当代学习自适应混合离散粒子群算法研究

针对NP-hard组合优化及粒子群算法离散化问题,提出一种当代学习自适应混合离散粒子群算法对其进行求解.依据粒子多样性的变化规律,引入自适应扰动算子,以保持种群进化能力;根据成功的粒子群社会学习能力和个体学习能力,提出粒子群当代学习因子以体现粒子当代学习能力,进而改进其运动方程,使算法稳定性得到提高;最后融入近邻搜索变异策略,提升算法局部求精能力.实验表明:当代学习自适应混合离散粒子群算法较其他三种离散粒子群算法在解的质量方面有所改进,并首次在算法稳定性上得到了较大进步,为离散粒子群算法稳定性研究提供了新的思路.     

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。     

基于改进粒子群优化的粗糙集连续属性离散化

提出一种基于改进粒子群优化的连续属性离散化算法。在算法优化方面,采用改进粒子群优化算法。为了克服传统粒子群优化的不足,对种群初始化和自适应调整粒子的惯性权重,提高了粒子群优化算法的全局寻优能力。在粗糙集属性离散化方面,主要是通过将最小断点集作为优化目标,粗糙集属性依赖度作为约束条件。仿真结果表明,该方法能有效地解决决策表连续属性离散化问题,计算速度快,收敛性好。     

基于AHTPSO的连续属性离散化算法

针对粗糙集不能较好地处理连续型属性的问题,结合粗糙集理论和粒子群算法,提出基于自适应混合禁忌搜索粒子群的连续属性离散化算法。首先,该算法通过对参数的自适应更新操作,从而避免了粒子群出现早熟的现象;然后将粒子群当代得到的全局最优粒子送入禁忌算法中进行优化,有效地提升了算法的局部探索能力;在兼顾决策表系统一致性的同时,将划分的断点初始化为一群随机粒子,通过改进后粒子群的自我迭代得到最佳的离散化划分点。实验结果表明,与其他结合粗糙集的离散化算法相比,该算法具有更高的规则分类精度和较少的离散化断点个数,对连续属性的离散化效果较好。     

采用概率选择的自适应多目标粒子群算法

针对多目标粒子群算法进行了收敛性和分布性分析,提出了一种应用概率分配的自适应调整惯性因子的粒子群优化算法。该算法通过粒子非劣排序的支配等级,设定个体的适应度数值,为增强最优解集的分散性,采用拥挤距离对适应度进行惩罚,进而根据概率选择比较获取相应的最优个体;同时算法根据粒子个体所处位置以及相应的迭代次数,对惯性因子进行了自适应调整,增强了算法的收敛性。最后通过测试函数对改进算法进行了效果验证,表明了算法的有效性。     

带扰动因子的自适应粒子群优化算法

针对标准粒子群优化算法搜索精度不高、易陷入局部最优的问题,提出了一种带扰动因子的自适应粒子群优化算法。该算法进行混沌初始化,采用自适应的惯性权重,并将扰动因子加入粒子个体极值、全局极值和位置更新公式中。通过与其它算法的数值实验对比,新算法能够有效避免局部最优,全局收敛性能显著提高,收敛速度更快。     

一种自适应指导的文化粒子群算法

针对文化粒子群算法中影响函数对群体空间的全局变异操作,易导致粒子群算法结构失效及不易收敛的缺点,将群体适应度方差引入到群体空间,提出一种自适应指导的文化粒子群算法。算法通过计算群体适应度方差判断群体空间状态,当算法陷入局部最优时,自适应地利用影响函数对群体空间进行变异更新,从而有效发挥了文化粒子群算法“双演化双促进”机制。将该算法与基本粒子群算法（PSO）、文化粒子群算法（CPSO）和自适应变异粒子群算法（AMPSO）进行比较,实验结果证明该算法不仅具有较好的全局收敛性,算法收敛速度和稳定性也都有显著提高。     

