基于改进粒子群的双层规划求解算法

提出一种采用粒子群优化算法求解双层规划模型的算法。首先对粒子群优化算法作了改进,然后用改进后的算法求解双层规划模型,通过两个粒子群优化算法之间的协同迭代,同步优化双层规划的上下层,最终求得双层规划模型的最优解。此算法将求解一般双层规划问题转化为通过两个粒子群优化算法的交互迭代来求解上下两层规划问题。通过对几种典型函数的测试,验证了此算法的有效性。     

求解无人机航迹规划问题的精英引领自适应樽海鞘群算法

针对目前无人机航迹规划成本高、精度差和稳定性不足等问题,提出一种精英引领自适应樽海鞘群算法。首先,分别引入精英质心对立学习和精英引导惯性权重机制对樽海鞘领导者和跟随者更新方式进行改进,提升樽海鞘群算法的全局搜索能力和收敛速度,并设计种群个体角色自适应调整机制均衡算法的全局搜索和局部开发;然后建立无人机二维航迹空间模型和航迹成本模型,将航迹规划转换为多维函数优化问题,并利用精英引领自适应樽海鞘群算法求解无人机航迹规划问题,以综合考虑威胁成本和燃料成本的航迹目标函数评估个体位置适应度,对航迹规划最优方案迭代求解。在两个不同复杂性的威胁场景下进行的仿真实验结果表明,与人工势场(APF)、樽海鞘群算法(SSA)、人工蜂群算法(ABA)和改进樽海鞘群算法(ISSA)相比,所提算法的最优航迹平均成本分别可以降低78.68%、61.77%、42.76%和19.36%,验证了所提算法的有效性。     

改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划.该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化.实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性.     

量子粒子群优化算法在双层规划问题中的应用

双层规划问题大多都是针对某些特定问题的,采用传统的方法求解非常困难,论文采用量子粒子群优化算法来求解双层规划问题,提出了求解双层规划问题的一种通用的有效算法.最后,通过实例分析与其他算法比较,验证了本算法的有效性.     

低碳约束下冷链物流配送共享仓选址多目标优化方法

针对当前冷链物流配送中心选址模型存在选址不合理、选址过程复杂,导致资源浪费和经济成本增加的问题,提出在低碳约束下,构建一个基于低碳约束冷链物流配送共享仓中心选址和路径优化模型,在粒子群算法的基础上,分别加入免疫算法和粒子群算法,得到改进免疫粒子群算法和混合粒子群算法,通过这两种算法分别实现共享仓中心选址求解快速寻优和多目标优化,以提升模型的路径优化能力和鲁棒性。实验结果表明,提出的方法改进免疫粒子群算法可在不同约束条件下实现冷链物流配送共享仓快速选址,且选择位置寻优求解速度提升;同时通过混合粒子群算法可实现物流路径优化,规避路径缺陷,从而提升路径优化能力,实现多目标优化路径的准确选址。     

考虑多种运输方式的整车物流服务供应链订单分配问题

针对整车物流服务供应链的订单分配问题，提出了考虑多种运输方式的双层订单分配模型。首先，考虑到运输方式会影响运输成本、客户的准时送达要求等因素，建立以准时送达和最小化物流采购成本为目标的双层规划模型；其次，设计启发式算法（HA）确定各运输方式的任务量；然后，借助混合蛙跳算法（SFLA）求解各功能物流服务提供商间各运输方式的任务量分配；最后，通过不同规模的算例与遗传算法（GA）、粒子群算法（PSO）、蚁群算法（ACO）等进行求解对比。算例结果表明，与原有的成本438万元相比，所提模型得到显著优化的421万元，说明所构建模型的订单分配方案能够更有效解决整车物流的订单分配问题。实验对比表明，较传统智能算法（GA、PSO、ACO）的求解结果，两阶段的HA-SFLA算法能更快得出显著优化的结果，说明HA-SFLA算法能更好地求解考虑运输方式的双层订单分配规划模型。在满足客户送达时间要求的同时，考虑运输方式的双层订单分配模型及算法显著降低物流成本，促进物流集成商为获取更多利益而在订单分配阶段考虑运输方式。     

动态路网选址–路径优化算法及实现

针对路段通行时间随旅行时段变化的实际城市路网环境下的选址–路径问题,建立其混合非线性整数规划模型;并在双层规划模型的基础上,利用遗传算法进行设施选址,改进蚁群算法进行车辆路径优化,提出一种遗传算法与改进蚁群算法协同的求解方法(GA–IACO).在路径优化中,基于NNC算法生成初始可行解集;采用Max-Min蚁群系统策略动态更新信息素范围,降低陷入局部最优的可能性;并通过模拟退火过程,对邻域解集按照Metropolis准则进行接收,以增强算法的全局搜索能力.在测试集上的结果表明了算法在时变有向网络上的可行性,为验证算法的有效性,通过构建杭州市路网的富属性网络模型,在得到路网结点间OD成本矩阵的基础上进行求解,实验结果表明,配送成本平均降低6.92%,选址–路径规划总成本平均降低7.09%,所得结论为实际优化决策提供了理论支持.     

