基于蛙跳退火粒子群算法的民航发动机单元体修理级别决策及成本优化

针对民航发动机单元体送修工作范围决策及全寿命维修成本优化问题，提出了以返厂时间间隔为变量的基于蛙跳退火粒子群优化算法的发动机单元体修理级别决策及成本优化模型。首先，考虑维修指导手册中的各单元体送修逻辑图及限寿件到寿更换情况，构建了发动机送修成本函数。其次，借助蛙跳退火粒子群优化算法确定了全寿命期间内不同返厂次数的送修成本及各单元体维修等级。最后，通过算例将所提算法与基本粒子群优化算法、退火粒子群优化算法、混合蛙跳优化算法进行对比，分析了不同返厂次数对送修成本及可靠性的影响。实验结果表明，当发动机在全寿命期内进行5次返厂送修时，蛙跳退火粒子群优化算法的成本平均值为322.479 1美元/飞行小时，与其他三种优化算法相比成本最优，可为航空公司和大修企业提供送修决策支持。     

基于粒子群算法的混洗蛙跳算法

基于模因进化的演化算法是一种模拟自然界生物进化或社会种群活动的随机搜索方法。本文介绍一种基于新的智能搜索算法——混洗蛙跳算法的改进演化算法。对SFLA算法和PSO算法的基本原理进行阐述,为了更好地改进SFLA算法局部搜索能力差、收敛速度降低,将粒子群优化算法（PSO）与混洗蛙跳算法（SFLA）相结合,提出一种改进的混洗蛙跳算法（SFLA）,能够提高算法的局部搜索能力和稳定性。该算法比上述两种算法具有更好的性能,特别是对函数优化等问题计算效果更好。     

基于蛙跳算法的离散粒子群优化端元提取

目的 针对离散粒子群优化(D-PSO)端元提取算法易“早熟”,易陷入局部最优解等问题,引入蛙跳算法,提出了基于蛙跳算法的离散粒子群优化(SFLA-DPSO)端元提取算法.方法 该算法把粒子群分成若干族群,先在每个族群内进行深度寻优,然后在族群间完成信息交流,实现了SFLA算法的全局性、并行性与D-PSO算法的快速收敛性相结合,进而避免粒子陷入局部最优解.分别用SFLA-DPSO、D-PSO和SMACC对云南普朗地区Hperion高光谱影像提取端元;同时,在Hperion和AVIRIS高光谱影像的可行解搜索空间内,分别用SFLA-DPSO、D-PSO和N-FINDR提取端元,借助统计学理论分析计算两种算法在不同迭代次数下达到全局收敛的概率.结果 当达到一定迭代次数后,SFLA-DPSO出现全局收敛的概率基本达到100%,而D-PSO却仅在65%左右,因此SFLA-DPSO算法具有较高的可信度.结论 从而认为SFLA-DPSO克服局部收敛的能力更强,表现出良好的稳定性.     

基于免疫进化的粒子群混洗蛙跳算法

为了避免混洗蛙跳算法易于出现不成熟收敛,提高求解质量,提出了基于免疫进化的粒子群混洗蛙跳算法。该算法将粒子群算法中粒子追踪全局极值的思想融入混洗蛙跳算法中,对族群内的最差个体同时跟踪族群内和全局两个最优个体的信息,进行深度搜索;并引入免疫进化算法对群体中的最优个体进行免疫进化迭代计算,以达到充分利用最优个体的信息的目的。该算法不仅避免了陷入局部极值的局限,以更高的精度逼近全局最优解,而且能加速收敛。对多个典型测试函数的计算表明：基于免疫进化的粒子群混洗蛙跳算法比传统的混洗蛙跳算法具有更好的寻优能力、稳定效果和更快的收敛速度。     

基于量子粒子群搜索策略的混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的群体智能优化算法。针对基本混合蛙跳算法局部搜索能力差,因而优化精度低、收敛速度慢的缺点,引入量子粒子群算法的搜索策略,提出了一种基于量子粒子群搜索策略的混合蛙跳算法（QPSO-SFLA）。通过对基准函数进行测试,实验结果表明改进的算法大大提高了算法的收敛速度,增强了算法的寻优能力。     

