基于遗传微粒群混合算法的灰度图像增强

文中提出了一种基于遗传算法和微粒群算法的混合算法,该算法兼有遗传算法和微粒群算法的优点.混合算法以微粒群算法为主体,同时应用遗传算子操作来优化参数搜索,并引进了摒弃因子来调整微粒的随机性,最终得到最优值.本算法中交叉和变异算子采用了概率自适应策略,微粒群算法使用了动态惯性因子来控制微粒的速度更新.通过对标准试验函数的测试,与标准遗传算法及微粒群算法的结果比较,证明了该混合算法的有效性,并应用于图像增强处理,获得了较为满意的结果.     

基于微粒群算法的QoS组播路由算法

文章研究了带宽、延时、延时抖动约束最小代价的QoS组播路由问题,提出了一种基于微粒群优化(PSO)算法[2,5]来设计路由优化算法。该算法采用一种新的整数编码方案,将路由优化问题转化成准连续优化问题,并采用罚函数处理约束条件。给出了应用微粒群优化算法求解QoS组播路由问题的算例,并与遗传算法和改进后的遗传算法进行了比较。计算机仿真实验证明,该算法可以更有效地求得QoS组播路由问题的优化解,可靠性高。     

利用改进微粒群算法优化PID参数

提出一种利用改进微粒群算法优化PID参数的方法。微粒群算法(PSO)是一种随机全局优化技术，算法通过微粒间的相互作用发现复杂搜索空间中的最优区域，算法简单、容易实现且功能强大。将PSO算法加以改进并应用在PID控制器的参数优化，经仿真证明了PSO算法的有效性，其性能优于遗传算法和传统的经验公式。     

混合型粒子群优化算法研究

为了改进粒子群算法的性能,提出了融合其他算法优点的混合型粒子群算法。对三种主流的混合粒子群优化算法(基因粒子群、免疫粒子群、混沌粒子群)分别从混合目的、混合方式、实现步骤、算法优化性能等多个方面进行了研究,给出了这三种混合粒子群算法的优缺点及适用范围。     

.求解小批量流水线调度问题的混合微粒群算法*

针对基于交货期的小批量流水线调度问题,提出了一种微粒群优化算法。其中利用最小位置值(smallest position value,SPV)规则,使具有连续本质的微粒群算法能直接应用于调度问题,并通过动态调整参数平衡算法的全局搜索和局部搜索的能力。针对微粒群算法容易陷入局部最优的缺陷,利用模拟退火算法的概率突跳机制改进其优化性能,并设计了三种微粒群模拟退火混合算法。最后,仿真实验表明所得算法具有良好的寻优特性与运算效率。     

基于模拟退火机制的多微粒群协同进化算法*

模拟退火和多微粒群协同进化是两种较好的改进微粒群算法性能的方法,将这两种思想有机地结合起来,提出了一种基于模拟退火机制的多微粒群协同进化算法。通过对三个标准函数优化的实验表明,该算法高效、稳定地提高了全局寻优能力。     

随机微粒群优化算法

微粒群优化算法是继蚁群算法之后又一种新的基于群体智能的启发式全局优化算法,其概念简单、易于实现,而且具有良好的优化性能,目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时,算法易陷入局部最优。该文结合模拟退火算法的思想,提出了一种改进的微粒群优化算法——随机微粒群优化算法,该算法在运行初期具有更强的探索能力,可以避免群体过早陷入局部极值点。基于典型高维复杂函数的仿真结果表明,与基本微粒群优化算法相比,该混合算法具有更好的优化性能。     

连续区域改进蚁群算法的研究

为了解决蚁群算法难处理连续区域的问题,本文结合微粒群操作改进蚁群算法。采用平均分割定义域的方法,融入随机操作和微粒群操作的交叉应用,并加入了信息素的变异操作跳出停滞状态。该混合群算法同时具有全局寻优特性和较强的局部搜索能力,在确保全局收敛性的基础上,能够快速搜索到高质量的优化解。通过仿真算例分析了其可行性、优越性。     

基于离散微粒群算法求解背包问题研究

微粒群算法(PSO)是一种新的演化算法,主要用于求解数值优化问题.基于离散微粒群算法(DPSO)分别与处理约束问题的罚函数法和贪心变换方法相结合,提出了求解背包问题的两个算法:基于罚函数策略的离散微粒群算法(PFDPSO)和基于贪心变换策略的离散微粒群算法(GDPSO).通过将这两个算法与文献[7]中的混合微粒群算法(Hybrid_PSO)进行数值计算比较发现:对于求解大规模的背包问题,GDPSO非常优秀,其求解能力优于Hybrid_PSO和PFDPSO,是求解背包问题的一种非常有效的方法.     

