用带变异因子的QPSO算法解决Job-Shop调度问题

由于量子粒子群优化算法仍有可能会出现早熟现象,因此将变异机制引入量子粒子群优化算法以使算法跳出局部最优并增强其全局搜索能力,并将改进后的量子粒子群优化算法用于求解作业车间调度问题。仿真实例表明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法、粒子群优化算法和量子粒子群优化算法。     

基于粒子群优化和禁忌搜索的混合调度算法

提出了用于解决作业车间调度问题的离散版粒子群优化算法。该算法采用基于先后表编码方案和新的位移更新模型,使具有连续本质的粒子群优化算法直接适用于车间调度问题。同时,利用粒子群优化算法的全局搜索能力和禁忌搜索算法的自适应优点,将粒子群优化算法和禁忌搜索结合起来,设计了广义粒子群优化算法和粒子群—禁忌搜索交替算法两种混合调度算法。实验结果表明,两种混合调度算法能够有效地、高质量地解决作业车间调度问题。     

混沌变异粒子群优化算法及其应用研究

为克服粒子群优化算法容易陷入局部最优值的缺点,提出了基于变异思想的粒子群优化算法,为提高粒子群优化算法的计算精度,利用混沌运动随机性、遍历性的特点,提出了一种基于混沌思想的改进粒子群优化算法,进而提出了基于混沌变异的改进粒子群优化算法(CMPSO).基于几种典型benchmark函数的测试研究结果表明,该算法与基本PSO算法和遗传算法相比,较好地克服了早熟收敛,提高了算法的搜索精度.将该算法应用于水库优化调度问题中,所得结果优于标准粒子群优化算法和遗传算法,这也验证了混沌变异粒子群优化算法的有效性.     

基于自适应变异的粒子群优化算法的车间作业调度优化及其软件实现

由于现行的遗传算法在解决车间作业调度问题时有局限性,本文将一个自适应变异的粒子优化算法应用于车间作业调度．该算法在运行的过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率，变异操作增强了粒子群优化算法跳出局部最优解的能力．仿真实例的结果表明：该算法在解决车间作业调度问题上是可行的．     

一种求解Job-Shop调度问题的混合自适应变异粒子群算法

本文提出了用于解决车间作业调度问题的混合自适应变异粒子群算法,该算法在运行的过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,利用遗传算法思想对粒子进行选择、交叉操作,并将模拟退火算法的优点融入到AMPSO算法中。仿真结果表明,混合AMPSO算法能够有效地、高质量地解决作业车间调度问题。     

基于改进的离散PSO算法的FJSP的研究

柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)是经典作业车间调度问题的一个扩展,前者更接近于实际生产。以最小化最大完工时间为目标,提出了一种改进的离散粒子群优化算法。传统粒子群优化算法一般适用于优化连续模型问题,FJSP作为复杂度比较高的组合优化问题,是一种典型的离散模型。提出的算法采用机器负荷平衡机制初始化粒子种群,在粒子的更新过程中引入了3个操作算子来更新粒子的工序排序部分和机器分配部分,这3个算子分别为基于工序排序或机器分配的变异、与个体最优位置之间进行工序先后顺序保留的交叉(POX)操作、与全局最优位置进行随机点保存的交叉(RPX)操作。先后执行以上3个算子以完成粒子的一次更新。这种操作能够使种群较快地收敛于最优解。对标准测试案例进行实验的结果表明,所提算法对解决FJSP具有有效性,并且能够快速地搜索到近似最优解;与其他同类算法相比,所提算法在求解效果和收敛速度上均具有优越性。     

求解作业车间调度问题的改进的遗传算法

描述了作业车间调度问题,提出一种求解作业车间调度问题的改进的遗传算法.该算法对交叉算子和变异算子进行改进,能有效避免局部最优.通过对实例的计算和分析,取得了良好的调度效果,论证了该算法的有效性和稳定性.     

离散多种群入侵杂草优化算法求解柔性作业车间调度问题

针对柔性作业车间调度问题(FJSP)的特点,在基本入侵杂草优化算法原理的基础上,提出一种离散多种群入侵杂草优化算法.该算法引入多种群思想且在算法初期不进行种群交流,在各种群内采用交叉算子进行交流.当空间扩展时,采用自适应变异位数策略和领域搜索策略,提高了算法初期的全局搜索和后期的局部挖掘能力.在算法后期进行种群交流,提高了算法的收敛速度和寻优精度.将该算法用于柔性作业车间调度问题,且在解码时提出一种矩阵解码法.计算实例验证了所提出算法的有效性和优越性.     

一种求解作业车间调度的混合粒子群算法*

针对车间作业调度问题,提出了一种混合了知识进化算法和粒子群优化的算法。算法主要是结合知识进化算法的进化选择机制和粒子群优化的局部快速收敛性特性,首先让粒子替代知识进化算法中的进化个体,在群体空间中按粒子群优化规则寻找局部最优,然后根据知识进化算法的全局选择机制寻找全局最优,最后,将车间作业调度问题的特点融入到所提出的混合算法中求解问题。采用基准数据进行测试的仿真实验,并比对标准遗传算法,结果表明所提算法的有效性。     

