求解自动化药房储位优化问题的GA-PSO混合粒子群算法

通过对自动化药房快速发药系统的储位优化所受约束条件和目标函数的分析,基于静态存储理论,建立了该问题的数学模型,提出了利用GA-PSO混合粒子群算法来解决此问题.该算法引入了遗传算法的搜索机制形成初始粒子群,并引入"交叉"和"变异"的概念形成离散粒子群算法.在优化的过程中,采用精英策略和进化逆转操作提高了搜索能力和寻优速度.对陷入局部最优的粒子群进行变异,使粒子群在新的引导下改变方向,继续寻找问题最优解,从而避免了粒子重复收敛于一点的现象.仿真试验结果表明,该策略是有效的,在求解速度和求解质量上得到了很大提高.     

基于动态扰动项的禁忌粒子群优化算法

针对粒子群优化算法后期收敛速度慢,且容易陷入局部最优解的缺点,在算法中加入动态扰动项,改变了速度的更新公式,使粒子可以跳出局部极值.后期引入禁忌搜索算法,充分利用禁忌搜索的记忆能力和爬上能力,能够快速搜索到全局最优解.通过对测试函数的仿真实验表明,采用动态扰动项的禁忌粒子群优化算法更能提高收敛速度,获得全局最优解.     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法,该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点.在迭代过程中,粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度.通过变异,粒子可有效地探索新的空间领域,从而可以有效地避免陷入局部最优解.Benchmark函数实验结果表明,优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力.     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法，该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点．在迭代过程中，粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度．通过变异，粒子可有效地探索新的空间领域，从而可以有效地避免陷入局部最优解．Benchma呔函数实验结果表明，优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力．     

基于禁忌搜索的混合粒子群优化算法

针对粒子群优化算法（PSO）易于陷入局部最优解并存在早熟收敛的问题,利用禁忌搜索算法较强的“爬山”能力,搜索时能够跳出局部最优解,转向解空间的其他区域的特点,提出了一种新的基于禁忌搜索（TS）的混合粒子群优化算法（TS—PSO）,并选用两个函数进行测试．结果表明,TS—PSO比其他改进粒子群算法更能提高收敛速度,获得全局最优解．     

基于禁忌粒子群优化的FCM聚类方法

针对模糊C-均值算法(FCM)对初始值敏感的问题,提出禁忌搜索粒子群算法来优化FCM算法初始聚类中心.该混合算法是以粒子群算法为主体,禁忌算法针对粒子群算法的输出做更新,以避免单一使用粒子群算法而陷入局部最优的困境.算法保留了粒子群算法的并行处理能力,同时利用了禁忌搜索算法跳出局部最优解的特性,加快了整体算法的收敛速度并提高了聚类的准确率.     

多车场带时间窗车辆路径问题的粒子群优化算法

针对粒子群算法解决多车场带时间窗车辆路径问题时产生不可行解较多的问题,设计了对不可行解根据个体极值进行调整的策略,优化不可行解的粒子群算法,并且引入变异算子,增强了粒子寻找最优解的能力.实验结果表明,该算法可以快速求得多车场带时间窗车辆路径问题的目前最优解,提高算法的精度,加快收敛速度,跳出局部最优.     

非完整运动规划的粒子群优化算法

讨论了粒子群优化和非完整运动规划问题。首先对粒子群优化算法的性能进行了分析，发现当搜索空间的维数较高时，粒子群将收敛到子空间的一个局部最优点，而该点并不是整个搜索空间的局部最优点。通过引入变异算子，则可以改进粒子群优化算法的性能。在此基础上，提出了一种求解非完整运动规划问题的带变异算子的粒子群优化算法。仿真结果表明，对于30维的球形函数，无变异操作的粒子群优化算法不能得到问题的最优解，而最优解可以非常容易地由带变异操作的粒子群优化算法得到。对独轮移动机器人非完整运动规划问题进行了仿真。结果表明，粒子群优化算法比牛顿法更有效。     

一种遗传量子粒子群的属性约简算法

针对粒子群算法收敛速度不佳和易陷入局部最优的问题,提出了一种遗传量子粒子群优化(GQPSO)的属性约简算法,GQPSO算法利用量子系统较大的搜索范围,并借鉴遗传算法的选择、变异等操作,从而避免了算法过早收敛至局部最优,且能得到可观的收敛速度。实验结果表明,GQPSO算法具有更快的收敛速度和全局搜索能力,提高了属性约简的效率。     

双评价粒子群优化算法

提出了双评价粒子群优化算法．该算法可对迭代后的粒子进行位置和适应值的双评价,并可根据评价结果对适应值和位置不好的粒子进行柯西变异或者高斯变异,克服了标准粒子群优化算法因对迭代后粒子的优劣不进行评价而使部分粒子进行无意义的探索和开发的缺陷．实验结果表明改进的算法加快了粒子群的探索速度,提高了开发全局最优解的精度．