基于双种群交叉学习的粒子群优化算法

粒子群优化算法因其支配参数少、收敛速度快、易于实现等特点被广泛应用,但是粒子群优化算法存在精度低、容易陷入局部优化的问题。为此提出一种基于双种群交叉学习的粒子群优化算法。在该算法中,整个种群被分为普通子种群和精英子种群。普通子种群采用综合变异机制,该机制通过设置概率参数使普通子种群随机选择朝着优秀粒子的方向或者保持自身方向进行变异,以侧重寻找可能解区域。精英子种群则采用交叉学习机制,将粒子的历史最优和全局最优个体进行交叉生成范例,从而引导粒子对可能解区域进行局部搜索,还提出了一种非线性惯性权重来平衡粒子的全局勘探和局部开发能力。为了验证算法的有效性,在十六个基准问题上进行测试并与其他七种粒子群优化算法变体比较,实验结果表明该算法在求解精度和收敛速度总体排名第一,验证了该算法求解性能优于其他粒子群优化算法变体。     

求解动态优化问题的多种群竞争差分进化算法

针对动态优化问题（DOP）的求解,提出结合多种群方法和竞争策略的差分进化算法（DECS）。首先,将一个种群作为侦测种群,通过监测种群中所有个体的评价值和种群维度来判断环境是否发生变化。其次,将余下多个种群作为搜索种群,独立搜索环境中的最优值。在搜索过程中,引入排除规则,避免多个搜索种群聚集在同一个局部最优的邻域。在迭代若干代后对各搜索种群执行竞争操作,保留评估值最优个体所在的种群并对该种群的下一代个体生成采用量子个体生成机制,而对其他搜索种群重新初始化。最后,利用7个测试函数的49个动态变化问题对DECS进行验证,并将实验结果与人工免疫算法（Dopt-aiNet）、复位粒子群优化（rPSO）算法、改进差分进化（MDE）算法进行比较。实验结果表明,在49个问题上,DECS有34个问题的平均离线误差期望小于Dopt-aiNet算法,所有问题的平均离线误差期望都小于rPSO算法和MDE算法,因此DECS对DOP求解动态优化问题是可行的。     

一种新型的动态粒子群优化算法

为了改进标准粒子群优化算法全局搜索性能,提出了一种种群动态变化的多种群粒子群优化算法。当算法搜索停滞时,把种群分裂成2个子种群,通过子种群粒子随机初始化及个体替代机制增强种群多样性,两个子种群并行搜索一定代数后,通过混合子种群来完成不同子种群中粒子的信息交流。收敛性分析表明,本文算法能以概率1收敛到全局最优解。实验结果表明,本文算法具有较好的全局寻优能力和较快的收敛速度。     

一种动态分组的粒子群优化算法

针对粒子群优化算法易陷入局部最优的问题,提出一种动态分组的粒子群优化算法.通过对鸟群习性的研究,给出交互粒子的概念,并在粒子群优化过程中引入动态分组机制,将种群动态划分成多个子种群,且每次划分的子种群数目是从特定集合中随机选取,从而增加交互粒子划分到同一子种群的概率.每个子种群在收敛进化的同时,利用环拓扑结构提高种群多样性及算法搜索全局最优解的能力.实验结果表明,与其他粒子群优化算法相比,该算法具有更好的稳定性、寻优性能以及更高的收敛精度.     

节点约束型链路分离算法

针对节点约束型链路分离问题中的两条链路需经过各自必经点集的特点,提出一种以遗传算法和迪杰斯特拉算法为基础的节点约束型链路分离算法。通过改进的遗传算法得到较优的必经点序列,利用带有禁忌搜索的迪杰斯特拉最短距离算法求必经点对之间的无环最短路径,采用禁忌边的方式保证路径间重边最少。得到起点到终点之间的两条受必经点约束的路径,路径内无环路、路径间重边最少。大量模拟仿真实验结果表明了该算法的有效性和可行性。     

吸引子权重改变内嵌区域震荡搜索粒子群算法

针对粒子群算法搜索精度不高、搜索最优解较慢的问题,提出了一种改进的粒子群算法。该算法通过调整全局最优解和个体最优解,形成一个新的全局吸引子解指导粒子收敛,优化种群粒子来搜索解空间的最优值。再将优化方案融入到内嵌区域震荡搜索的粒子群算法（RSPSO）中,仿真结果表明,改进的粒子群算法在寻优能力及搜索精度方面都得到了进一步的提高。     

