动态学习混沌映射的粒子群算法

传统粒子群优化算法（PSO）对社会认知部分与自我认知部分都采用恒定学习常数,一定程度上限制种群全局协调能力。在算法收敛后期种群多样性丧失而导致全部个体收敛于搜索空间中的某一点,这易诱发早熟现象。针对这种缺陷提出一种动态学习混沌映射的粒子群优化算法（VLCMPSO）。在算法初期迭代中应多考虑自身记录的最佳点,在算法后期应快速向种群最佳点收敛,因而设计一种进行协调的动态学习因子。为克服早熟现象,判断种群多样性方差低于设定阈值时,以混沌映射的方式将该代最优个体位置更新且以新的方式进行优化操作。经实验证明新算法在收敛速度与精度上都具有更好的性能。     

基于类圆映射的多目标粒子群优化算法

针对多目标优化求解的问题,提出一种基于类圆映射的多目标粒子群优化算法(qMOPSO).首先,利用类圆映射技术将高维空间的解集映射到二维坐标平面,监控粒子种群的进化状态.其次,为了兼顾种群的收敛性和分布性,采用类圆占优和类圆扇块距离的概念设计了新的档案集管理策略.另外,根据种群分布熵变化情况,选择全局最优粒子,指导种群进化方向.最后,基于换维思想和淘汰机制,采用一种新的综合管理策略,提高种群寻优性能.所提算法采用三类测试函数和五种对比算法进行了对比实验.仿真实验证明,该方法是正确、有效的.     

基于离散粒子群算法的排课问题研究

针对高校排课问题,提出了一种改进的离散粒子群算法.采用基于矩阵的编码方式,对粒子的位置和速度更新方法进行重新定义.利用C#言实现了一个基于离散粒子群算法的排课系统.并以不同学院一个学期的课程表为依据对系统进行了评估,结果验证了粒子群算法在排课系统中应用的可行性,在一定程度上解决了高校复杂的排课难题,实现了智能化、人性化的排课过程.     

基于多目标免疫算法的NoC映射优化

片上网络映射算法对系统的功耗、可靠性等性能有重大影响。引入新的抗体初始化算子和抗体变异算子,提出一种多目标映射免疫算法,以降低系统功耗,提高系统可靠性,避免产生额外的资源开销。算法中新的抗体初始化算子利用贪心算法产生初始抗体,新的抗体变异算子通过交换IP核位置减小通信距离,对解进行优化,从而降低由变异随机性产生的退化风险。根据网络的动态特性,提出一种新的功耗模型,使得功耗计算更准确。仿真结果表明,该算法能够有效降低功耗,提高可靠性。     

混沌映射的多种群量子粒子群优化算法

针对量子粒子群优化算法存在早熟收敛的问题,提出一种基于Logistics混沌映射变异的多种群量子粒子群优化算法（CMQPSO）,采用分段Logistics混沌映射生成初始粒子群,根据适应度值将群体分为顶层和底层种群。顶层出现聚集时才进行高斯扰动,底层种群则按概率通过Logistics混沌变异生成分布更为均匀的粒子,提高种群的多样性,从而较好地平衡了算法的局部和全局搜索能力。对测试函数的计算表明算法较QPSO等其他算法在搜索能力和收敛速度方面有明显改进。分析了算法重要参数停滞阈值[Cσ]和比例系数[S]对搜索性能的影响,给出合理的取值范围。     

基于通信链路的NoC映射算法

片上网络映射算法对系统通信能耗、延时等性能具有重大影响。基于通信链路通信量大小,提出一种改进的多目标遗传映射算法,以降低系统能耗和延时。算法中提出根据通信链路通信量大小决定任务在网络拓扑中映射位置的方式来产生初始染色体,并通过改进的变异操作产生新的子代,有效降低了算法复杂度,加快了算法的收敛速度。实验通过NIRGAM仿真平台进行,结果表明,与传统的多目标遗传算法相比,在实际应用DVOPD中,能耗降低了49.76%,通信延时降低了53.23%;在VOPD实验中,能耗和延时分别降低了29.54%和32.45%;而MPEG-4的能耗和延时则分别降低了45.72%和49.40%。同样,提出的算法与模拟退火算法相比,能耗和延时性能也有明显提高。     

一种基于相角映射的改进多目标粒子群优化算法

提出一种相角粒子群优化算法求解多目标优化问题。该算法采用相角映射实现了粒子在相角空间上仅依赖于归一化多目标函数的快速搜索,在粒子飞行信息共享机制上引入共享池概念,提出基于关联支配排序和相似度排序的共享池更新策略,提高了Pareto解的多样性。采用Sigma领导策略和混沌变异操作,平衡了算法的快速搜索能力和全局寻优能力。标准多目标测试函数和电力系统广域阻尼控制多目标优化算例表明了所提出算法的可行性和有效性。     

基于Arnold映射的改进粒子群算法

粒子群算法是一种广受关注的启发式全局最优搜索算法.在分析现有的一些改进算法的基础上,提出了一种利用Arnold混沌映射和单维度扰动项的改进粒子群算法.算法通过改善单个粒子的搜索活力来增强粒子群的全局最优搜索能力.仿真测试表明,该算法能够较好地保持种群的多样性,粒子群优化性能有较大提高.     

