应用于武器-目标分配问题的量子行为粒子群优化算法

武器-目标分配(WTA)问题是现代战争中一个十分重要的问题。以分配武器迎击全部目标的失败概率最小为目标,构建武器-目标分配问题模型;针对已有算法求解这类问题存在的早熟收敛、优化效率较低的缺点,提出一种惯性权重自适应调整的量子行为粒子群优化算法。首先引入聚焦距离变化率的概念,将惯性权重因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;同时在算法中嵌入一种判断和避免搜索早熟和停滞的有效方法。优化实例的结果分析表明,该算法能有效地解决武器-目标分配问题。     

权重自适应调整的混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算子的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法。新算法首先引入聚焦距离变化率的概念,将惯性因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;其次,在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,根据构造的变异概率对粒子进行变异使粒子跳出局部最优,从而减少无效迭代。对高维测试函数的实验表明:改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。     

一种动态改变惯性权重的自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DCWPSO),在该算法中引入聚焦距离变化率的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为关于聚焦距离变化率的函数.在每次遮代时算法可根据当前粒子群聚焦距离变化率的大小动态地改变惯性权重,从而使算法具有动态自适应性.对6个典型函数的测试结果表明,DCWPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高.     

一种基于引导策略的自适应粒子群算法

为解决粒子群算法前期搜索“盲目”,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群算法。该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导,克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,两者结合极大地提高了搜索到全局最优解的有效性。对4个标准测试函数进行仿真,实验结果表明IPSO算法在收敛速度、收敛精度以及成功率上都明显优于LDWPSO和WPSO算法。     

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。     

粒子群优化算法在公交车智能调度中的应用

运营车辆的智能排班是公交车辆智能调度需要解决的问题之一,关系到公交企业的经济效益与社会效益。采用兼顾公交公司与乘客双方利益的公交车辆调度模型,将带收缩因子和线性递减惯性权重的粒子群优化算法（W-K-PSO）应用到公交智能排班中。实例仿真结果表明该算法具有比其它优化算法更好的效率,是解决公交车智能调度问题的一个有效方法。     

基于杂交变异的动态粒子群优化算法

粒子群优化算法(PSO)的结构相对简单、运行速度很快,但是算法极易陷入局部最优,出现早熟收敛现象。针对标准粒子群算法存在的问题,引入了一种随迭代次数和粒子间距离大小动态改变的惯性权重,通过设置比例系数控制二者对惯性权重的影响力度。在此基础上为了增加种群多样性,又引入“杂交变异”算子,设计了一种基于杂交变异的动态粒子群优化算法(HV-DPSO)。通过对基准函数的数值试验表明,新算法相对于标准粒子群算法不仅能有效地避免早熟收敛,而且具有更好的收敛效果。     

基于免疫优化的公交驾驶员调度问题

为解决公交驾驶员调度优化问题,提出一种基于免疫计算的驾驶员调度优化方案。设计驾驶员调度问题的数学模型,给出非劣邻域支配的多目标免疫优化算法的框架、基于实数编码的比例克隆算子和领域变异算子,以及支配抗体的拥挤距离公式,并在仿真环境下进行实验。实验结果表明,该算法能有效地解决公交驾驶员调度优化问题,具有较好的应用价值。     

动态调整惯性权重的粒子群优化算法

针对高维复杂优化问题,提出一种改进适应度函数和动态调整惯性权重的粒子群优化算法.首先考虑了搜索点的函数值及其变化率,并将该信息加入适应度函数.利用维惯性权重矩阵自适应动态调整惯性权重,较好地平衡了算法的全局探索和局部开发,并分析了惯性权重随种群多样性的变化关系.在算法后期计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异,以加快算法的收敛速度.对高维测试函数的实验表明,算法提高了全局搜索能力.     

混合变异算子的自适应粒子群优化算法

针对惯性权重线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种非线性递减的惯性权重策略,使算法很快地进入局部搜索,并在算法中引入混合变异算子,克服算法易早熟收敛的缺陷。对几种典型函数的测试结果表明,本文算法的收敛速度和收敛精度都明显优于LDW算法。     

Glowworm Swarm Optimization for Dispatching System of Public Transit Vehicles

The intelligent schedule of vehicles operation is one of the problems which need to be solved in the dispatching system of public transit vehicles, it relates to the development of the city and civic daily life. In this paper, a transit vehicle scheduling optimization algorithm which balancing between the benefits of bus companies and passengers is proposed. The glowworm swarm optimization (GSO) with random disturbance factor, namely R-GSO is applied to the schedule of vehicles. Finally, we provide some comparisons of R-GSO with artificial fish-swarm algorithm, particle swarm optimization and GSO, the simulation results show R-GSO algorithm has higher efficiency and is an effective way to optimize the public transit vehicle dispatching.     