改进型粒子群优化算法求解车辆径优化问题

为了避免粒子群算法求解车辆路径问题容易陷入局部最优,提出了扫描-粒子群算法。运用扫描算法对矿点进行扫描,生成初始可行解链,将其作为粒子的初始位置代入到粒子群中搜索,得到粒子种群历史最优位置,将种群粒子最优位置逆转录生成对应的可行解链。将改进型粒子群算法用于求解郑州煤电物资供销有限公司的车辆调度问题同时将该算法与经典的粒子群算法和遗传算法做了对比实验,仿真实验结果表明,改进型粒子群算法可以更快速、更有效求得车辆路径问题的最优解。     

基于k-shell的复杂网络最短路径近似算法

复杂网络最短路径经典算法的处理效率较低，不适用于大规模复杂网络，而现有近似算法通用性有限，且计算准确率不理想，不能满足规模日益扩大的复杂网络中的最短路径计算需求。针对于此，提出基于[k]-shell的复杂网络最短路径近似算法。算法利用节点的[k]-shell值进行网络划分并引导搜索路径，利用超点聚合处理[k]-shell子网来降低路径搜索中节点和连边的规模，通过在路径搜索过程使用双向搜索树方法提高算法的计算效率和准确率。实验结果表明，算法通用性较好，在现实与仿真大规模复杂网络中均具有较高的计算效率和准确率。     

基于PAM和均匀设计的并行粒子群优化算法

聚类技术是数据挖掘中的一个重要方法,PAM（Partitioning Around Medoids）是基于分区的聚类算法的一种,它试图将[n]个数据对象分成[k]个部分。在并行粒子群PSO（Particle Swarm Optimization）算法中,需要划分整个种群为几个相互不重叠的子种群。因此,引入PAM来划分整个种群。通过聚类,相同子种群的粒子相对集中,从而能够较容易地相互学习。这使得有限的时间能够花费在最有效的搜索上,以便提高算法的搜索效率。为了均匀地探测整个解空间,引入均匀设计来产生初始种群,使种群成员均匀地分散在可行解空间中。进化过程中,均匀设计也被引入来替换种群中的较差个体。提出基于PAM和均匀设计的并行粒子群算法,它结合并充分利用了二者的优点。对几个测试问题的实验结果证明,提出的算法比传统的并行粒子群算法具有更高的性能和更好的收敛准确性。     

过必经节点集的动态剪枝搜索算法

针对过必经节点集的最短路径问题,提出一种基于动态减枝策略的深度优先搜索算法（Depth First Search based on Dynamic Pruning,DP-DFS）,该算法构建一个二维矩阵,每搜索一个节点,比较当前路径的权值和与矩阵中已保存的权值,如果当前路径的权值小于矩阵中保存的权值,则更新矩阵中权值为当前较小的路径权值,否则进行剪枝。该算法比较适合较大规模的图搜索,实验表明,必经节点个数在50以内时,利用该算法可以在30?s内找到一条近似最优的最短路径。     

基于影响路径的个性化影响最大化算法

个性化影响最大化问题是近年来社交网络影响最大化问题研究领域一个较新的分支,其现有解决方案普遍建立在网络边影响传播强度一致的假设下,该假设对于真实社交网络缺乏普遍适用性。为此基于独立级联模型,提出最大影响路径算法(MIPA)。该算法通过三个阶段来求解个性化影响最大化问题,首先将边影响强度作对数转换以获得最大影响路径,从而计算网络节点对目标节点的邻居节点的影响;然后利用多条经过目标节点邻居的最大影响路径联合计算目标节点受到的影响强度;最后选择Top-k节点作为种子节点,从而摆脱边影响强度的一致性约束,获取高质量的种子集。在不同的真实社交网络数据集上进行的对比实验验证了算法的有效性。     

基于节点优化的改进全局路径规划A*算法

目前越来越多的领域使用移动机器人代替人工工作。路径规划就是移动机器人正常工作的保障之一,A*算法就是一种路径规划算法。针对A*算法生成路径拐点多、路径较长的问题,提出了一种基于将搜索邻域扩大至5×5的随机数去除节点的改进A*算法。首先,将3×3的搜索邻域扩大至5×5,从而减少拐点个数,改善转折角度,去除冗余点;其次,引入一种随机数去除冗余节点的方法,该方法是通过随机连接节点判定其是否穿过障碍物来去除冗余节点,从而进一步去除A*算法路径列表的冗余点;最后,将改进的算法与A*算法在30×30的栅格地图中进行仿真比较,实验结果表明,改进的算法在多组路径中都有很好的优化效果,路径长度、运行时长和访问节点数分别平均减少了4.46%、24.83%和39.93%,从而有效改善A*算法生成拐点多、路径较长的问题。     

Algorithmus 27 Ein neuer Algorithmus zur Bestimmung vonk-kürzesten Wegen in einem Graphen

The following algorithm for finding thek-shortest loopless paths from one node to another is a development of the algorithm published in [2]. Though memory need is less, the new algorithm is running is bout 20 times as fast on large networks (1000 nodes and more). The computer time increases linearly withk and about quadratic with the number of nodes on the generated paths.     

