求解旅行商问题的改进局部搜索混沌离散粒子群优化算法

针对基本离散粒子群优化(DPSO)算法收敛速度慢、易于陷入局部最优等问题,提出了一种基于优秀系数的局部搜索混沌离散粒子群优化(ILCDPSO)算法并用于求解旅行商问题(TSP)。基于轮盘赌选择原理,给每段路径设定一个合理的优秀系数,以提高短边被选择的概率,从而有利于提高算法的寻优能力和收敛速度;为了进一步提高解的精确性,在算法机制中添加了局部搜索策略,通过调整每个城市在给定邻域内的城市路径,提高算法的局部搜索能力;另外,在算法的迭代公式中加入了混沌序列来提高粒子的随机性和多样性,增强了算法的全局搜索能力。最后用国际通用的TSP数据库(TSPLIB)中的若干经典实例对算法进行了测试,并与粒子群优化(PSO)算法、改进的PSO(IPSO)算法和混沌PSO(CPSO)算法等进行了比较。实验数据显示,在相同的实验条件下,与其他算法相比,ILCDPSO算法获得最优解的平均迭代次数较少且获得最优解的次数比例最高。研究结果表明,加入优秀系数后,ILCDPSO算法在收敛速度、全局寻优能力以及稳定性方面均优于其他算法。     

求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

基于汉明距离的改进粒子群算法求解旅行商问题

针对传统粒子群算法不适合求解离散型问题,提出一种基于汉明距离的改进粒子群算法。该算法保留了粒子群算法的基本思想和流程,并基于汉明距离为粒子定义了一种新型的速度表示。同时,为了使算法寻优能力更高、避免迭代过程陷入局部最优无法跳出,设计了2-opt和3-opt算子,结合随机贪婪规则,使求解质量更高、收敛更快。在算法后期,为了提高粒子在整体解空间中的全局搜索能力,采用一部分粒子重新生成的方式去重新探索解空间。为了验证算法的有效性,采用了众多旅行商问题（TSP）标准算例进行测试。实验结果表明,对于小规模TSP,该算法可以找到历史最优解;对于大规模TSP,如城市数在100以上的问题,也可以找到满意解,与已知最优解之间偏差度较小,通常在5%以内。     

粒子群Memetic算法求解多峰函数优化

针对目前多峰函数优化问题较难找到全部局部最优解的情况,提出了一种粒子群Memetic算法。算法结合了粒子群优化的全局搜索能力和爬山法的局部搜索能力,增强了算法搜索最优解的能力。实验结果表明,该算法求解精度较高,且收敛速度较快。     

文化基因算法求解TSP问题的研究

TSP是组合优化问题中著名的NP-hard问题。针对粒子群算法求解离散的TSP问题收敛速度慢,求解精度低,易于陷入局部最优和模拟退火算法的性能与参数初始值有关及参数敏感等不足,提出了将改进的粒子群算法作为全局搜索策略,改进的模拟退火算法作为局部搜索策略的文化基因算法。介绍了两种算法的协同方法,定义了局部搜索邻域的确定以及在新种群产生中引入自组织随机移民策略。仿真结果表明,改进算法在求解TSP问题中具有很快的收敛速度,且能搜索到最优解。     

带自适应感知能力的粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法。它利用可行性判断规则处理约束条件,更新个体最优解和全局最优解。通过为粒子赋予自适应感知能力,算法能较好地平衡全局和局部搜索,且有能力跳出局部极值,防止早熟。边界附近粒子的感知结果被用来修正其飞行速度以加强算法对约束边界的搜索。实验结果表明,新算法收敛速度快,寻优能力强,能很好地求解约束优化问题。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

改进的混沌粒子群算法在TSP中的应用

针对基本粒子群(PSO)算法不能较好地解决旅行商优化问题(TSP),分析了基本粒子群算法的优化机理,在新定义粒子群进化方程中进化算子的基础上利用混沌运动的随机性、遍历性等特点,提出一种结合混沌优化和粒子群算法的改进混沌粒子群算法.该算法对惯性权重进行自适应调整,引入混沌载波调整搜索策略避免陷入局部最优,形成一种同时满足全局和局部寻优搜索的混合离散粒子群算法,使其适合解决TSP此类组合优化问题.利用MATLAB对其进行了仿真.仿真结果说明此算法的搜索精度、收敛速度及优化效率均较优,证明了此算法在TSP中应用的有效性,且为求解TSP提供了一种参考方法.     

