基于粒子群算法求解整数规划的改进方法

标准粒子群算法主要用于优化连续性,而对粒子群算法求解非线性整数规划,算法的粒子位置必须解决取整问题。基此,文章提出一种粒子位置最终取整的方法,以改进粒子群算法解决整数规划的具体过程。基准函数的仿真结果表明,改进后的取整方法的搜索成功率优于直接取整和随机取整,综合搜索效率更佳。     

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。     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性，最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法．     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合,既摆脱了算法搜索后期易陷入局部极值点的缺点,同时又保持了前期搜索的快速性.最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比,比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法.     

基于二进制混沌粒子群算法的认知决策引擎

为了解决不同通信模式下认知无线电发射机参数合理优化的问题,提出了一种基于二进制混沌粒子群算法(BCPSO)的认知决策引擎,该引擎利用粒子群优化算法收敛速度快和混沌运动全局遍历性的特点,使认知决策在多目标优化过程中有效地摆脱了局部极值点,提高了参数优化的精度和稳定性．基于认知正交频分复用(OFDM)系统的仿真结果表明,相对于现有认知引擎,该引擎具有平均适应度值高、对不同通信模式鲁棒性强的特点,实现了有效优化发射机参数的目的．     

一种适用于电网扩展规划问题的边界搜索粒子群优化算法

针对电网扩展规划问题,根据粒子群算法收敛性受初始粒子分布影响较大的特点,结合边界搜索思想,提出了一种粒子群初始化方法。该方法利用边界搜索策略对粒子群进行初始化,使粒子初始化在安全边界附近,优化了粒子群的初始化范围。最后通过算例证明了这种方法应用于电网规划的有效性。     

一种非线性约束优化的微粒群新算法

通过对标准微粒群算法(PSO)改进,采用动态罚函数的方法,提出了一种求解非线性约束优化问题的新算法.由于使用了一种新的适应度函数,该算法具有很强的全局寻优能力.     

一种基于混沌序列的粒子群优化算法

提出了一种基于混沌思想的粒子群优化算法,它利用粒子群优化算法收敛速度快和混沌运动遍历性的特点,对于陷入局部极小点的粒子,引入混沌序列重新初始化,从而使惰性粒子能够跳出束缚并快速搜寻到全局最优解。对几个经典函数的测试计算表明,其在收敛速度和精度上均优于标准的PSO算法。     

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。     

求解整数规划方法新探

文献 [1] 提出了求解整数规划问题的一种新方法——松驰最优解邻域整点搜索法。本文用反例说明用松驰最优解邻域整点搜索法求得的最优解不一定是整数规划问题的最优解,并给出了直接搜索的改进算法。     

改进反向粒子群算法及其在噪声中的应用

粒子群优化算法规则简单,收敛速度较快,但易陷入局部最优值,在噪声问题中也显示出较差的寻优能力．针对算法存在的不足,本文结合反向学习机制较快的学习速度及优化能力,并在算法进化过程中引入交叉因子,提出一种新的改进的反向粒子群算法（COPSO）．实验表明,该算法在噪声问题中要优于反向粒子群算法．     

Reliability analysis of earth slopes using hybrid chaotic particle swarm optimization

A numerical procedure for reliability analysis of earth slope based on advanced first-order second-moment method is presented, while soil properties and pore water pressure may be considered as random variables. The factor of safety and performance function is formulated utilizing a new approach of the Morgenstern and Price method. To evaluate the minimum reliability index defined by Hasofer and Lind and corresponding critical probabilistic slip surface, a hybrid algorithm combining chaotic particle swarm optimization and harmony search algorithm called CPSOHS is presented. The comparison of the results of the presented method, standard particle swarm optimization, and selected other methods employed in previous studies demonstrates the superior successful functioning of the new method by evaluating lower values of reliability index and factor of safety. Moreover, the presented procedure is applied for sensitivity analysis and the obtained results show the influence of soil strength parameters and probability distribution types of random variables on the reliability index of slopes.     

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。     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法（TPSO）。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

面向离散优化问题的改进二元粒子群算法

二元粒子群算法被广泛用于求解离散组合优化问题。在求解离散优化问题时,二元粒子群算法会出现解空间利用率低,速度和状态趋同以及退化和波动等演化问题。针对这些问题,提出一种改进的二元粒子群算法。算法使用Gray码演化基编码,混沌初始化过程,改进速度和状态调整方法以及子代处理方法用于提高种群利用率和种群多样性。在不同类型的检验函数以及多选择背包问题上,和现有优化算法及其他二元粒子群算法相比,改进算法能够获得较高的收敛精度以及较快的收敛速度,体现出多离散优化问题的实际效用。     

邻域整点搜索法求解标准型纯整数规划

从探索线性规划的优化机理入手,借鉴分枝定界法求解整数规划的基本原理和目标排序法求解0 1规划的思路,在完成一系列理论分析和证明之后,提出求解资源分配型整数规划的一种新方法———邻域整点搜索法.该方法是迄今为止求解整数规划的最为简捷有效的方法,是分枝定界法合乎逻辑的发展,也是用常规方法求解整数规划问题走向成熟的标志.使用该法,既可以求解纯整数规划,也可以求解混合整数规划问题,对于求解大规模整数规划问题具有无可比拟的优越性.     

混沌粒子群优化算法在水库防洪优化调度中的应用

为改善粒子群优化算法的寻优性能,提出了一种新的算法——混沌粒子群算法。该算法将混沌搜索机制引入到粒子群算法中来增加粒子的多样性,采用自适应惯性权重因子模型来设置惯性权重因子,改善了算法的全局寻优能力,并将其用于水库防洪优化调度中。实例计算表明该算法能较好地克服了粒子群算法易早熟和陷入局部最优的缺点,为解决水库防洪优化调度问题提供一种新的有效途径。     

Energy transmission modes based on Tabu search and particle swarm hybrid optimization algorithm

In China, economic centers are far from energy storage bases, so it is significant to select a proper energy transferring mode to improve the efficiency of energy usage. To solve this problem, an optimal allocation model based on energy transfer mode was proposed after objective function for optimizing energy using efficiency was established, and then, a new Tabu search and particle swarm hybrid optimizing algorithm was proposed to find solutions. While actual data of energy demand and distribution in China were selected for analysis, the economic critical value in comparison between the long-distance coal transfer and electric power transmission was gained. Based on the above discussion, some proposals were put forward for optimal allocation of energy transfer modes in China. By comparing other three traditional methods that are based on regional price differences, freight rates and annual cost with the proposed method, the result indicates that the economic efficiency of the energy transfer can be enhanced by 3.14%, 5.78% and 6.01%, respectively.     

Support vector machine forecasting method improved by chaotic particle swarm optimization and its application

By adopting the chaotic searching to improve the global searching performance of the particle swarm optimization (PSO), and using the improved PSO to optimize the key parameters of the support vector machine (SVM) forecasting model, an improved SVM model named CPSO-SVM model was proposed. The new model was applied to predicting the short term load, and the improved effect of the new model was proved. The simulation results of the South China Power Market’s actual data show that the new method can effectively improve the forecast accuracy by 2.23% and 3.87%, respectively, compared with the PSO-SVM and SVM methods. Compared with that of the PSO-SVM and SVM methods, the time cost of the new model is only increased by 3.15 and 4.61 s, respectively, which indicates that the CPSO-SVM model gains significant improved effects. Foundation item: Project(70572090) supported by the National Natural Science Foundation of China