一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

求解TSP问题的离散型萤火虫群优化算法

基于求解TSP问题,提出一种离散型萤火虫群优化(DGSO)算法,该算法结合TSP问题特点,给出一种有效编码和解码方法,并定义适合编码的个体间距离计算公式和编码更新公式.同时,为增强算法求解TSP问题的局部搜索能力,加快算法的收敛速度,算法使用了操作简单的2-Opt优化算子.最后,通过对10个TSP问题进行仿真实验,实验结果表明本文提出的算法是在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.在大规模TSP算例中算法获得的最优值与理论最优值的误差也在1%以下.     

一种基于Geatpy库求解TSP问题的方法

本文基于数学领域中最为著名的问题之一就是旅行商问题(TSP),属于典型的组合优化问题,对于大规模TSP问题在使用经典算法很难求出精确解的情况下,一般采用智能算法来获取最优解或次优解。基于Geatpy遗传算法库,本文给出了一种求解TSP问题的方法,实验结果证明该方法是有效的,具有一定的通用性,值得进一步应用推广。     

贪婪随机自适应灰狼优化算法求解TSP问题

对于求解TSP问题,提出一种贪婪随机自适应灰狼优化算法(GRAGWO)。GRAGWO算法基于贪婪随机自适应搜索算法(GRASP),采用其构造阶段生成初始解,在局部搜索阶段采用灰狼优化算法(GWO)对结果进行优化。GWO算法不能直接用于求解离散问题,易陷入局部最优,导致后期收敛速率较低。根据TSP问题的特性,针对易形成局部最优路径和随着迭代次数增进而导致种群多样性减退这两个缺陷,重新定义灰狼编码方式,与GRASP启发式算法相结合,应用于求解TSP问题。采用TSPLIB中的多组不同规模的TSP问题作为实验用例,并将GRAGWO算法与其他仿生算法进行对比,结果表明在求解准确率、稳定性和解决大型城市问题方面具有相对优势。     

基于遗传算法的TSP问题研究

TSP是一个典型的组合优化问题，并且是一个NP难题，其可能的路径总数与城市数目n是成指数型增长的，所以一般很难精确地求出其最优解，因而寻找出有效的近似求解算法就具有重要的意义。现就提出的一种求解TSP问题比较有效的改进的遗传算法进行了研究，从遗传算子、评估函数、种群多样性等方面对算法进行了分析，并对实例CHN144进行了测试，实验结果表明文中提出的算法在求解TSP问题上是有效的。     

一种求解TSP问题的改进近似算法

TSP问题是组合最优化中的一个著名问题,具有极高的理论和应用价值。本文通过对已有近似算法进行改进,提出了一种求解TSP问题更有效的近似算法。仿真实验表明,改进后的近似算法比原始算法获得的解更好,而且鲁棒性更优。     

解旅行商问题的一个新进化算法

旅行商问题(Travelling Salesman Problem,TSP)是一个著名的组合优化问题。提出用进化算法求解该问题。算法采用自然编码方式表示个体,设计了一种利用种群的边产生后代个体的新交叉策略。采用随机DoubleBridge变异策略,最后设计了结合2-交换和特殊3-交换的局部搜索算子改善解(个体)的质量。数值模拟实验表明,该算法是有效的。     

基于重心法的粒子群优化算法

针对函数优化问题,提出了一种基于重心法的粒子群优化算法。该算法利用混沌序列产生粒子的位置和速度,并通过重心法和分类方式更新粒子的速度。最后将算法应用到函数优化问题中,并与其它改进的粒子群算法进行比较。数值结果表明,提高了算法局域搜索能力,全局最优解的精度。     

一种多QoS需求的资源优化算法

用户的多QoS需求,使得网络服务中的动态资源属性值变化频繁,传统方法难于对这些动态资源进行分配.为解决这一问题,提出了一种处理多QoS需求的动态资源优化算法.算法引入混沌理论,结合优化算法与逼近理想解排序思想,将多个动态资源形成一个链表在这些资源的各个QoS需求间进行选择调度,并在迭代过程中使用并行算法来降低算法陷入局部最优解的可能性.实例验证了该算法求解该问题的可行性和有效性,具有较好的实际应用价值.     

