改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。本文在基本粒子群算法（PSO）的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时,为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习,以及通过改进的粒子群算法（MPSO）进行仿真计算,证明了该算法的有效性。     

改进粒子群优化算法求解旅行商问题

提出了一种改进粒子群学习算法,在改进的算法中,粒子不仅根据自身和同伴中最好的个体调整自己的飞行速度,而且按照一定的概率向其他个体学习。这种强化后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。同时借鉴单点调整算法思想,提出了调整因子和调整序概念用以重构粒子群算法。最后,用改进后的粒子群算法求解旅行商问题,数字仿真表明了算法的有效性。     

求解非标准作业车间调度问题的均衡算法

针对加工工序的设备是多台具有相同加工能力的机器集合的非标准Job-shop调度问题，利用指针队列及调度均衡的思想来构造目标函数，提出了非标准Job-shop调度算法．经过理论分析和实践验证，相对其他算法更加优化．     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法．介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用，并对其将来的发展进行了展望．     

求解多目标柔性作业车间调度问题的离散人工蜂群算法

作业车间调度问题是一类典型的组合优化问题,要求多个作业在不同的机器上进行加工,目的是获得最好的作业加工序列,以满足特定的性能指标。柔性作业车间调度问题是对传统的作业车间调度问题的进一步扩展,由于求解的复杂性,使得传统方法很难在有效的时间内获得问题的最优解。人工蜂群算法是近年来提出的一种受生物行为启发的优化算法,该算法主要通过模拟蜜蜂的觅食来实现问题的求解。提出了一种离散的人工蜂群算法于求解柔性作业车间调度问题,算法通过交叉方式来搜索潜在的更好的蜜源,并采用自适应的变异策略来降低早熟收敛的可能性。最后通过对比实验证明算法对于求解多目标柔性作业车间调度问题是有效的。     

基于改进PSO算法的自适应均衡算法

传统的自适应均衡算法存在收敛速度慢,稳定性差、均衡效果不理想等缺点,从而使自适应均衡器在高速光纤通信系统中的应用受到限制.具有梯度搜索因子的Grads-PSO算法,结合了传统数值优化方法在计算速度和计算精度上的优势,将梯度法引入粒子群算法中.在梯度搜索因子的指导下,PSO算法的运算过程显得更加有规则,从而提高了算法的收敛速度和运算精度.因此,本文提出将改进PSO算法用作自适应均衡器均衡算法.通过仿真实验表明,改进PSO算法具有收敛速度快,计算精度高的优点,将其作为自适应均衡器的控制算法可收到很好的均衡效果,优于传统的控制算法.     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

基于改进粒子群算法的车间作业调度问题研究

针对现行的遗传算法存在过早收敛和进化速度过慢的局限,以及标准粒子群算法收敛精确度不高、易陷入局部极值点的缺点,通过分析原有算法的优化机理,提出一种惯性权重随粒子的进化代数增加而非线性减小的改进型粒子群算法,并将此算法应用于车间作业调度问题中.大量仿真实验结果表明,该算法在求解车间作业调度问题上具有可行性和有效性.     

改进协同进化算法求解柔性车间调度问题

在柔性作业车间调度问题中以最大完工时间为优化目标,针对求解柔性车间调度问题在大算例中搜索能力下降的问题,提出了一种基于GA和PSO的学习型协同进化算法.首先通过GA和PSO两种算法的最优个体进行共享,通过两种群的相互协同提高种群的多样性,避免陷入局部最优;其次设计了一种变邻域搜索方式,提高算法的局部搜索能力;然后,针对每一代的最优个体的染色体结构进行学习形成机器选择知识体,来影响下一代种群的生成从而提高新生成染色体的质量.最后通过实验表明学习型协同进化算法不仅在小算例中搜索能力强,而且在规模较大的算力时仍然具有良好的全局搜索能力.     

自适应樽海鞘群算法求解考虑运输时间的柔性作业车间调度

针对考虑运输时间的柔性作业车间调度问题,以最小化最大完工时间为优化目标,提出自适应樽海鞘群算法.设计基于随机密钥方法的3层编码方案,将编码的离散解空间连续化.引入惯性权重评价跟随者之间的相互影响程度,增强算法的全局探索与局部搜索能力.提出自适应更新领导者-跟随者种群数量策略,根据种群迭代状态对领导者和跟随者的数量进行自适应调整.在邻域搜索中引入禁忌搜索策略,防止算法陷入局部最优.通过基准算例测试,验证了算法的有效性和优越性,发现AGV数量对完工时间的影响符合边际效应递减的规律.     