求解CVRP问题的混合遗传微粒群算法

采用借鉴遗传算法的编码、交叉和变异操作的遗传微粒群算法对带车辆能力约束的车辆路径优化问题进行求解。设计了符合微粒群算法进化机制的变异算子和改进顺序交叉算子以满足遗传微粒群算法中三条染色体交叉与变异的需要。对多个基准测试实例仿真计算表明算法有效且具有收敛速度快和精度高的优点。     

A genetic algorithm and a particle swarm optimizer hybridized with Nelder–Mead simplex search

This paper integrates Nelder–Mead simplex search method (NM) with genetic algorithm (GA) and particle swarm optimization (PSO), respectively, in an attempt to locate the global optimal solutions for the nonlinear continuous variable functions mainly focusing on response surface methodology (RSM). Both the hybrid NM–GA and NM–PSO algorithms incorporate concepts from the NM, GA or PSO, which are readily to implement in practice and the computation of functional derivatives is not necessary. The hybrid methods were first illustrated through four test functions from the RSM literature and were compared with original NM, GA and PSO algorithms. In each test scheme, the effectiveness, efficiency and robustness of these methods were evaluated via associated performance statistics, and the proposed hybrid approaches prove to be very suitable for solving the optimization problems of RSM-type. The hybrid methods were then tested by ten difficult nonlinear continuous functions and were compared with the best known heuristics in the literature. The results show that both hybrid algorithms were able to reach the global optimum in all runs within a comparably computational expense.     

一种保持PSO与GA独立性的混合优化算法

提出了一种基于粒子群和遗传算法的新混合算法。该算法首先将样本集分为N组,每一组分别进行不同参数的粒子群或遗传运算,在每一步的迭代中选取了粒子群算法和遗传算法的最优值作为全局最优,使每一步的迭代都优于单一的PSO和GA算法,进而提高了算法整体的性能。与其他混合最优化算法不同的是,该算法没有破坏粒子群和遗传算法的独立性,而是仅通过全局最优样本把两个算法结合在一起。在经典测试函数的仿真实验中,新算法表现了更好的寻优性能及寻优稳定性。     

基数约束投资组合问题的一种混合元启发式算法求解

针对资产数目和投资资金比例受约束的投资组合选择这一NP难问题,基于混沌搜索、粒子群优化和引力搜索算法提出了一种新的混合元启发式搜索算法。该算法能很好地平衡开发能力和勘探能力,有效抑制了算法早熟收敛现象。标准测试函数的测试结果表明混合算法与标准的粒子群优化和引力搜索算法相比具有更好的寻优效率;实证分析进一步对混合算法与遗传算法及粒子群优化算法在求解这类投资组合选择问题的性能进行了比较。数值结果表明,混合算法在搜索具有高预期回报的非支配投资组合方面表现更好,取得了更为满意的结果。     

GA与PSO的混合研究综述

传统算法无法满足现代大规模、多变量、多约束的复杂问题求解,使得智能算法的应用越来越广泛。但单一智能算法在解决很多复杂问题时依然存在不足,利用算法之间互补性的混合算法便应运而生,并且取得了较好的实验效果,被越来越多的国内外学者所关注。以混合方式为研究主线,对智能算法中的遗传算法（GA）和粒子群算法（PSO）的融合方式进行分析与综述,并对其进一步的研究发展方向进行了探讨。     