基于蚁群优化算法的QoS路由算法的仿真

Qos路由问题被证明是NPC(NP-completeness)问题,蚁群优化算法是较好地求解NPC问题的工具.文章首先介绍了蚂蚁算法在求解旅行商问题(TSP)中的应用;针对Qos路由问题的特殊情况,提出蚂蚁算法应用于QoS路由时与TSP的一些区别;为了仿真的客观性,提出了一种网络拓扑结构图的随机生成算法;并在随机生成图的基础上,分别对基于串行蚂蚁算法和并行蚂蚁算法方式下的Qos路由求解算法进行了仿真和比较.     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

An Improved Grasshopper Optimization Algorithm for Global Optimization

We proposes an improved grasshopper algorithm for global optimization problems. Grasshopper optimization algorithm (GOA) is a recently proposed meta-heuristic algorithm inspired by the swarming behav-ior of grasshoppers. The original GOA has some drawbacks, such as slow convergence speed, easily falling into local optimum, and so on. To overcome these shortcomings, we proposes a grasshopper optimization algorithm based on a logistic Chaos maps opposition-based learning strategy and cloud model inertia weight (CCGOA). CCGOA is divided into three stages. The chaos opposition learning initialization strategy is used to initialize the population, so that the population can be evenly distributed in the feasible solution space as much as possible, so as to improve the uniformity and diversity of the initial population distribution of the grasshopper algorithm. The inertia weight cloud model is introduced into the grasshopper algorithm, and different inertia weight strategies are used to adjust the convergence speed of the algorithm. Based on the principle of chaotic logistic maps, local depth search is carried out to reduce the probability of falling into local optimum. Fourteen benchmark functions and an engineering example are used for simulation verification. Experimental results show that the proposed CCGOA algorithm has superior performance in determining the optimal solution of the test function problem.     

SMT优化系统的设计与实现

文章针对基于SMT系统优化的旅行商问题进行了分析和研究，对SMT系统优化进行了系统分析设计，介绍了如何减少X—Y工作台运动，提出两种针对环球HSP贴片机最优路径的优化算法，并基于一种方法编程实现了基本方案。最后在HSP贴片系统上使用本解决方案，大幅度提高了生产效率，证明了本解奥方案的优越性和高效性，同时也为用其它算法解决SMT系统优化问题提供了一种可参考的思路。     

一种基于粒子群优化方法的改进量子遗传算法及应用

本文采用粒子群优化(PSO)方法代替量子门来更新量子比特状态,得到一种改进的量子遗传算法(QGA)——PSQGA,并根据QGA自身概率特性,引入了最优解方差函数来评价该算法的稳定性能.利用四种典型连续函数寻优问题和0/1背包问题,分别对PSQGA和改进的使用量子门的量子遗传算法(IQGA)进行了测试;并将它们应用到图像稀疏分解的实例中.结果表明,PSQGA算法的寻优能力及稳定性均优于IQGA,且具有更好的收敛性以及更强的连续空间搜索能力,适合于求解复杂优化问题.     

基于协同合作的蚁群优化算法

蚁群优化是一种模拟蚂蚁觅食的群集智能搜索算法,基本蚁群算法收敛性较差,易陷入局部最优解。本文在基本蚁群算法的基础上,提出一种新的蚁群优化算法,通过在信息素局部更新中引入信息素扩散模型,在信息素全局更新中引入随机扰动机制,发挥蚂蚁之间的协同合作能力,提高了算法的收敛速度。以TSP为例的仿真实验表明,该算法具有较强的寻优能力、较好的鲁棒性和有效性。     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

区间长度可变的反向混沌优化算法

针对现有算法在大空间和高维度寻优存在效率较低的问题,提出一种区间长度可变的反向混沌优化算法,并证明了该算法以概率1收敛于全局最优解.算法采用区间长度可变的反向优化策略,利用反向优化方法增大算法进化过程的多样性,使优化的变量区间不断减小.同时,提出基于Fuch混沌映射的反向混沌优化策略增大算法逃逸局部极值的能力,以及两级优化策略提高算法执行后期的寻优精度.通过22个基准函数测试结果表明,本文提出的算法与改进的混沌优化算法以及其他智能优化算法相比,其搜索的综合性能要优于其他算法.     

基于粒子群算法改进的电力系统

本文针对传统粒子群算法自实际应用中出现速度缓慢及局部最优解等等问题,提出了一种改进粒子群算法,并且将其应用在电力系统中,希望能够解决电力系统所存在的例如无功优化等问题中.改进后的粒子群算法在实际应用中收敛速度更加合理,能够有效保证种群的多元性,有效解决传统粒子群所存在的局部最佳解问题.