自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题，利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先，将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重，以加快寻优速度；然后，为了防止种群陷入局部最优，定义了种群相似度函数；最后，在种群中加入最差个体位置信息以增加种群混乱度，从而提高算法的全局寻优能力.仿真结果表明，SAPSO在收敛速度较快的情况下，寻优精度优于蒙特洛卡算法和改进遗传算法.     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

基于改进粒子群算法的测试用例优先排序

针对标准粒子群算法优化过程中易早熟及后期收敛速度慢的缺点,提出了一种改进粒子群算法用于测试用例优先排序。首先,采用Tent映射初始化粒子种群,提高初始解质量;其次,给出了一种自适应调整因子公式,使调整因子与该粒子的适应度值大小相关,以更新粒子速度与位置信息;最后,对惰性粒子进行混沌搜索优化,提高种群的多样性,保证算法较好的收敛速度及寻优能力;实验结果表明,提出的改进方法在缺陷检测率、测试用例语句覆盖率和有效执行时间等方面均有优势。     

约束优化问题带有混沌变异的PSO-DE混合算法

使用混沌运动产生均匀分布的初始种群,并且对早熟的种群进行混沌变异,以增强算法的全局寻优能力;用一个改进的粒子群优化算法对种群进化,对那些不可行的粒子再用差分进化算法进行演化;通过自适应的半可行域竞争选择策略形成新一代种群,直到达到全局寻优的目的,由此提出一个约束优化问题带有混沌变异的PSO-DE混合算法.数值结果表明,所提出的算法具有较高的计算精度、较好的稳定性、较强的全局寻优能力.     

基于自适应变异SAPSO-LSSVM的轨道电路故障诊断

针对传统无绝缘轨道电路故障诊断精度不高与诊断结果不稳定的问题,提出一种将模拟退火(Simulated Annealing,SA)算法和粒子群最小二乘支持向量机(PSO-LSSVM)相结合的方法,并用其进行故障诊断.借鉴遗传算法(Genetic Algorithm,GA)中的变异思想,在SA算法中引入简单变异算子,提出动态自适应变异SAPSO算法,以克服传统粒子群算法易陷入局部最优的问题.利用自适应变异SAPSO算法对改进LSSVM核函数的惩罚因子和核函数参数进行优化,避免故障诊断结果不稳定.最后通过仿真将本文算法与近几年比较先进的几种算法进行对比.仿真结果表明:本文算法对无绝缘轨道电路的故障诊断准确率更高、诊断结果更稳定.     

基于自适应粒子群优化算法的光伏电池参数辨识

利用双二极管等效电路模型进行光伏电池输出特性仿真,基于光伏电池的U-I数据建立了目标寻优函数,采用自适应粒子群优化算法对光伏电池参数进行了反演计算.结果表明:U-I反演曲线与实际曲线基本吻合,自适应粒子群算法与单纯形方法的参数辨识结果均与理论值相符,权重因子策略和种群规模对自适应粒子群优化算法寻优结果具有显著影响,基于自适粒子群优化算法的光伏电池参数辨识方法具有更高的求解精度和寻优效率.     

基于小波变异的改进粒子群算法

为了提高粒子群算法搜索精度和避免陷入局部最优,提出了一种改进的粒子群优化算法。一方面引入平均最好位置调整速度,使粒子可以利用更多的信息决策自己的行为;另一方面对引入的平均最好位置进行小波变异,增加算法的种群多样性。仿真实验结果表明:改进的粒子群算法具有寻优能力强、搜索精度高、稳定性好等特点。     

弹性粒子群优化算法及其在水电优化调度中的应用

为有效避免粒子群优化算法后期收敛速度慢的问题,提高寻优能力,设计了一种以自适应方式更新粒子飞行速度的弹性粒子群优化算法,建立了水电优化调度数学模型,提出了弹性粒子群优化算法解决水电优化调度问题的实现方法,包括粒子编码设计、适应度函数设计以及弹性修正值设计,并编制了基于Matlab语言的优化程序.实例仿真结果表明:弹性粒子群优化算法是有效的;相比基本粒子群优化算法和自适应粒子群优化算法,弹性粒子群优化算法求解水电优化调度问题具有更强的全局寻优能力和更快的收敛速度.     