一种求解二元约束满足问题自适应粒子群算法

提出了一种求解二元约束满足问题的自适应粒子群算法（SAPSO）,其中每个粒子具有两种状态,定义了一个反应粒子活跃程度的变量以决定粒子所属的状态。为了平衡粒子不同进化阶段的开发和探测能力,在SAPSO中引入了随着每个粒子的进化状态和粒子群的进化状态动态改变的惯性权重。利用自适应的选取方式代替随机选择的盲目搜索方式,使群体在解空间搜索时,能够自适应地去探索新的区域,选择有希望找到更优解的地方搜索。使用随机约束满足问题的实验表明,改进后的算法比原算法（PS-CSP）能以更快的速度收敛到全局解。算法的效率大约提高两倍,平均迭代次数大约为原来的一半。     

基于改进的遗传模拟退火混合算法求解TSP问题

本文针对遗传算法（GA）早熟收敛问题就GA的交叉算予进行改进,针对模拟退火算法易陷入局部最小值的缺点．使用HFC—ADM（自适应输入阂值的分等级搜索）的SA（模拟退火算法）和改进后的GA相结合,提出了一种求解TSP问题的遗传模拟退火混合算法,并应用于求解TSP（旅行商问题）问题。实验结果表明,该算法具有比传统的GA以及基于HFC—ADM的SA具有更强的全局搜索能力和更快的收敛速度。     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

基于自适应Tent混沌搜索的粒子群优化算法

为解决粒子群优化算法易于陷入局部最优问题,提出基于自适应Tent混沌搜索的粒子群优化算法。应用Tent 映射初始化均匀分布的粒群,并以当前整个粒子群迄今为止搜索到的最优位置为基础产生Tent混沌序列,混沌序列的搜索范围采用自适应调整方法。该方法可以有效避免计算的盲目性,还能够快速搜寻到最优解。实验表明该算法在多个标准测试函数下都超越了同类改进算法。     

结合禁忌搜索的改进粒子群优化算法

为提高粒子群优化算法的全局搜索和局部开采能力,提出一种结合禁忌搜索(TS)的改进粒子群优化算法。在搜索过程中,以线性递增的概率对最优粒子实施随机扰动,在全局搜索收敛到一定程度后,引入TS算法进行局部搜索,使算法快速收敛到全局最优解。分析结果表明,该算法收敛精度较高,能有效克服早熟收敛问题。     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。     

求解TSP的改进自组织PSO算法

针对粒子群算法（PSO）的早熟收敛现象,从种群多样性出发,基于自组织临界性特点改进PSO 算法的参数设置,采用自组织的惯性权重和加速系数,并增加了变异算子。借鉴交换子和交换序概念,设计出了能直接在离散域进行搜索的改进的自组织PSO算法。用于旅行商问题（TSP）的求解,并与基本及其他典型改进PSO算法进行性能比较。实验结果证实改进的自组织PSO算法是有效的。     

多样性反馈与控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出了一种多样性反馈与控制的粒子群优化 (DFCPSO)算法。该算法在搜索过程中根据多样性反馈信息,动态调整算法参数,改善了搜索次数在多样性曲线上的分布情况。当多样性或群体适应度方差下降到给定的阈值时,通过基于最优点排斥的初始化操作,高效率发散,使粒子飞离聚集区域,重新开始搜索,从而使种群多样性保持在合理范围内,避免了早熟收敛现象。对多个标准测试函数的实验结果表明,与当前多样性控制的粒子群优化(DCPSO)算法相比,DFCPSO算法在复杂优化问题和多模态优化问题中具有更强的全局搜索能力。     

基于适应度反馈作用的PSO算法改进

粒子群优化算法的收敛速度较慢、精度较低、稳定性欠佳。为此,提出一种基于适应度反馈作用的改进粒子群优化算法。在运行过程中,根据粒子相邻2次迭代的适应度变化,对适应度变化值归一化处理后,将其反馈给惯性权重,以削弱粒子寻优过程中的适应度振荡幅度,增强粒子群跳出局部最优的能力。测试结果表明,该算法的全局搜索能力得到提高,具有较高的收敛速度和稳定性。