一种求解0-1背包问题的混合粒子群算法

针对0-1背包问题,提出一种具有修复策略的、贪心算法与二进制粒子群算法相结合的混合智能算法.数值试验结果表明,该方法能在一定程度上克服早熟现象,且收敛速度较快.因此,应用该混合智能算法求解0-1背包问题是比较有效的.     

用基于二进制编码的异步粒子群算法解0/1背包问题

本文提出基于二进制编码的异步粒子群算法,并用来求解0/1背包问题。0/1背包问题是给定一些物品的重量和价格,给定一个重量值,然后一个一个的装进背包里,在这个重量值的约束下求得最大值的一种组合优化问题。本文利用所提出的基于收敛因子模型的异步粒子群算法来求解0/1背包问题,试验证明,用这种方法解决0/1背包问题是非常有效的。     

求解TSP问题的增强型自探索粒子群算法

分析了单点调整思想自探索粒子群算法求解TSP问题的不足,并以此为基础构造了求解TSP问题的增强型自探索粒子群算法。在算法中进一步强化了粒子的自探索行为,增加了随机序列段调整思想,以提高算法发现全局最优解的概率。实验结果分析,表明了该增强型自探索粒子群算法具有较强的全局搜优能力,比其他同类算法获得了质量更高的解。     

Memetic算法求解多维背包问题

针对多维背包问题较难找到全局最优解的情况,提出了一种求解多维背包问题的Memetic算法,该算法主要由带反馈机制的禁忌局部搜索算法、交叉算子和种群更新策略组成.其中,种群更新策略需要同时考虑种群中解的质量与种群的多样性,以提高算法搜索的多样性.测试表明,该算法能够有效避免陷入局部最优解并找到比现有算法更好的结果.     

改进粒子群优化算法求解旅行商问题

提出了一种改进粒子群学习算法,在改进的算法中,粒子不仅根据自身和同伴中最好的个体调整自己的飞行速度,而且按照一定的概率向其他个体学习。这种强化后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。同时借鉴单点调整算法思想,提出了调整因子和调整序概念用以重构粒子群算法。最后,用改进后的粒子群算法求解旅行商问题,数字仿真表明了算法的有效性。     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

求解调度问题的粒子群算法编码方法研究

利用粒子群算法求解调度问题的关键是建立有效的粒子编码结构。介绍了作业车间、流水车间和并行机调度等3类典型调度问题的特点,阐述了求解调度问题的粒子群算法结构,指出设计粒子群算法编码方法需要考虑的3个关键问题。提出3种求解不同调度问题的粒子群算法编码方法,并从生成调度解的可行性和有效性、粒子群计算模型的适用性和解码过程的复杂性等几个方面对粒子编码方法进行分析。以作业车间调度问题为例,验证了所提粒子编码方法的有效性。     

基于混合蛙跳算法的背包问题求解算法

混合蛙跳算法是一种全新的基于群体智能的后启发式计算技术,具有高效的计算性能和优良的全局搜索能力。描述了0／1背包问题的数学模型,阐述了混合蛙跳算法的基本理论。通过在全局信息交换过程中加入变异操作的方法,提出了一种改进的混合蛙跳算法,并利用该算法求解0／1背包问题。实例的运行结果表明该算法有较好的可行性和有效性。     

量子粒子群优化算法在运输问题中的应用

将量子粒子群优化算法用于运输问题求解。用粒子的位置表示运输路径,建立运输路径的数学模型。与遗传算法相比,实验结果表明,该算法在求解运输问题中提高了最优解的精度,且具有较快的收敛速度。     

粒子群优化算法在求解平面选址问题中的应用研究

平面选址问题实质上是带约束的非线性连续函数优化问题。给出了用粒子群优化算法求解平面选址问题的过程描述,分析了算法的时间复杂度。该算法具有易克服局部最优和容易处理约束等优点,不需要进行特殊的编码和译码设计,算法实现简单。应用算例表明该算法是有效的,可以应用于类似优化问题的求解。     

粒子群复形法求解旅行商问题

针对众多领域的组合优化问题可转化为旅行商问题（TSP），提出求解TSP的粒子群复形（CPSO）算法.该算法在迭代的每一步，都将全部点根据适应值进行排序，让好点与差点进行两两配对.根据配对的两点连线中点的适应值与好点的适应值的比值，确定在连线的某位置取出一点.将取出的点与差点和整体最优点的差值点进行线性组合, 所得到的新点取代当前两点中的差点.对TSP解序列提出5种运算, 得到能求解TSP的CPSO算法.并求解了14个点的TSP问题与印刷电路板（PCB）数控钻走刀路线优化问题.结果表明，与遗传算法和蚁群算法相比，该算法具有更强的搜索性能和更好的稳定性，收敛速度更快.     

粒子群优化算法在函数优化上的研究与发展

粒子群优化算法(PSO)与其他演化算法相似,也是基于群体的。每个粒子被随机初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解。该算法的特点是简单容易实现而又功能强大。该算法最初被提出来主要应用于函数优化。经过几年的发展,已经出现了大量的改进算法。本文总结了这些改进算法的基本主要形式,并给出了未来可能的研究方向。     

水系统优化的粒子群算法分析

针对水系统集成优化问题,采用4种粒子群算法进行求解,并对算法进行了改进。通过算例分析了粒子群算法用于水系统优化时的计算特性。研究表明:在水系统集成优化时,基于混沌局部搜索的粒子群算法较适于该问题的计算。     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

改进型混沌粒子群算法求解函数均值问题

针对基本粒子群优化算法易陷入局部最优的缺陷,提出一种基于有限作用域的混沌粒子群优化算法。利用特定的初始分布涵盖全局最优值,利用混沌序列良好的非线性性质来影响粒子速度的更新过程;以有限作用域外的粒子遍历优化问题的可行域,从而增加粒子对可行域的广度搜索,以有限作用域内的粒子搜索最优值,从而提高全局最优值的精度搜索效率。把本文算法应用到函数均值求解的实验中,结果表明,本文算法具有较好的求解精度和求解效率值。