粒子群算法求解旅行商问题程序设计

粒子群优化算法是一种具备全局搜索能力的群集智能优化算法,针对一类离散的、NP完全的组合优化问题——旅行商问题．该文介绍了用粒子群算法求解旅行商问题的改进策略和主要模块的程序设计思想。将算法应用到20个城市的解旅行商问题所得到的结果与遗传算法进行比较,数字仿真与结果比较表明了改进粒子群算法求解该问题的有效性。     

求解含非线性参数的QoS路由的启发式算法

具有非线性参数的QoS路由分为含有非线性约束条件的QoS路由和含有非线性优化目标的QoS路由两类，它们都是NP问题．提出了两种启发式算法求解这两类QOS路由优化问题问题．对第一类问题，求解去掉非线性约束条件后的优化问题．如果找到的解满足非线性约束条件，则该解是最优解；否则在优化问题中添加一个新的线性约束，将已得到的解去掉，反复下去就可得到最终解．对第二类问题，将非线性优化目标换为约束条件中的线性参数，求解此优化模型，如果有解，则记录此时对应的非线性目标值．而后增加一个新的线性约束，去掉刚才得到的解，比较两次得到的非线性目标值，保留最小值．如果得到的解不满足该线性参数的约束条件，则算法结束；否则继续迭代．证明了两种算法的收敛性，并且时间复杂性为近似多项式时间．计算实例表明了算法的有效性．     

多目标函数优化的元胞蚂蚁算法

提出一种求解多目标函数优化的元胞蚂蚁算法．该方法将元胞自动机演化规则引入蚂蚁算法，给出了在连续空间多目标函数优化的算法描述，定义了与蚂蚁信息素释放有关的元胞演化规则及蚂蚁邻域的转移概率，并实现了算法的具体步骤．在Matlab环境下，采用该算法对一些典型的测试函数进行求解和验证．实验结果表明，该方法具有向真实的Pareto前沿逼近的效果，是一种求解多目标优化的有效方法．     

奖励收集斯坦利最小树的混合拉格朗日与分散搜索算法

针对PCSTP问题，提出了HLGSS混合算法．通过拉格朗日松弛策略，将PCSTP问题转化为简单的CMST问题；然后由Volume算法求解PCSTP的拉格朗日对偶问题并获得其下界．用SS算法优化原问题的可行解，利用求解拉格朗日对偶问题过程中获得的原始一对偶信息来指导SS算法的搜索．仿真结果表明，HLGSS比SS降低了算法的搜索空间，加速了算法的收敛性．     

基于遗传算法的检测路段选择的优化

在分析交通检测点分布优化问题的现有算法的基础上，本文构造了交通检测点优化问 题的染色体表达式，建立了此问题的遗传算法．这是第一次将遗传算法应用于交通检测点分 布优化问题．实验结果表明，此算法可以有效求得交通检测点分布问题的优化解或近似优化 解，是求解交通检测点分布问题的一个较好的方法．     

解约束优化问题的进化策略与混合进化策略的比较

卜．引言模拟进化计算是近年来信息科学，计算机科学的“热点”研究领域，由此派生的求解代化问题的进化策略是一种崭新的优化方法．它的基本思想来源于六十年代末Rechenberg山模拟生物进化提出的一种随机算法．H．－P．Schwefel在问中系统地推广了山的原始策略，建立了进化策略（ESI最近该方法的研究从理论到应用都取得了一些成果，显示了非常广泛的应用前景．对非线性约束优化问题有效算法的设计是一件吸引人的工作．最近Hamaifar等人间研究了用遗传算法求解约束优化问题，得到一些结果，但存在选罚因子难和收敛速度慢等问题．针对上…     

一种求解背包问题的改进遗传算法

背包问题是计算机算法研究中NP完备类的一个困难问题．使用传统的优化方法在求解较大规模的背包问题时．都存在计算量大、迭代时间长的缺陷。为了克服传统优化方法的不足,提高求解的速度和精度,将人类繁育方式引入遗传算法中,形成一种求解背包问题的改进遗传算法（IGA）。介绍算法的基本思想以及使用该算法求解背包问题的方法．并通过实例证明该方法的可行性和有效性。     

分段线性系统最优控制设计的一种混合算法

将分段线性系统的最优控制设计问题转化成以反馈增益为寻优参数，以最优控制性能上界为目标的一组双线性矩阵不等式(BMI)问题．将遗传算法与内点法相结合设计出一种混合算法，对BMI问题进行求解．算例仿真表明该算法是简便而有效的．     

蚁群算法的理论及其应用

本文介绍了一种崭新的求解复杂优化问题的启发式算法一蚁群算法。该方法通过模拟蚁群搜索食物的过程，达到求解此类问题的目的、它具有智能搜索、全局优化、稳健性强、分布式计算、易与其它方法结合等优点。该算法用于解决组合优化问题，如TSP，QAP，JSP等效果较好．     

基于离散粒子群优化算法求解矩形件排样问题

改进了一种近似排样算法,并将改进的近似排样算法与离散粒子群优化算法结合求解矩形件排样问题.设计了应用离散粒子群优化算法求解矩形件排样问题的相关操作和定义,给出了离散粒子群优化算法求解矩形件排样问题的详细步骤,最后通过实验测试,验证了算法的有效性.     

