非满载车辆路径问题的改进粒子群优化算法

将局部版粒子群算法应用于非满载车辆路径问题,设计了一种实数编码方案,线性调整惯性权值,改进粒子更新公式,建立了解决该问题的粒子群算法。用该算法求解了两个车辆路径问题的算例,并与遗传算法和标准粒子群算法进行了比较。结果表明:该算法提高了搜索最优路径的成功率,能更有效地求解非满载车辆路径问题。     

基于混沌量子粒子群算法的置换流水车间调度

流水车间调度问题广泛存在于企业生产过程中,优化的调度方案可以提高企业生产效率,降低生产成本。提出了基于混沌量子粒子群优化算法并应用于求解置换流水车间调度问题,该算法在量子粒子群算法(QPSO)的基础上,引入了混沌机制,在保持QPSO算法收敛速度快的同时,利用混沌机制的遍历性,克服了QPSO易陷入局部极小值的缺点。同时提出了一种新的混沌变量到工件排序的编码方案,能够完整保留混沌的遍历性。仿真结果验证了所提出的新的调度算法能更好地探索更优解,同时不失去量子粒子群算法的收敛速度。     

基于免疫算法的带软时间窗车辆调度问题

在对带软时间窗车辆调度问题(VSPSTW)简要叙述的基础上建立了VSPSTW数学模型。针对VSPSTW问题,构造一种免疫算法来求解VSPSTW,并提出了一种新的抗体编码、改进的亲和力计算方法,将求解结果与遗传算法比较。结果表明:该算法对于求解VSPSTW问题具有较好的性能和更好的鲁棒性。     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明：新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

利用Alopex改进的粒子群优化算法及其在软测量建模中的应用

提出了一种利用A lopex算法改进的粒子群优化算法,并将其应用于神经网络的建模中。改进的粒子群优化算法改善了粒子群优化算法摆脱局部极小点的能力,对典型函数的测试和基于神经网络的软测量建模表明:改进算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。     

离散三群粒子群优化算法

提出了离散三群粒子群优化算法(DTHSPSO),该算法将整个粒子群分为三群,第1群粒子朝全局历史最优方向飞行,第2群粒子朝着相反方向飞行,第3群粒子在全局历史最优位置周围随机飞行。粒子的速度保持连续性,对于粒子位置的处理采用两种方法:一是通过传递函数,根据速度的大小进行离散化;二是直接通过强硬限制函数(Hardlim函数)将位置离散化。通过对两种离散函数进行测试与比较,表明两种DTHSPSO都比基本离散粒子群优化算法(DPSO)具有更好的优化性能,而且直接采用Hardlim函数的DTHSPSO算法效果更加突出。     

改进的粒子群优化算法结合人工神经网络用于有机物毒性的QSAR研究

介绍了粒子群优化算法和Alopex-B算法的基本原理,提出了一种用Alopex-B算法改进的粒子群优化算法,并将其应用于函数优化和有机物毒性的QSAR研究。结果表明:改进型粒子群算法对复杂的测试函数搜索效率明显提高,应用于有机物毒性的QSAR研究能提高计算的精确度,降低预测误差。     

两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法（TSSPSO），并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群，其中一分群微粒朝着最优微粒飞行，另一分群微粒朝着相反方向飞行；飞行时，每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响，还受到全群最优微粒的影响。搜索时，每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较，结果表明：两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解，优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量，建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型，通过与实际工业数据的比较，表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

一种改进粒子群算法及其在风电场中的应用

针对传统粒子群寻优速度慢的缺点,引进了种群平均速度的定义。用平均速度表征粒子群的活跃程度,并作为粒子群惯性权重和学习因子调节的依据,加快了粒子群的寻优速度。针对粒子群容易陷入局部极值的缺点,提出将模拟退火算法引入粒子群算法,将粒子群的平行快速寻优能力和模拟退火的概率突跳特性相结合,保持了群体多样性,有效地避免了局部收敛。对2个典型测试函数的寻优问题进行仿真实验,实验结果验证了该算法的有效性。将改进的粒子群算法用于风电场风速概率分布模型的优化,与常规的统计方法相比,该方法具有更高的拟合精度。     

基于改进PSO算法和集成神经网络的裂解炉在线优化

针对传统粒子群算法(PSO)寻优时易陷入局部最优、后期全局搜索能力下降等不足,提出了基于载波的粒子群算法(CWPSO)。通过粒子基于载波的搜索和载波扩展精确寻优,较好地克服了上述缺点,且寻优时间明显减少。同时,针对工业裂解炉在线优化要求,采用了权值动态集成的集成神经网络(NNE)对双烯收率进行建模预测,并结合CWPSO算法进行了在线滚动优化。仿真结果表明,该方法对裂解炉的优化效果明显,双烯平均收率有了明显提高。     