基于细菌觅食优化算法的城市轨道交通调度优化

为了合理高效地制定城市轨道交通调度方案,实现客流与车次的优化配置,提出了一种基于细菌觅食优化算法的城市轨道交通调度优化策略。兼顾乘客与运营企业双方利益,以发车间隔为决策变量,乘客平均候车时间最短和发车次数最少为优化目标,建立调度优化模型,并对细菌觅食优化算法求解该调度模型的过程进行分析。结合某城市轨道交通一号线实际运营数据进行仿真实验,并与其他算法的优化结果进行对比分析,实验表明该算法和模型能有效解决城市轨道交通调度优化问题。     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

遗传算法在金堆城钼矿车辆调度系统优化中的应用

文章介绍了遗传算法在金堆城钼矿运输车辆调度系统优化中的应用,详细阐述了遗传算法在该系统应用中的工作原理及具体工作流程。试验表明使用遗传算法对矿山车辆调度系统进行优化是可行、有效的。     

一种基于Voronoi图求解车辆路径问题的混合启发式算法

针对由多个配送中心和多个客户点组成的物流网络中的车辆路径问题,提出了一种基于“集群第一,路线第二”的路径优化策略,即首先使用Voronoi分割对配送区域进行划分,然后引入综合插入算法和变邻域搜索算法的混合启发式算法求解配送区域内车辆路径问题。通过算例和应用系统的分析与验证表明,该混合算法既能获取质量较优解,同时也具有较好的实时性,能较好地满足实际应用需求。     

一种求解粮食调运优化问题的两阶段方法

粮食调运优化问题属于一种多回路运输问题,本文提出了一个解决粮食调运优化问题的两阶段求解方法,在第一阶段,由图搜索算法产生所有可行的运输路线,并根据约束条件对搜索树进行剪枝;在第二阶段,采用整数规划模型从第一阶段产生的可行路线集合中选取最佳路线,使总的运输成本最低.同时基于该方法开发了一个粮食调运决策支持系统,经过测试,该系统在最坏的情况下能节省9%~15%的路程和10%~18%的运输费用.     

考虑乘客信任程度的营运车辆合乘线路规划

车辆合乘是解决交通拥堵的有效方法,然而乘客对车辆合乘行为缺乏信任是影响合乘发展的难题。针对这一问题,通过引入信任度权重和用户偏好来衡量合乘的信任水平,以车辆的总行驶距离最短以及总信任度值最高为目标函数,同时考虑了车辆搭载容量约束、车辆行驶距离约束、乘客需求响应约束以及车辆站点服务约束,构建了考虑乘客信任程度的合乘模型,然后针对该模型采用改进的遗传算法进行求解。最后采用北京市新发地周边地区的营运车辆数据进行算法验证。结果表明,该模型能够在有效减少车辆总行驶距离的同时保障较高的乘客合乘信任水平,相较于仅考虑距离优化的模型,距离成本增加了14.8%,信任水平提升了3.3倍。通过对优化结果的对比分析,验证了模型和算法的有效性。     

基于状态空间模型的智能优化算法及其应用

针对城市公共交通系统中公交优化调度问题的具体特征,提出一种基于状态空间模型的实数编码智能优化算法(SIA)。SIA引入遗传算法(GA)的基本理念。通过构造状态进化矩阵来指导算法的搜索方向,再通过选种池的优胜劣汰的选择机理来实现算法朝最优解逼近。将该算法与GA分别应用到公交优化调度问题中,考虑发车时间间隔的约束,建立以企业和乘客的利益最大化为目标的数学模型。实例仿真结果表明,SIA在寻优精度和计算量方面优于GA,验证了该算法的有效性。     

混合粒子群算法求解带软时间窗的VRPSPD问题

针对带软时间窗的同时集配货车辆路径问题（VRPSPD）,建立了以车辆派遣成本、行驶成本和时间窗惩罚成本之和最小为目标的车辆路径优化模型;设计混合粒子群算法进行求解,该算法结合以变邻域下降搜索为主体的适应性扰动机制,采用适应性选择邻域策略,并在每个邻域搜索中应用可变的循环次数,以此提高对解空间的探测能力和搜索效率。数值实验结果表明了该算法的可行性和有效性。