基于分层法的通风网络图绘制算法研究

最长路径法绘制通风网络图需要频繁地搜索任意两个节点之间的最长路径,采用深度优先搜索导致大量的时间浪费在无用路径的搜索过程中;且采用几何相交方法判断分支交叉,效率低且无法有效地减少分支交叉数。提出了将分层法引入到通风网络图绘制中。采用最长路径法对网络图进行节点分层,求解整数规划问题优化节点分层减少长边;采用模拟退火遗传算法优化节点排序,从拓扑上减少分支交叉数。为了减少无意义地搜索最长路径过程,采用最长路径并联通路法计算节点坐标和分支形状。给出了基于分层法的通风网络图绘制的测试例子。     

求解k条最优路径问题的遗传算法

文章提出的任意两点间k条最优路径问题的遗传算法,采用节点的自然路径作为染色体编码,根据路径节点的连接实施染色体的交叉操作,将节点路径块作为染色体的变异基因块实施变异操作。算法结构简明,收敛速度快,可应用于求解大规模网络中的多条最优路径问题。     

切换到高一层路网最近四个点的最短路算法

针对基于大规模图的最短路问题求解速度慢的问题,提出了一个基于路网等级的求最短路的快速近似算法。该算法首先求出高一层路网到起点的4个最近点和到终点的4个最近点及最短路径,由高一层路网形成的子图T再加上这8个最短路径形成图T',在T'上求起点到终点的最短路。这种设计使得该算法适合在超大规模图上求解,理论上也证明了精度可控,同时预处理数据也是可行的,从而使两点间最短路的求解速度大大提高。在纽约公路网上的测试结果说明了该算法的有效性和合理性。     

基于节点可达度的公交多路径搜索算法

针对公交网络路径搜索问题,以复杂网络的角度进行了相关研究。根据出行者实际需求,提出一种基于节点可达度的公交多路径搜索算法。采用复杂二分网络模型来描述公交网络,将公交线路和公交站点分别看做一类节点,每条公交线路与它所经过的公交站点之间存在连边;在分析网络社团结构的基础上定义了节点可达度,算法根据节点可达度逐步搜索直至目的节点,搜索过程保留可能存在的多条最佳路径。实验结果表明,该方法能够得到最小换乘的多条有效路径。     

A link prediction algorithm based on ant colony optimization

The problem of link prediction has attracted considerable recent attention from various domains such as sociology, anthropology, information science, and computer sciences. In this paper, we propose a link prediction algorithm based on ant colony optimization. By exploiting the swarm intelligence, the algorithm employs artificial ants to travel on a logical graph. Pheromone and heuristic information are assigned in the edges of the logical graph. Each ant chooses its path according to the value of the pheromone and heuristic information on the edges. The paths the ants traveled are evaluated, and the pheromone information on each edge is updated according to the quality of the path it located. The pheromone on each edge is used as the final score of the similarity between the nodes. Experimental results on a number of real networks show that the algorithm improves the prediction accuracy while maintaining low time complexity. We also extend the method to solve the link prediction problem in networks with node attributes, and the extended method also can detect the missing or incomplete attributes of data. Our experimental results show that it can obtain higher quality results on the networks with node attributes than other algorithms.     

基于双粒子群算法的矿井搜救机器人路径规划

针对在复杂地形中标准的粒子群算法用于矿井搜救机器人路径规划存在迭代速度慢和求解精度低的问题,提出了一种基于双粒子群算法的矿井搜救机器人路径规划方法。首先将障碍物膨胀化处理为规则化多边形,以此建立环境模型,再以改进双粒子群算法作为路径寻优算法,当传感器检测到搜救机器人正前方一定距离内有障碍物时,开始运行双改进粒子群算法:改进学习因子的粒子群算法(CPSO)粒子步长大,适用于相对开阔地带寻找路径,而添加动态速度权重的粒子群算法(PPSO)粒子步长小,擅长在障碍物形状复杂多变地带寻找路径;然后评估2种粒子群算法得到的路径是否符合避障条件,若均符合避障条件,则选取最短路径作为最终路径;最后得到矿井搜救机器人在整个路况模型中的最优行驶路径。仿真结果表明,通过改进学习因子和添加动态速度权重提高了粒子群算法的收敛速度,降低了最优解波动幅度,改进的双粒子群算法能够与路径规划模型有效结合,在复杂路段能够寻找到最优路径,提高了路径规划成功率,缩短了路径长度。