基于自适应改进粒子群优化的数据离散化算法

针对经典粗糙集只能处理离散型属性的问题,提出一种基于自适应混合粒子群优化(AHPSO)的离散化算法。首先,引入自适应调整策略,以克服粒子群易陷入局部解的缺点,提高了粒子群全局寻优能力;然后对每一代全局最优粒子进行禁忌搜索(TS),得到当代最佳全局最优粒子,增强了粒子群局部搜索能力;最后,在保持决策表分类能力不变的情况下,将属性离散化分割点初始化为粒子群体,通过粒子间的相互作用得到最佳的离散化分割点。使用WEKA平台上的J48决策树分类方法,与基于属性重要度、信息熵的离散化算法相比,该算法的分类精度提升了10%~20%;与基于小生境离散粒子群优化(NDPSO)、参数线性递减粒子群的离散化算法相比,该算法的分类精度提升了2%~5%。实验结果表明,该算法显著地提高了J48决策树的分类学习精度,在对数据离散化时也有较好的性能。     

一种自适应粒子群算法在云资源调度中的应用

通过资源调度优化提升云计算的效率并降低数据中心能耗是云计算领域的主要研究内容之一。粒子群算法常用于解决资源调度问题,然而粒子群算法在云计算资源调度应用中算法初期收敛速度快,后期收敛速度缓慢,易陷入局部寻优。本文提出了一种自适应改进的粒子群算法用于云计算资源调度问题的研究,该算法通过自适应改进粒子的个体学习因子和社会学习因子,以提高算法的全局探索能力,使得粒子逼近更优解。实验结果表明：本文提出的自适应粒子群算法不仅具备良好的收敛性和全局寻优能力,同时能够大幅度降低云资源调度中任务队列的总完成时间。     

基于粒子群优化和禁忌搜索的混合调度算法

提出了用于解决作业车间调度问题的离散版粒子群优化算法。该算法采用基于先后表编码方案和新的位移更新模型,使具有连续本质的粒子群优化算法直接适用于车间调度问题。同时,利用粒子群优化算法的全局搜索能力和禁忌搜索算法的自适应优点,将粒子群优化算法和禁忌搜索结合起来,设计了广义粒子群优化算法和粒子群—禁忌搜索交替算法两种混合调度算法。实验结果表明,两种混合调度算法能够有效地、高质量地解决作业车间调度问题。     

基于二阶振荡及自然选择的随机权重混合粒子群算法

针对粒子群算法“早熟收敛”的缺点,提出一种混合粒子群算法.该算法采用最大速度线性递减的方法平衡全局寻优能力与算法收敛精度的矛盾,并用随机权重平衡算法的全局和局部搜索能力.学习因子二阶振荡使种群在粒子数目不变的情况下维持多样性,是提高全局搜索能力的主要方法.自然选择原理使算法改善了因二阶振荡和随机权重的加入而造成收敛速度降低的情况.测试实验表明,所提出的算法能避免早熟问题,有效地提高寻优能力.     

基于多种群进化与粒子群优化混合的频谱分配算法

为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。     

基于HSDPA混合群集智能算法的多用户调度

传统的基于粒子群最优化的混合启发式算法和模拟退火算法往往以牺牲解的质量或者求解速度来实现有效的调度,为了解决这一问题,提出了一种基于高速下行分组接入（HSDPA）标准的混合群集智能算法。首先假定HSDPA标准所指定的是现实性不完善的信道状态信息（CSI）反馈,并以有限集合的形式存在于信道指示符（CQI）中;接着在最优化过程中,利用模拟退火算法和粒子群最优化算法各自的优点设计混合群集智能算法;最后利用混合算法进行数据处理,得到最优解的同时降低了复杂度,从而实现提升系统通量,达到调度最优化的目的。实验结果表明,与传统的基于粒子群最优化的算法相比,所提的混合算法取得了更好的调度效果。     

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.     