一种DEA-PSO混合算法及其在丙烯腈收率软测量中的应用

提出了一种DEA 与PSO相结合的混合算法,即用DEA算法对PSO中适应值较差的粒子群进行重组和优化。将此混合算法与PSO算法同时用于一些常见测试函数的优化问题,通过对比表明:与PSO算法相比,DEA-PSO混合算法的优化效果更佳。用DEA-PSO混合算法训练神经网络,并将其用于丙烯腈收率软测量建模,结果显示了该混合算法在丙烯腈软测量建模中的可行性与有效性。     

改进的粒子群算法及其在软测量建模中的应用

提出了一种改进的粒子群算法,很好地解决了基本粒子群算法中易陷入局部最优的缺点。通过比较和分析几个标准测试函数的计算结果,改进的粒子群算法的优良性得到充分的证明。改进的粒子群算法被用于优化神经网络的结构和参数,结果表明:不但网络的结构得到控制,而且泛化性能有了较大的提高。同时,算法在优化神经网络上的有效性也在4-CBA含量的软测量建模中得到了很好的证实。     

基于DNA进化算法的车辆调度问题

在建立一种物流配送车辆调度模型的基础上,针对传统启发式算法对复杂问题搜索效率低、易陷入局部最优的缺点,构造了DNA进化算法求解该问题。将其在个体变异操作中进行了一些改进,避免陷入局部最优。车辆调度问题(V SP)属于组合优化NP难题。采用V SP问题进行测试,仿真结果表明:该算法简单可行,与其他算法相比较,不但有很好的求解性能,而且具有更快的收敛能力与搜索能力。     

PSO-ε-SVM的回归算法

回归支持向量机的ε不敏感损失函数的参数寻优是一个重要的问题,它与支持向量机的行为特性有紧密关系。本文给出了一种基于粒子群优化算法的、对ε不敏感损失函数的ε参数寻优的方法,仿真结果表明:采用基于粒子群优化算法的寻优方法寻找ε参数,需要重复训练回归支持向量机模型的次数明显小于格点搜索方法,节省了大量的时间并且能找到较优的ε值。     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

基于混合知识的自适应粒子群算法及其在博弈问题中的应用

粒子群优化算法的寻优性能往往会受到控制参数和速度策略的影响。为提高粒子群优化算法的性能,提出了一种基于混合知识的自适应粒子群算法（SPSO-MK）。该算法使用不同的速度更新策略来平衡粒子群优化算法的局部和全局搜索能力,利用在线和先验知识分别对惯性权重和加速因子进行调整。选取32个测试函数进行仿真实验,结果表明本文算法的整体性能好于10种粒子群的变种算法和3种非粒子群算法。将本文算法用于求解3个非合作博弈纳什均衡问题,结果表明该算法能够取得较好的结果。     

基于高斯白噪声扰动变异的粒子群优化算法

为了有效避免粒子群算法(PSO)早熟和局部收敛的现象,在深入分析PSO算法的基础上,提出了一种基于高斯白噪声扰动变异的粒子群优化算法(GMPSO).该算法以一定的概率选中粒子进行基于高斯白噪声扰动的变异,并重新随机产生飞离搜索区域的粒子,以克服粒子群后期多样性严重下降的缺点.通过对Benchmark函数的测试表明:GMPSO算法无论是搜索精度、速度还是稳定性均显著优于PSO算法.     

云计算中基于进化算法的任务调度策略

任务调度是云计算的关键问题之一,它的调度策略与算法直接影响到云计算系统的性能与成本。通过研究基于粒子群算法和遗传算法的任务调度策略,提出了一种基于进化策略的PSO-CM算法。该算法通过在粒子群算法中引入遗传算法的交叉变异策略来提高粒子群算法的全局收敛效果,并且证明了PSO-CM算法是一种全局收敛算法。Matlab仿真实验表明,该算法能够达到全局收敛,且收敛速度和稳定性优于传统的调度算法。     

求解中间存储有限Flow Shop调度问题的离散群搜索优化算法

针对中间存储有限的Flow Shop调度问题,提出了一种离散群搜索优化算法来最小化工件加工的总流水时间。该算法首先采用基于工件排列的离散编码方式,使得能够直接求解离散的调度问题;其次提出了新的初始化方法,确保了初始种群既具有一定的多样性,又有较好的性能;还引入了离散差分进化的思想,增强了算法的运算效率与搜索能力。最后使用正交设计的方法设置算法参数,通过对Taillard算例的仿真计算,验证了本文算法的优越性。