基于风驱动优化算法WDO的PID参数优化

鉴于PID控制器的优越性,其在工业控制领域中的引用越来越广泛。PID控制器的性能主要在于其参数优化设计,PID参数优化问题一直是研究热点。为了解决PID参数优化问题,提出了一种基于自然启发的风驱动优化算法（WDO）的PID优化控制方法,该算法以PID三个参量为控制对象,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量。通过计算机仿真,并与遗传算法和粒子群算法PID参数优化相比,结果表明：该算法提高了系统的控制精度、响应速度和鲁棒性,为控制系统PID参数整定提供了参考。     

一个新的极大独立集算法及独立数的界

最大独立集问题是图论中典型的组合优化问题,有着广泛的实际应用价值。分析了现有独立数的界公式后给出了新的上界公式,并通过分析贪婪算法和独立集自身的特征,给出了新的求解极大独立集的算法,并证明了其确定性。然后用实例验证了该算法的有效性。     

迭代粒子群算法及其在间歇过程鲁棒优化中的应用

针对无状态独立约束和终端约束的间歇过程鲁棒优化问题，将迭代方法与粒子群优化算法相结合，提出了迭代粒子群算法．对于该算法，首先将控制变量离散化，用标准粒子群优化算法搜索离散控制变量的最优解．然后在随后的迭代过程中将基准移到刚解得的最优值处，同时收缩控制变量的搜索域，使优化性能指标和控制轨线在迭代过程中不断趋于最优解．算法简洁、可行、高效，避免了求解大规模微分方程组的问题．对一个间歇过程的仿真结果证明了迭代粒子群算法可以有效地解决无状态独立约束和终端约束的间歇过程鲁棒优化问题．     

遗传算法在多修正因子寻优中的应用

模糊控制系统中的多修正因子校正法是一种方便、有效的控制规则优化方法,其修正因子的选取是一个寻优问题。常见的寻优方法有局部搜索法、模拟退火法和遗传算法。本文基于基本遗传算法,在目标函数的制定方面作了相应改进,并将其应用于上述修正因子的寻优。实验结果表明,该算法能有效求得多修正因子的优化解。     

最小费用充电站选址问题的分支定界算法

电动汽车的充电站选址问题是当前社会的热点问题,其实质是组合优化中经典的NP-hard问题。基于最小开设费用对充电站选址问题进行研究,首先对该问题进行了数学建模,进而研究了该问题的数学性质并给予相应的证明,利用这些性质减小问题的规模,从而降低问题的求解难度;然后设计了上下界子算法以及降阶子算法,基于这些子算法提出了一种可以快速缩小问题规模同时得到最优解的分支定界算法,降低了时间复杂度,同时可以对解空间进行大量剪枝加快求解速度;最后通过分析和求解一个示例来进一步阐述所提算法的原理和执行过程。     

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上, 提出了一种新的遗传混沌优化组合方法. 该算法能克服混沌优化在大范围内失效的缺点, 并能提高遗传算法的局部搜索能力和搜索精度. 同时证明该算法能以概率 1收敛到全局最优值. 应用该方法对 6个测试函数进行优化计算得到了比较满意的结果.     

基于复合粒子群算法的几何约束求解技术研究

在将几何约束问题的约束方程组转化为优化模型的时候,需要找到一种方法来跳出局部最优解,进而找到全局最优解。为了兼顾算法的快速性和全局性,几何约束求解时,考虑使用复合粒子群算法。这种粒子群算法是一种基于群智能方法的演化计算技术,不仅在所有的进化算法中都包括控制其自身特性的启发式参数,而且这些参数通常是与特定的问题相关,并可由用户自己定义。虽然合适的参数选择需要用户丰富的经验和对研究问题所提供信息的正确判断,更重要的是,这些启发式参数会影响到算法的收敛特性,但是即便是很有经验的用户也可能选择不恰当的参数,从而使问题得不到有效地解决,这就越来越需要对这些参数进行研究。为此可将将粒子群算法中的控制参数的选取作为一个优化问题,以便用常规遗传算法来控制粒子群算法中的启发式参数,即形成了复合粒子群优化算法,通过把复合粒子群算法成功地应用到几何约束求解技术的实验表明,该方法可以在很短的时间内找到最优解。     

基于形状规划理论的小行星探测方法

小推力轨迹优化过程的控制率设计是典型的非线性动力学最优控制问题。针对具体的问题背景,直接优化算法和间接优化算法已被广泛应用。为了简化问题的优化模型,采用形状规划理论来模拟小推力的作用轨迹,将动力学最优控制问题转化成多项式的参数优化。结合小行星群的探测,利用粒子群优化与微分进化混合优化算法进行全局优化,为满足精度要求,再采用模式搜索局部优化算法进行二次优化。     

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上,提出了一种新的遗传混沌优化组合方法.该算法能克服混沌优化在大范围内失效的缺点,并能提高遗传算法的局部搜索能力和搜索精度.同时证明该算法能以概率1收敛到全局最优值.应用该方法对6个测试函数进行优化计算得到了比较满意的结果.