基于离散粒子群算法的机房排课问题研究

粒子群优化算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性。本文通过改造离散粒子群算法使之适合机房排课问题的求解。从而达到为机房排课问题的解决提供一种新的思路。     

一种改进的多群协作粒子群优化算法

提出了一种改进的多群协作粒子群优化算法,该算法整个种群采用主从模式,分为一个主群和多个从群,多个从群粒子统一地进行初始化操作,从而避免了多个粒子群重复搜索现象。同时,算法采取了一种扰动策略,即当前全局最优解在扰动因子的迭代周期内保持不变时,就重置粒子的速度,迫使粒子群摆脱局部极小。该算法不仅增加了种群的多样性,扩大了搜索范围,而且还改善整个种群易陷入局部极小值的缺陷。通过9个基准函数进行测试,实验结果表明,IMCPSO与MCPSO算法相比具有明显的优越性。     

基于蚁群混沌行为的离散粒子群算法及其应用

考虑蚁群算法与粒子群算法的各自特点,在粒子群算法的基础上借鉴蚁群算法的信息素机制,对粒子群算法的速度位置更新公式重新定义,提出了一种基于蚁群混沌行为的离散粒子群算法,并将其应用到背包问题中。实验结果表明,该算法可以得到较优解。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中,平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键,多数已提出的方法仅依靠一种策略引导粒子搜索,在解决复杂问题时算法收敛性和多样性不足.为解决这一问题,提出一种基于种群分区的多策略自适应多目标粒子群优化算法.采用粒子收敛性贡献对算法环境进行检测,自适应调整粒子的探索和开发过程;为准确制定不同性能的粒子的搜索策略,提出一种多策略的全局最优粒子选取方法和多策略的变异方法,根据粒子的收敛性评价指标,将种群划分为3个区域,将粒子性能与算法寻优过程结合,提升种群中各个粒子的搜索效率;为解决因选取的个体最优粒子不能有效指导粒子飞行方向,使算法停滞,陷入局部最优的问题,提出一种带有记忆区间的个体最优粒子选取方法,提升个体最优粒子选取的可靠性并加快粒子收敛过程;采用包含双性能测度的融合指标维护外部存档,避免仅根据粒子密度对外部存档维护时,删除收敛性较好的粒子,导致种群产生退化,影响粒子开发能力.仿真实验结果表明,与其他几种多目标优化算法相比,该算法具有良好的收敛性和多样性.     

基于蚁群优化算法的NoC映射

功耗问题正逐渐成为NoC领域的研究热点,很多研究人员都在研究NoC功耗最小化的设计技术。文章采用一种有效的蚁群优化算法实现了NoC映射：在自动映射处理单元的同时,尽可能地减少了系统的通讯功耗。实验结果表明采用蚁群优化算法可以很快地收敛;针对不同的应用,可以减少25％-70％通讯功耗。     

求解二次分配问题的离散粒子群优化算法

提出了一种求解二次分配问题的离散粒子群优化算法. 根据二次分配问题及离散量的特点, 重新定义了粒子的位置、速度等量及其运算规则, 为抑制早熟停滞现象, 为粒子和粒子群分别定义了个体多样性和平均多样性. 算法中定义了排斥算子来保持粒子群的多样性, 使用局部搜索算子来提高算法的局部求精能力, 使算法在空间勘探和局部求精间取得了较好的平衡. 在 QAPLIB 的实例上的仿真结果表明, 离散粒子群优化算法具有良好的性能.     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

基于混沌序列的自适应粒子群优化算法

提出一种改进粒子群局部搜索能力的自适应优化算法。通过大量仿真试验,考察粒子平均速度和收敛性之间的关系,给出一种新的自适应调整权重策略。以粒子平均速度作为反馈信息,动态调整权重因子,控制粒子速度并使其沿理想速度曲线下降。在搜索过程中引入混沌序列以改进算法的局部搜索能力。对经典函数的测试结果表明,改进的混合算法通过微粒自适应更新机制确保了全局搜索性能和局部搜索性能的动态平衡,在稳定性和精度上均优于普通PSO算法。     

求解TSP问题的自逃逸混合离散粒子群算法研究

通过对旅行商问题（TSP）局部最优解与个体最优解、群体最优解之间的关系分析,针对DPSO算法易早熟和收敛慢的缺点,重新定义了离散粒子群DPSO的速度、位置公式,结合生物界中物种在生存密度过大时个体会自动分散迁徙的特性和局部搜索算法（SEC）后,提出了一种新的自逃逸混合离散粒子群算法（SEHDPSO）.自逃逸思想是一种确定性变异操作,能使算法中陷入局部极小区域的粒子通过自逃逸行为进行全局寻优,从而克服算法易早熟的缺陷.仿真结果表明,SEHDPSO算法比混合蚁群算法（ACS＋2-OPT）具有更好的收敛性和搜索效率.     

求解车辆路径问题的离散粒子群算法

考虑车辆行驶时间和顾客服务时间的不确定性,建立了以车辆配送总费用最小为目标的机会约束规划模型,将其进行清晰化处理,使之转化为一类确定性数学模型,并构造了求解该问题的一种离散粒子群算法。算法重新定义了粒子的运动方程及其相关离散量运算法则,并设计了排斥算子来维持群体的多样性。与标准遗传算法和粒子群算法比较,该算法能够有效避免算法陷入局部最优,取得了满意的结果。