基于粒子群优化算法的装配序列规划研究

针对装备制造业中存在的装配序列规划问题,建立最小化装配次数和方向改变次数之和为目标的优化模型。针对优化模型提出具有随机性特点的初始种群启发式编码,设计粒子群算法。为避免粒子陷入局部最优,采用不同程度的局部搜索操作方式,达到增强粒子群算法局部搜索的能力。实例验证表明,该算法在解决装配序列规划问题上具有优势,求解效果较好。     

一种基于混沌序列的粒子群优化算法

提出了一种基于混沌思想的粒子群优化算法,它利用粒子群优化算法收敛速度快和混沌运动遍历性的特点,对于陷入局部极小点的粒子,引入混沌序列重新初始化,从而使惰性粒子能够跳出束缚并快速搜寻到全局最优解。对几个经典函数的测试计算表明,其在收敛速度和精度上均优于标准的PSO算法。     

基于组合混沌序列动态粒子群算法的电力系统无功优化

无功优化对提高电力系统的安全性和稳定性具有重要意义.针对传统粒子群算法在求解大规模、强非线性无功优化时易陷入早熟、局部收敛等问题,应用Logistic混沌优化方法,充分利用其遍历性进行寻优.另外,为保障粒子群算法初值的均匀性,结合Chebyshev映射和Logistic映射,引入一种组合混沌映射并将其应用于粒子初始化,提高初始变量的均匀性,从而提高算法全局寻优能力.对粒子群速度更新过程中存在的惯性取值问题,引入一种基于种群速度的动态惯性权重策略.最后将这一算法应用于电力系统无功优化.算例表明,算法具有较强的全局搜索能力和较高的效率.     

基于双种群的动态交换策略的粒子群优化算法

提出了一种基于双种群的动态交换策略的粒子群优化算法.该算法将初始种群划分为两个子群P1和P2,而P1和P2遵循不同的寻优机制,然后通过对个体极值(pBest)和全局极值(gBest)的选取进行调整,并在迭代过程中动态的交换两个子群的个体,从而能够更好的完成多目标优化算法对于Pareto front 的搜索和逼近.通过对标准测试函数的实验,证明了该算法的可行性和有效性.     

基于粒子群算法的电路测试集优化

研究电路测试集的优化,提出基于粒子群算法的电路测试集的静态压缩方法.粒子群向最优解方向演绎,利用适应度函数来评价各粒子的优劣.实验电路的验证结果表明,同时适用于时序电路和组合电路,与基于遗传算法的电路测试集优化相比,该算法能够更大限度地优化测试集,需要更少的存储空间.     

基于粒子群优化算法的多阈值图像分割

为确定图像分割的最佳阈值，基于粒子群优化算法提出了一种多闽值图像分割方法．由最大熵或最大类间方差法得到优化的目标函数，用粒子群算法对其进行优化，得到分割的最佳阈值，并用该阈值对图像进行分割．将分割结果与遗传算法的多阈值分割结果相比较可以看出，该算法不仅可实现正确的图像分割，并可使分割速度大大提高．     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法．介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用，并对其将来的发展进行了展望．     

基于粒子群算法的城市接驳公交网络优化调度方法

为提高公共交通分担能力和解决轨道交通与交通出行起讫点之间的公共交通接驳优化调度问题,提出了轨道与公交的接驳公交网络优化模型.模型主要考虑不同接驳站点在不同时间对轨道交通和交通出行起讫点之间的接驳需求建立多目标模型.分析选用粒子群算法对所建立的多目标优化模型进行分析求解,比较了在轨道接驳需求下多种车队规模的调度线路、时刻安排状况,得到轨道线路邻近区域内接驳网络的优化调度,当车队规模在定值时即可满足接驳轨道交通的换乘需求,优化调度使得平均满载率显著下降,另外,验证了接驳公交网络基于粒子群算法的优化调度可有效降低营运消耗.     

基于粒子群算法的无人机航迹规划问题

首先将无人机航迹问题转换为多目标的TSP问题数学模型,建立了航迹规划问题的数学模型.然后将轨迹规划问题转换成一个求最短路径的单目标的有约束是优化问题,针对这类问题的求解,采用了一种新的粒子群算法并利用软件编程求解.最后验证了结果的可行性,同时讨论了结果的稳定性和收敛性.     

微粒群优化算法

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术。具有典型的群体智能的特性．介绍了微粒群算法的基本原理及其改进算法。从群体组织与进化以及混合微粒群算法等方面对国内外微粒群算法的研究进展进行综述．     

Drilling Path Optimization Based on Particle Swarm Optimization Algorithm

This paper presents a new approach based on the particle swarm optimization (PSO) algorithm for solving the drilling path optimization problem belonging to discrete space.Because the standard PSO algorithm is not guaranteed to be global convergence or local convergence,based on the mathematical algorithm model,the algorithm is improved by adopting the method of generate the stop evolution particle over again to get the ability of convergence to the global optimization solution.And the operators are improved by establishing the duality transposition method and the handle manner for the elements of the operator,the improved operator can satisfy the need of integer coding in drilling path optimization.The experiment with small node numbers indicates that the improved algorithm has the characteristics of easy realize,fast convergence speed,and better global convergence characteris- tics.hence the new PSO can play a role in solving the problem of drilling path optimization in drilling holes.     

基于多样性优化策略的粒子群算法

针对标准粒子群优化算法(SPSO)存在粒子群多样性丢失而易陷入局部最优的问题,提出了一种改进优化算法(PSOBF),该算法通过引入排斥操作而提高了搜索效率.通过对4个标准测试函数的性能数值实验对比,并比较了PSOBF、SPSO及ARPSO算法结果,证实PSOBF可以较好地实现全局与局部搜索的平衡,表明改进算法是有效的.     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

基于熵模型的动态粒子群优化算法

受多种群并行寻优机制的启发,提出了一种基于熵模型的动态粒子群优化算法(entropy dynamic multiPSO,EDM-PSO)用于处理动态优化问题.将解空间划分为多个子空间,在每个子空间中利用熵模型增加种群多样性,多种群并行搜索,利用多点环境检测机制检测环境变化.对动态多峰benchmark优化问题进行了数值实验,并与其他几种动态优化算法进行了比较,结果表明:EDM-PSO算法对于处理动态优化问题具有优势.     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

粒子群优化算法的研究与展望

粒子群优化算法是一种基于群智能的随机优化算法,具有简单易实现、设置参数少、全局优化能力强等优点.着重对粒子群优化算法中的基本算法、改进算法、应用领域和研究热点等方面做了较为详细的论述.     

基于微粒群算法的投资组合分析

介绍了将微粒群算法应用于求解均值．方差一峰度投资组合模型,分析了模型中的参数和求解结果之间的关系,并选取深交所4只股票来进行模拟仿真,最后仿真的结果说明微粒群算法对均值一方差．峰度模型是有效的。