A hybrid discrete particle swarm optimization for dual-resource constrained job shop scheduling with resource flexibility

In this paper, a novel hybrid discrete particle swarm optimization algorithm is proposed to solve the dual-resource constrained job shop scheduling problem with resource flexibility. Particles are represented based on a three-dimension chromosome coding scheme of operation sequence and resources allocation. Firstly, a mixed population initialization method is used for the particles. Then a discrete particle swarm optimization is designed as the global search process by taking the dual-resources feature into account. Moreover, an improved simulated annealing with variable neighborhoods structure is introduced to improve the local searching ability for the proposed algorithm. Finally, experimental results are given to show the effectiveness of the proposed algorithm.     

多信息结合离散粒子群算法及其应用

为提高粒子群算法的搜索性能,提出了一种改进的离散粒子群算法：多信息结合离散粒子群算法。该算法在粒子群算法的基础上借鉴蚁群算法的信息素机制,重新定义了粒子的速度位置更新公式,并且引入双曲正切函数对粒子群进行初始化。通过求解背包问题对算法进行验证,实验结果表明所提算法性能较优。     

混合粒子群算法及在可靠性优化中的应用

针对粒子群算法搜索精度低和早熟收敛的缺陷,通过算法混合,提出了基于混沌与和声搜索算法思想的混合粒子群优化算法。该算法采用Tent映射,利用混沌特性提高种群的多样性和粒子搜索的遍历性,同时采用和声策略对解空间进行开发,引入了柯西变异,帮助粒子跳出局部陷阱,采用云模型的自适应策略来调整惯性权重。最后将该优化算法应用于可靠性优化设计中,仿真实验表明,改进后的混合粒子群优化算法较基本粒子群算法收敛速度加快,且不易陷入局部极值点。     

混沌时间序列的混合粒子群优化预测

提出一种混合粒子群优化算法,即在改进粒子群优化算法全局搜索模型参数的基础上,利用梯度下降法进一步确定径向基神经网络模型参数,以提高网络的收敛精度和网络性能.采用基于RBFNN的混合粒子群优化算法进行离散Henon和连续Mackey-Glass混沌时间序列预测仿真,结果表明该算法能快速精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法.     

基于人工鱼群和微粒群混合算法的WSN节点部署策略

将无线传感器网络节点分布部署问题形式化为一个组合优化问题,以网络覆盖率为目标函数。针对该模型 提出基于人工鱼群与微粒群的混合算法的无线传感器网络节点部署优化策略。微粒群算法搜索效率高,而人工鱼群 算法进行搜索时有很好的全局性。AF SA-POS算法将这两种算法相结合,局部搜索速度快,而且有效地解决了标准 PS<)算法中的粒子“早熟”问题。最后使用MA"I'LAI3进行了实验,结果表明提出的算法减少了迭代次数,并且提高了 网络覆盖率,相对于人工鱼群算法和微粒群算法来说能取得更好的效果。     

Flexible job-shop scheduling with tolerated time interval and limited starting time interval based on hybrid discrete PSO-SA: An application from a casting workshop

In this paper, we addressed two significant characteristics in practical casting production, namely tolerated time interval (TTI) and limited starting time interval (LimSTI). With the consideration of TTI and LimSTI, a multi-objective flexible job-shop scheduling model is constructed to minimize total overtime of TTI, total tardiness and maximum completion time. To solve this model, we present a hybrid discrete particle swarm optimization integrated with simulated annealing (HDPSO-SA) algorithm which is decomposed into global and local search phases. The global search engine based on discrete particle swarm optimization includes two enhancements: a new initialization method to improve the quality of initial population and a novel gBest selection approach based on extreme difference to speed up the convergence of algorithm. The local search engine is based on simulated annealing algorithm, where four neighborhood structures are designed under two different local search strategies to help the proposed algorithm jump over the trap of local optimal solution. Finally, computational results of a real-world case and simulation data expanded from benchmark problems indicate that our proposed algorithm is significant in terms of the quality of non-dominated solutions compared to other algorithms.