值的提升,变异尺度随之降低;最终在算法后期阶段,利用小尺度变异算子完成局部精确解空间的搜索.将算法应用6个典型复杂函数优化问题,并同其他带变异操作的PSO算法比较,结果表明,该算法在收敛速度及稳定性上有显著提高.