结合遗传算子的改进粒子群算法#br# 在轮胎硫化车间调度中的应用

针对轮胎硫化车间生产特点,提出一种基于粒子群算法的车间调度方案。首先采用一种局部与全局搜索相结合的粒子群算法,引入局部极值概念对算法速度公式进行修改,避免算法早熟收敛。再与遗传算法融合,通过选择、交叉、变异算子进一步优化,使结果向最优值趋近。根据硫化车间特点,采用基于任务的编码方式,使生产任务与硫化机器一一对应。通过与其它优化算法在调度实例中的比较,验证了该算法的有效性和可行性。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

基于趋利避害原则的粒子群算法研究

针对标准粒子群算法进行多极点函数优化时易导致早熟收敛及陷入局部最优的问题,把生物学中昆虫生存的趋利避害原则引入到粒子群优化算法中,改变传统粒子群优化算法只存在趋利操作而没有避害操作的单向性,提出了两种不同的保持或增加种群多样性的改进算法。仿真实验结果表明,与传统粒子群优化算法相比,采用基于趋利避害原则的粒子群算法处理复杂的多峰函数可显著提高算法的全局寻优性能。     

基于改进并行粒子群算法的彩色图像匹配

本文给出了对解决图像匹配问题的一种新尝试,即基于改进并行粒子群算法的彩色图像匹配。本文提出和建立对彩色图像匹配问题的匹配策略和数学模型,应用改进并行粒子群算法(基于 .Net任务并行库(TPL)/PLINQ实现并行化)进行仿真实验并将实验结果与标准粒子群算法下的彩色图像匹配问题的实验结果进行比较,验证了算法的实用性和有效性。在大数据背景下的智能算法的应用方面迈进了一小步,同时也给本身研究不多的彩色图像匹配问题提供了一种新的且可行的解决方法。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

基于扩散机制的杂交粒子群优化算法*

为了解决标准粒子群优化算法容易陷入局部极小值的问题,模拟统计物理和热力学中的扩散现象,设计了一种扩散机制,根据扩散定律和扩散系数公式,给出了粒子的扩散能、种群的温度和粒子的扩散概率三个定义和扩散池的概念;并把这种策略和多父体杂交算子结合起来,提出了基于扩散机制的杂交粒子群优化算法。该算法在具有欺骗性的多模态函数优化和非线性模型参数估计等实际问题上取得了较理想的实验结果,证实了扩散机制和多父体杂交策略可以有效地改善粒子群优化算法的性能。     

基于自适应混沌变异粒子群算法的路径规划

研究了一种全新的基于自适应混沌变异粒子群的路径规划算法。该方法首先进行环境建模,利用改进的粒子群算法获得一条较优路径。在改进的粒子算法中为防止早收敛,加入自适应混沌变异操作,在加强算法局部搜索能力的同时保证搜索过程中种群的多样性。仿真实验表明,即使在复杂的环境下,利用该算法也可以规划出一条全局较优路径,且能安全避碰。     

一种基于竞选领导策略的改进粒子群算法

针对标准粒子群算法由于粒子多样性的大量丧失而导致的算法易陷入局部最优解,收敛精度不高的问题,提出一种基于竞选领导策略的改进粒子群算法,该算法在全局最优粒子的领导能力丧失时,通过引进细菌觅食算法的趋化算子对精英粒子进行优化,然后选出更具领导能力的粒子作为新的领导粒子来带领种群跳出局部最优解,以增强算法的全局搜索能力。通过四个典型函数的测试,结果表明改进算法在较好保留了标准粒子群算法快速收敛优点的前提下,有效地预防了早熟现象的产生,提高了收敛精度。     

机器人逆运动学差分自适应混沌粒子群求解

采用D-H法通过连杆坐标系变换矩阵建立机械臂运动控制模型,该模型呈现非常严重的非线性特性,传统方法难以求解。由于动态差分算法具有很强的全局搜索能力,而粒子群算法具有精确的局部搜索能力的特点,融合改进的动态差分算法和粒子群算法,并引入混沌映射初始种群和粒子群学习因子与惯性权重的自适应算法,提出多子群分层差分自适应混沌粒子群算法。该算法采用的多子群分层结构能提升个体共享群体信息的能力,底层利用动态差分算法进行全局搜索,顶层精英群利用改进的粒子群算法进行局部搜索。仿真试验和实际应用表明该算法在稳定性、搜索成功率以及收敛精度有显著提高,能有效解决机器人逆运动学模型的求解。     

高斯扰动粒子群算法的数据库查询优化

针对量子粒子群算法存在的不足,将变异算子引入其中,提出一种高斯变异量子粒子群算法（GM-QPSO）,并将其应用于数据库查询优化中。首先建立数据库查询优化数学模型,然后采用量子粒子代表一个可行的数据库查询方案,然后通过量子粒子之间的信息交流,找到数据库查询最优解,最后在 Matlab 2012上进行了仿真实验。仿真结果表明, GM-QPSO克服了量子粒子群算法存在的不足,不仅提高了数据库查询速度,而且获得了更加理想的查询优化方案。     

基于GM-QPSO算法的数据库查询优化

针对量子粒子群算法解决数据库查询优化问题存在缺陷,提出一种高斯变异量子粒子群算法的数据库查询优化方法（GM-QPSO）。首先将遗传算法的变异算子引进量子粒子群优化算法,使得粒子在近似最优解附近变动提高全局搜索能力,然后将其应用于数据库查询优化问题求解,最后通过仿真实验对GM-QPSO的性能进行测试。结果表明,GM-QPSO加快了数据库查询优化求解的收敛速度,获得了质量更高的查询优化方案。