基于R2指标和目标空间分解的高维多目标粒子群优化算法

基于R2指标和分解策略的多目标粒子群优化算法(R2-MOPSO)在求解2、3个目标优化问题时具有较好的收敛性和多样性,但在求解高维多目标优化问题时难度较大.对此,提出一种基于R2指标和目标空间分解的高维多目标粒子群优化算法(R2-MOPSO-II).首先借鉴R2指标和目标空间分解策略综合权衡选择过程的收敛性和多样性,设计双层档案维护策略;然后设计一种新的向导选择策略来连接目标空间和决策变量空间,进而提出一种基于双层档案的速度和位置更新策略以权衡粒子群优化算法的勘探和开采能力;最后通过引入高斯学习策略和精英学习策略防止粒子陷入局部最优前沿.数值仿真结果表明,所提出算法在求解DTLZ和WFG测试问题时具有较好的收敛性和多样性.     

模糊随机环境下考虑残次品处理的库存配送问题研究

针对考虑残次品的多生产商选择多商品多阶段库存配送问题,建立了一个基于动态规划的双层库存配送模型。高端物流服务集成商以整个供应链网络成本最小为目标制定采购决策;库存配送服务商以运营成本最小为目标,在集成商决策下制定库存和配送决策。设计了模糊随机环境下基于动态规划的双层全局-局部-邻域粒子群算法（Bi-DPGLNPSO）对模型进行求解。并通过算例验证模型和算法的有效性和合理性。通过参数测试和算法对比检验算法的优越性。     

基于双层规划的多供应商物料配送期量优化

为有效解决多供应商单制造商构成的二级供应链中供应商配送批量不经济、配送时间无序导致物流成本高和卸货拥堵等问题,建立多供应商配送期量的双层规划模型.上层模型从库存与配送联合优化视角,考虑供应商配送批量经济性,以供应链物流总成本最低为目标,确定最优配送批量;下层模型基于上层优化结果,考虑制造商生产时序性,以供应商时间惩罚成本最小化为目标,确定供应商配送时间序列.采用遗传算法和动态规划相结合的方法求解上下层模型,得到供应商最优配送期量标准.通过实例运用,验证了模型与算法的有效性及可行性.     

多子群的共生非均匀高斯变异樽海鞘群算法

针对樽海鞘群算法求解精度不高和收敛速度慢等缺点, 提出一种多子群的共生非均匀高斯变异樽海鞘群算法. 根据不同适应度值将樽海鞘链群分为三个子种群, 各个子种群分别进行领导者位置更新、追随者共生策略和链尾者非均匀高斯变异等操作. 使用统计分析、收敛速度分析、Wilcoxon检验、经典基准函数和CEC 2014函数的标准差来评估改进樽海鞘群算法的效率. 结果表明, 改进算法具有更好的寻优精度和收敛速度. 尤其在求解高维和多峰测试函数上, 改进算法拥有更好性能.     

基于自适应t分布与动态权重的樽海鞘群算法

针对樽海鞘群算法寻优精度低、收敛速度慢和易陷入局部最优等缺点,提出一种基于自适应t分布与动态权重的樽海鞘群算法。首先,在领导者位置更新中引入蝴蝶优化算法中的全局搜索阶段公式,以此来增强全局探索能力;然后,在追随者位置更新中引入自适应动态权重因子来加强精英个体的引导作用,从而增强局部开发能力;最后,为了避免算法陷入局部最优,引入自适应t分布变异策略对最优个体进行变异。通过对12个基准测试函数进行求解,根据平均值、标准差、求解成功率、Wilcoxon检验和收敛曲线分析,表明所提出的算法要优于标准樽海鞘群算法,以及参与比较的其他改进樽海鞘群算法和其他群智能算法,说明了其在寻优精度和收敛速度方面都有显著提升,并且具备跳出局部最优的能力。通过将其应用在脱硝入口浓度最低点寻找上,验证了算法的有效性。     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

基于自适应惯性权重的樽海鞘群算法

针对标准樽海鞘群算法收敛精度低、收敛速度慢的问题,提出一种基于自适应惯性权重的樽海鞘群算法(AIWSSA).首先,在追随者位置更新公式中引入惯性权重因子评价个体之间的影响程度;然后,结合种群成功率与非线性递减函数对惯性权重因子进行自适应调整,使算法的全局和局部搜索能力得到更好地平衡;最后,为防止算法陷入局部最优,引入差分变异思想对非最优个体进行变异.对12个基准测试函数进行求解,实验结果表明:AIWSSA具有较高的收敛精度、收敛速度和鲁棒性; Wilcoxon统计检验结果表明:与标准樽海鞘群算法、改进的樽海鞘群算法、其他群体智能算法相比, AIWSSA表现出较好的性能.通过将其应用于两种带约束的工程设计问题,验证了AIWSSA的有效性.     