云计算资源的动态随机扰动的粒子群优化策略

云计算环境中的资源具有动态性和异构性,大规模任务资源分配的目标是最小化完成时间和资源占用,同时具有尽可能好的负载均衡,这是一个非确定性多项式（NP）问题。借鉴智能群体算法的优点,提出基于改进的粒子群优化（PSO）算法构建混合式群体智能调度策略——动态随机扰动的PSO策略（DRDPSO）。首先,将PSO的惯性权重常数修改为变量,实现对求解过程收敛速度的合理控制;其次,缩小每次迭代的搜索范围,在保留候选最优集合的前提下减少无效搜索;然后,引入选择操作,筛选出优质个体并传递到下一代;最后,设计随机扰动,提高候选解的多样性,在一定程度上避免了局部最优陷阱。在CloudSim平台上进行了两类仿真测试,结果表明,处理同构任务时,在大部分情况下DRDPSO的指标都优于模拟退火遗传算法（SAGA）和遗传算法（GA）+PSO算法,总执行时间比SAGA减少13.7%~37.0%,比GA+PSO减少13.6%~31.6%;其资源耗费比SAGA减少9.8%~17.1%,比GA+PSO减少0.6%~31.1%;其迭代次数比SAGA减少15.7%~60.2%,比GA+PSO减少1.4%~54.7%;其负载均衡度比SAGA减小8.1%~18.5%,比GA+PSO减少2.7%~15.3%,且波动幅度最小。处理异构任务时,三种算法表现出相似的规律：CPU型任务的总执行时间最多,混合型任务次之,IO型任务最少,DRDPSO的综合指标最好,较为适合处理多种类型的异构任务,而GA+PSO算法适合快速求解混合型任务,SAGA则适合快速求解IO型任务。所提DRDPSO在处理较大规模的同构和异构任务时,能够较为明显地缩短总的任务执行时间,不同程度地提高资源利用率,并适当兼顾计算节点的负载均衡。     

三种混合粒子群算法比较

混合粒子群算法是融合其它算法或技术特性来针对性地对基本粒子群算法进行改进的一类算法.文中对其中有代表性的三种:交叉粒子群、免疫粒子群、混沌粒子群展开了比较研究,分别从混合目的、混合基本方式、混合算法实现的关键步骤、混合算法的优化性能等多个方面对这三种混合算法进行了比较.通过这些比较,总结出了三种混合算法基本的混合方式及...     

PSO和ABC的混合优化算法

通过将粒子群优化(Particle Swarm Optimization,PSO)算法与人工蜂群(Artificial Bee Colony,ABC)算法相结合,提出一种ABC-PSO并行混合优化算法。在每次迭代中,将种群分为两个子种群,一个子种群使用PSO算法,另一个子种群使用ABC算法,两个算法寻优后进行比较,选出最优适应值。通过混合算法对4个标准函数进行测试,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。     

基于混合算法的降水集成预报研究

为进一步提高降水预报的准确性,针对预报产品的多样性及其预报结果的差异性,综合粒子群算法和遗传算法的优点,将基于粒子群算法和遗传算法的混合算法应用于降水集成预报。利用天津市气象局提供的实际测量数据,通过对各模式降水预报数据的筛选处理,结合基于粒子群算法和遗传算法的混合算法集成模型,实现了多种预报模式降水数据的集成处理,并与传统方法集成及单一粒子群算法和单一遗传算法集成进行了对比研究。实验表明,混合算法的集成结果优于传统集成方法及单一粒子群算法和单一遗传算法集成,并好于任意一个模式成员。     

基于PSO信息传递模式的混合算法

粒子群优化算法（Particle Swarm Optimization,PSO）是一种基于群智能（Swarm Intelligence）的随机优化计算技术。PSO和遗传算法这两种算法相比较,PSO收敛快速准确,但编码形式单一,局限于解决实优化问题,而遗传算法编码形式灵活,解决问题广泛,但执行效率低于PS00。将粒子群算法的信息传递模式与遗传算法的编码和遗传操作相结合,提出一种混合算法。并推导了两个算法之间的密切联系。并通过组合优化和函数优化的基准测试集对算法进行测试,试验结果表明,该算法在收敛精度和速度优于传统遗传算法。同时,也观察到该算法取得了与粒子群算法一致的收敛现象。     

PSO和AFSA混合优化算法

结合粒子群优化(PSO)算法和人工鱼群算法(AFSA)的优势,提出一种PSO-AFSA混合算法。将种群分为2个子群体,在每次迭代中,一个子群体利用PSO算法进化,另一个子群体利用AFSA进化,2个算法共享整个种群极值信息。通过混合算法对5个标准函数进行实验,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。