基于混洗蛙跳和粒子群优化算法的块自增纹理合成

针对基于样图的纹理合成技术,提出了一种基于混洗蛙跳和粒子群优化算法的块自增纹理合成方法。该方法在纹理合成过程中,通过选取尺寸按2的倍数不断增大的纹理块来提高纹理合成的速度,将混洗蛙跳算法和粒子群算法相结合,作为纹理块匹配的寻优策略,以提高纹理块的查找速度和全局搜索性能。实验结果表明,该方法在保证纹理合成质量的前提下,能够显著地提高基于样图的纹理合成速度,并能克服粒子群算法易陷入局部最优解的缺陷。     

多种群粒子群算法与混合蛙跳算法融合的研究

针对粒子群算法和混合蛙跳算法在复杂函数寻优上易于陷入局部最优值的缺点,提出一种新的粒子群与混合蛙跳融合算法.算法采用多种群粒子群方法,每次进化后,将各子群中的最优粒子组成新的群体,采用混合蛙跳模式进化,以提高种群的多样性.粒子群各子群的进化模式中,除考虑本子群最好的粒子外,还考虑整合群体最好的粒子.相对于其它一些改进的粒子群或混合蛙跳算法,融合算法概念简单,易于实现,具有良好的全局搜索能力和较快的收敛速度.基准测试函数的仿真结果表明,本文算法优于目前一些常见的改进粒子群算法.     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

粒子群和蛙跳的混合算法求解车辆路径问题

提出一种求解物流配送车辆路径问题的改进粒子群算法。新算法采用粒子群算法产生阶段最优解,利用蛙跳算法对阶段最优解进一步优化。实验表明,此算法是解决车辆路径问题的一个有效算法。     

基于模拟退火粒子群算法的认知引擎研究

认知引擎的基本功能之一就是根据复杂多变的无线环境及业务需求,利用多目标优化策略,自适应地调整无线参数,实现动态环境下的可靠通信。目前,很多研究的重点集中在遗传算法(GA)及其改进算法上,但其收敛速度较慢,不利于复杂多变以及实时性要求较高的系统。对此,提出一种模拟退火粒子群算法(SABPSO),它采用模拟退火与粒子群算法交替迭代的方式,协同寻优。其可有效提高收敛速度,并克服基本粒子群算法易于陷入局部极值的缺点,增强全局寻优能力。最后,在不同通信模式下,利用多载波系统进行仿真,结果表明,SABPSO算法在收敛速度和平均适应度上优于基本算法。     

混合蛙跳算法研究综述

针对混合蛙跳算法(SFLA)是一种结合了基于遗传基因的模因演算算法和基于群体觅食行为的粒子群优化算法的亚启发式协同搜索群智能算法,系统地介绍了SFLA的基本原理和算法流程,讨论了SFLA的研究进展和应用现状,并指出了SFLA的发展趋势和下一步的研究方向.     

基于模拟退火算法的可逃逸粒子群算法

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。     

基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。     

离散微粒群算法求解批量流水线调度问题

提出了解决批量流水线调度问题的离散微粒群优化算法。该算法采用了基于工序的编码方式,设计了新的粒子生成公式,从而使微粒群算法可以直接应用于调度问题。同时,针对微粒群算法容易陷入局部最优的缺陷,将其与模拟退火算法结合,得到了改进的微粒群优化算法。仿真实验表明了上述算法的有效性。     

基于伪差分扰动的混合蛙跳算法研究

为了充分发掘混合蛙跳算法求解复杂优化问题的能力,提出了一种新颖的改进混合蛙跳算法.改进算法借鉴粒子群优化算法的速度更新方式,通过族群中随机个体、最优个体和最差个体间的位置关系来确定最差个体的更新步长;借鉴差分进化思想,通过伪差分变异产生虚拟个体来更新最差个体,以提高种群开拓能力.通过对四个典型测试函数的仿真实验表明,相比其他几种改进算法,改进算法以100％的概率找到了某些函数的理论最优值,寻优效果更好,收敛成功率更高.     

复形法粒子群优化算法研究

针对基本粒子群优化算法对复杂函数优化时难以获得最优解的缺陷,提出了一种复形粒子群优化算法。该算法采用复形法来提高粒子的局部搜索能力,从而保证了算法能够跳出局部最优,获得全局最优解。实验结果表明,与文献算法相比,该算法在基准函数优化时具有更强的寻优能力和更高的搜索精度。