基于衰减因子和动态学习的改进樽海鞘群算法

樽海鞘群算法是一种新型的群智能优化算法.与其他智能优化算法相比,樽海鞘群算法的优化求解策略仍有待改进,以进一步提高该算法的求解精度和寻优效率.本文提出一种基于衰减因子和动态学习的改进樽海鞘群算法,通过在领导者更新阶段添加衰减因子,提高算法的局部开发能力,在跟随者更新阶段引入动态学习策略,提高算法的全局搜索能力.本文对16个测试函数进行实验,将提出的改进算法与其他智能优化算法比较,实验结果表明,本文提出的改进算法在收敛精度和收敛速度方面有较大提升,具有良好的优化性能.     

改进的粒子群算法在动态OD矩阵反推中的应用

针对粒子群算法存在收敛速度慢和局部最优的问题,引入粒子间相对位置改进基于抗体浓度的概率选择公式,提出了一种带免疫机理的改进粒子群算法。粒子不仅根据个体极值和全局极值更新速度和位置,而且按一定概率以轮盘赌法选择某个粒子进行学习,以保持种群多样性,防止出现早熟停滞现象。并将其用于由路段流量反推OD矩阵的极大熵模型求解研究中,以重庆市某交叉路口为实例进行实验,结果表明：粒子群算法推算OD矩阵是有效、可行的,可以克服牛顿法严格依赖初始值的缺点;改进的粒子群算法比基本粒子群算法和基本遗传算法具有更好的全局寻优能力。     

Attributed multi-objective comprehensive learning particle swarm optimization for optimal security of networks

In particle swarm optimization (PSO) each particle uses its personal and global or local best positions by linear summation. However, it is very time consuming to find the global or local best positions in case of complex problems. To overcome this problem, we propose a new multi-objective variant of PSO called attributed multi-objective comprehensive learning particle swarm optimizer (A-MOCLPSO). In this technique, we do not use global or local best positions to modify the velocity of a particle; instead, we use the best position of a randomly selected particle from the whole population to update the velocity of each dimension. This method not only increases the speed of the algorithm but also searches in more promising areas of the search space. We perform an extensive experimentation on well-known benchmark problems such as Schaffer (SCH), Kursawa (KUR), and Zitzler–Deb–Thiele (ZDT) functions. The experiments show very convincing results when the proposed technique is compared with existing versions of PSO known as multi-objective comprehensive learning particle swarm optimizer (MOCLPSO) and multi-objective particle swarm optimization (MOPSO), as well as non-dominated sorting genetic algorithm II (NSGA-II). As a case study, we apply our proposed A-MOCLPSO algorithm on an attack tree model for the security hardening problem of a networked system in order to optimize the total security cost and the residual damage, and provide diverse solutions for the problem. The results of our experiments show that the proposed algorithm outperforms the previous solutions obtained for the security hardening problem using NSGA-II, as well as MOCLPSO for the same problem. Hence, the proposed algorithm can be considered as a strong alternative to solve multi-objective optimization problems.     

粒子带质量的粒子群算法

针对粒子群算法在陷入局部最优时难于跳出的缺陷提出了一种带有质量的粒子群算法。该算法受运动学原理启发,粒子位置的更新不仅受自身最优和种群最优的影响,还受到由粒子质量引起的梯度场的影响。当粒子群出现早熟现象时,用电磁学原理与动量守恒定理更新种群的最优位置,使群体能及时摆脱局部最优区域。仿真结果表明,该算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的改进粒子群算法在性能上有所改进。     

多策略融合的改进粒子群优化算法

为解决传统粒子群算法收敛精度低、收敛速度慢和易陷入局部最优的问题,提出了一种多策略融合的改进粒子群算法。首先,设计了一种基于中垂线算法的游离粒子位置更新方法,加快了游离粒子的收敛速度;其次,设计了一种在最优粒子附近生成爆炸粒子的策略,以增强算法的寻优精度和寻优速度,为适应前两个策略,还设计了一种仅依靠全局最优粒子位置的粒子速度更新策略;最后,将基于概率分层的简化粒子群优化算法的惯性权重和粒子位置更新方法用于本算法。与其他五种改进粒子群算法进行了对比实验,结果表明提出的改进算法无论是处理低维问题还是高维问题表现均具有较大优势,性能更优越。     

电动汽车分时租赁用户预约分配问题的新型电磁场优化算法求解

针对电动汽车电量对于行驶里程的限制问题,建立用户预约分配模型,以得到利润最大时的订单分配结果。该类问题属于NP-hard问题,求解具有一定困难。因此,设计一种新型离散电磁场优化算法求解方法。在基本电磁场优化算法的基础上使用二进制编码方式,改变粒子移动方式,并对负电磁场中的电磁粒子增加更新过程。将提出的新算法与遗传算法、二进制粒子群算法、改进二进制布谷鸟算法及二进制狮群算法进行对比,数值实验表明新算法具有更高的计算效率。此外,与传统分配模型相比,新订单分配模型能够获得更高的利润,说明了该模型的有效性。