一种装配产品调度问题的粒子群算法实现

目前,多品种、小批量、高柔性的生产方式已逐渐成为主流,生产方式的复杂化推动了作业车间调度(Job Shop Scheduling,JSS)问题的研究。粒子群算法作为求解复杂调度问题的一种高效的进化类算法,受到众多学者的关注。以往研究更多关注作业车间调度问题,作者则研究有多层装配工序的作业车间调度问题,即装配作业车间调度问题(Assembly Job Shop Scheduling,AJSS)。针对以总加工时间(makespan)最小化为目标的典型装配作业调度问题,提出了粒子群算法的解决方案,并对该算法中的一些重要参数的设置进行了比较分析,对如何设置合适参数提高求解效率提供参考和建议。     

改进激素算法求解置换流水车间调度问题

遗传算法中由于激素调节的选择、交叉以及变异算子存在较大目标函数值失调的问题,提出了基于改进激素浓度计算法的自适应遗传算法(IHCCM-IAGA)。IHCCM-IAGA采用基于工件排列的编码方式,并利用反向学习法初始化种群,提高了初始解的质量;针对两点交叉(TPX)算子存在冗余度高、效率低等问题,提出了改进型TPX (ITPX),并引入优良基因库及免疫因子,实现两种交叉方式,同时监控整个进化过程,避免了优质染色体的丢失;设计了多种扰动保持丰富的多样性结构以及相关的局部搜索算法组合成变异算子,建立种群湮灭算子,并设置湮灭因子来引导变异算子中的局部搜索。将IHCCM-IAGA应用于置换流水车间调度问题中,并进行该问题标准算例的各项测试,结果表明IHCCM-IAGA切实有效。     

一种求解Job Shop调度问题的混合粒子群优化算法

目的 解决单一粒子群算法求解Job Shop调度问题存在的不足,提高这类问题的求解质量.方法 采用粒子群算法进行全局搜索,将禁忌搜索算法用于并行局部搜索,禁忌搜索在找到改进解的邻域时采用动态记忆的方式.结果 在较短时间内,找到了LA21,LA24等典型benchmarks问题的最优解.十次求解的平均值的平均相对误差百分比比并行遗传算法和禁忌搜索算法分别小了2.94%和0.56%.结论 提出一种混合粒子群算法,增强了粒子群算法的局部搜索能力,说明该混合粒子群优化算法是有效的.     

利用微粒群优化算法求解非线性规划问题

针对过程系统优化中的非线性规划 (NLP)问题 ,应用微粒群优化算法 (ParticleSwarmOptimization ,PSO)对其进行求解。系统介绍了PSO算法的基本思想和解题步骤 ,通过引入罚函数把PSO算法应用到NLP问题的求解中 ,可以对一般的NLP问题和非凸的NLP问题进行有效地求解。利用两个测试函数和一个过程系统优化的实例对其进行了测试并与其它算法所得的结果进行了比较。结果表明 ,PSO算法在使用的普遍性、求解的准确性方面都优于一般的算法 ,是一种有效的求解NLP问题的方法     

自适应蚁群算法在Flow Shop调度问题上的应用研究

运用能自适应地改变挥发度系数的自适应蚁群算法研究流水车间作业排序问题,设计出解决该问题的算法步骤与流程。最后,通过仿真比较该算法与基本蚁群算法在解决该问题方面的性能,仿真结果表明,该算法在解决Flow Shop方面的问题上取得满意的效果。     

无等待排列流水车间提前/延期调度问题

在满足任务的交货期相同和工序无等待等假设条件后,提出了一种排列流水车间提前/延期惩罚调度问题的启发式算法. 该算法首先按照7种任务排序的规则分别得到任务的较优次序,然后分别使用NEH算法构造优化解,再对每个不同解进行邻域搜索,最后比较得出最优解. 在中小规模问题的数据实验中,该算法求解与最优解的相近程度达到99%左右,并且通过大量数据样本的标准差验证,求解的稳定性也非常好. 在大规模问题的数据实验中,该启发式算法体现出非常好的优化性能,同constraint programming(ILOG-CP）优化引擎算法比较,计算结果也明显占优.     

基于离散蛙跳算法的零空闲流水线调度问题求解

针对零空闲流水线调度问题,提出了一种新的离散化蛙跳求解算法.该算法借助蛙跳算法优化机理,采用基于工件序列的编码方式和新的个体产生方法扩展了传统蛙跳算法的求解模型,并结合简化邻域搜索算法给出了3种改进策略.仿真实验表明了所提算法及策略的有效性.     

解决Job Shop调度问题的遗传算法的实现

针对作业车间调度问题的具体特点,给出了利用遗传算法求解Job Shop调度问题的主要构造过程和步骤,并对编码、解码、适应度计算、选择、交叉、变异等遗传操作进行了详细设计.最后用一个6×6的测试例子,对本研究设计的GA算法的求解效果进行了测试,并对测试结果进行了分析.     

粒子群优化的异构多处理器任务调度算法

嵌入式异构多处理器系统有一套具有不同处理能力的处理器构成,任务调度成为改进系统性能的关键因素。该文提出了改进的粒子优化群算法。首先,通过分析每个处理器的计算能力建立性能指标,然后,调整惯性常量的策略用来提高全局收敛速度。仿真结果证明了该文提出的改进算法能够极短的时间内得到较好的调度结果。