基于基因片段分解的粒子群算法求解置换Flowshop问题

针对粒子群算法在求解置换流水车间调度问题时容易早熟的现象,提出了一种基于基因片段分解的粒子群优化算法求解置换流水车间调度问题。首先,对工件加工顺序采用了基因片段分解的方法,个体的初始值是随机生成的,但是初始种群采用贪婪方法得到。然后,通过加入综合学习策略和增强基因片段间的合作来提高该算法的全局搜索能力,对基因片段最优解进行交换局部搜索。最后,通过对Rec系列20个子问题的仿真测试,得出该算法在每个子问题上都取得了优于粒子群算法的解。仿真结果表明该算法收敛速度快,且具有较高的求解质量。     

均匀搜索粒子群算法的收敛性分析

本文将均匀搜索粒子群算法(Uniform search Particle Swarm Optimization,简称UPSO)的位置更新公式变换为一个差分方程,求解差分方程得到非递推的位置更新公式,推导解的收敛条件并求出了UPSO对学习系数c及惯性系数w的收敛区域,最后通过6个Benchmark函数仿真实验对收敛区域的正确性进行验证,实验结果表明学习系数和惯性系数在收敛区域内时的UPSO收敛,不在收敛区域外时UPSO发散.     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

求解流水车间调度问题的混合粒子群算法

本文提出了一种混合的元启发式方法HDCPSO用于求解置换流水车间调度问题中的最小化完成时间.该算法将粒子群算法和迭代贪心算法(Iterative Greedy,IG)相结合,利用IG算法中的作业毁坏(Destruction)和构造(Construction)操作来对粒子进行变异,降低群体发生早熟的可能.引入了个体徘徊概...     

求解独立任务调度问题的改进粒子群算法

独立任务调度问题是分布式系统中的一个NP难题.提出了基于实数编码和基于机器编码的两种改进粒子群算法.前者利用协同子群进化的方式进行问题寻优,后者通过重新定义粒子的位置更新方法,使粒子群算法更好地应用于组合优化问题.仿真结果表明,与遗传算法和基本粒子群算法相比,改进算法具有更快的收敛特性和更好的求解质量.     

改进元胞粒子群算法求解JSP问题

为求解离散JSP(作业车间调度)问题,设计了基于四方形网格的元胞粒子群算法。引入变异策略增强了算法跳出局部最优的能力,对每代粒子群引入变邻域搜索提高了算法的局部搜索能力。数值实验表明,改进的元胞粒子群优化算法具有好的收敛性与求解精度。     

快速混合粒子群优化算法应用研究

文中针对把最小化总流动时间作为基准(Fm|fmls,Splk,prmu|∑Cj)的流水车间序列依赖组调度问题(FSDGS),研究了一种新的粒子群优化算法(PSO)。并基于排序值(Ranked Order Value,ROV)开发了一种编码方案,这种方案能将PSO算法中粒子的连续位置值转化成作业和组排列。文中用了一种称为个体增益(IE)的邻域矩阵搜索策略来保证提高搜索的质量并在深度和广度上做出平衡。新算法的性能被拿来与当前文献中提到的已知最好的元启发式算法即蚁群算法(ACO)进行对比,基于常用测试测试问题,结果显示新算法性能较诸ACO算法更加优越。     

改进蝙蝠算法求解置换流水线车间调度问题

研究新型蝙蝠算法在置换流水线车间调度问题的应用。针对基本蝙蝠算法在解决离散型生产调度问题时,存在传统群智能算法的后期收敛精度不高、易陷入局部最优的通病,结合置换流水调度问题的特点,提出改进的蝙蝠算法,即引入自适应惯性权重作用于蝙蝠的速度更新,以提高算法的收敛速度;引入动态收缩搜索区域作用于蝙蝠的位置更新,以提高蝙蝠搜索效率。实验结果表明改进后的蝙蝠算法明显提高了质量。     

基于粒子群算法的车间作业调度问题

通过对车间调度问题的描述,针对传统算法寻优效率低的弱点,提出了一种基于粒子群算法的车间作业调度问题的解决方案.对粒子群算法的基本原理进行了阐述,并对粒子群算法的编码、参数的选择以及解码进行了研究,以最小化最大流程时间作为评价算法的性能指标,将其用于编程求解典型调度问题.仿真结果表明,粒子群算法在求解车间作业调度的应用上是十分有效的.     

猫群算法求解阻塞流水车间调度问题

阻塞流水车间调度是现实生产调度中一类很重要的组合优化问题,其已被证明是典型的NP难问题。为了提高该问题的求解性能,文中提出了猫群算法（CSO）求解阻塞流水线调度问题。猫群算法是近几年来提出的群体智能算法,算法以一小部分猫执行跟踪模式,其余大部分猫执行搜寻模式,通过这两种模式同时进行局部搜索和全局搜索以达到优化目标。文中利用标准Car问题算例进行仿真实验,并与标准粒子群算法（PSO）和蝙蝠算法（BA）进行比较,结果表明猫群算法在求解生产调度问题的可行性和有效性。     

一种基于离散粒子群优化的战场动态频谱指配策略

针对战场频谱动态指配问题,建立了基于用频冲突等级最小的频谱指配数学模型,提出了 一种采用粒子编码和交叉更新位置的离散粒子群优化算法,根据本问题特征设计了合适的适 应度函数和局部搜索策略。实验结果表明,提出的算法能够有效地求解频率指配问题。     

带惯性权重的粒子群优化算法性能仿真

粒子群优化算法是一种随机搜索算法,并能以较大概率收敛到全局最优,微粒群算法中关键参数的选择方法对算法特性有显著影响.文中针对微粒群算法中的加速常数、惯性权重、取值范围、种群规模的设置对算法基本性能的影响进行了分析.实验结果证明:选择适合的参数设置水平,能够获得稳健和高效的优化效果.     

空间映射粒子群算法用于电磁优化计算

将粒子群算法与空间映射算法相结合,提出了一种空间映射粒子群优化算法,并用于电磁问题的优化计算.算法实现过程中,将电磁仿真计算中精确网格剖分的计算模型作为精确模型,将粗糙网格剖分计算模型作为粗糙模型,在粒子群算法中计算粒子适应度前,使用粗糙模型结合基于卡尔曼滤波的映射关系,估计出粒子是否对算法最优解更新有效,并对有效的部分粒子做适应度计算,可以很大程度上减少算法的计算耗时.通过E型贴片天线和谐振腔缝隙天线的优化仿真说明了本算法的有效性.     

Fuzzy particle swarm algorithm for function optimization

在传统粒子群算法的基础上运用模糊规则表加入了新的扰动因子,提出了一种新的算法--模糊粒子群算法。算法结合了模糊控制器中输入输出的模糊化处理和粒子群寻优的特点,为实际问题提供了新的解决手段。将模糊粒子群算法应用于函数优化的问题上,通过多组实例数据进行测试,验证表明了本算法具有良好的有效性和鲁棒性。     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.