基于粒子群算法的重油热解模型参数估计

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出了一种根据种群多样性测度动态改变惯性权重系数的自适应粒子群算法,该算法能够平衡算法的全局探索和局部开发能力,不仅有效地避免早熟,而且具有较快的收敛速度.两个经典的测试函数的仿真结果表明了算法的有效性.将改进的粒子群算法应用于重油热解模型参数估计中,效果明显.     

基于改进DPSO非退出故障下多无人机任务规划

针对非退出故障下多无人机协同任务规划问题，提出了一种基于混合策略改进的离散粒子群算法。该方法首先采用Sobol序列进行种群初始化，提高解空间的覆盖率；然后，提出非线性时变策略，加快算法的收敛速度；并引入柯西算子,增强离散粒子群算法的搜索空间；同时，还提出自适应交叉学习策略，丰富种群多样性，进而提升算法的全局寻优能力。综合改进的离散粒子群算法不仅加快了收敛速度，并且解的最优性也得到了提高。此外，运用三次样条插值算法进行无人机航迹规划，最后，将改进算法在三维空间中进行无人机故障前后的对比仿真实验，结果表明所设计的算法具有显著的寻优有效性，为部分无人机发生轻微故障后，多机协同执行任务规划的问题提供了理论依据。     

一种搜索空间自适应变化的自适应粒子群算法

提出一种搜索空间自适应的自适应粒子群优化算法.该算法对不同等级的粒子适应值采取不同的惯性权重,并随着算法的迭代不断缩小粒子群的搜索空间.同时,选择当前代的较优部分粒子直接进入下一代,其他粒子通过在缩小的搜索空间内随机生成,加快了种群收敛速度,同时又能使种群不断跳出局部最优解.几种典型函数的仿真实验表明,该算法在收敛速度...     

粒子群算法在金融风险模型中的研究与改进

在一种非线性金融风险模型中引入粒子群算法,针对粒子群算法在迭代后期搜索能力不高、粒子容易陷 入局部最优的问题,基于对惯性权重的优化以及对每个粒子个体位置变异,提出一种改进后的粒子群算法。 利用粒子群算法选择最优控制参数,以最大程度降低金融系统的总风险值。仿真结果表明,改进后的粒子群算 法在全局最优以及搜索速度方面优于传统的粒子群算法。     

基于自适应粒子群支持向量机的短期电力负荷预测

针对粒子群优化算法存在易陷入局部最优点的缺点,提出了一种新的基于平均粒距的自适应粒子群优化算法(ASPO).该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法的后期引入速度变异算子和交换算子,使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期搜索速度快的特性.将该算法应用到基于支持向量机的短期电力负荷预测模型中,对支持向量机的参数进行优化.对某电网的短期负荷预测实际算例仿真分析表明,所提出的基于APSO-SVM方法的预测精度明显优于传统的SVM方法,且速度较快,因此,该算法用于短期电力负荷预测是有效可行的.     

惯性权自适应调整的量子粒子群优化算法

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题, 提出一种新的基于粒子群优化和模拟退火的混合算法. 该算法将问题规模作为启发式信息, 通过对模拟退火算法引入新的邻域搜索机制--多粒度搜索, 并加入选择优化和淘汰更新机制, 提高了算法的自适应性和自学习能力, 降低了粒子群算法陷入局部最优的可能性. 实验结果表明, 该算法在最优解的求解能力上优于其他算法.     

面向绿色再制造系统的AGV路径规划研究

为了解决绿色再制造系统中的自动导引运输车(AGV)路径规划问题的问题,提出一种粒子群遗传融合的AGV全局路径优化的自适应算法.该方法集成了遗传算法(GA)和粒子群算法(PSO)二者的优点,为了改善传统PSO-GA融合算法迭代前期寻优速度慢的问题,引入了自适应惯性权重;为了提高算法进入迭代后期的收敛精度,提出了一种双重交叉变异策略,使得改进的PSO-GA融合算法比传统的PSO-GA融合算法搜索能力更强,进化速度更快,收敛精度更高.为了验证改进后算法的优越性,采用栅格法模拟自动导引运输车运行环境并通过MATLAB对标准粒子群、遗传、传统的PSO-GA融合、改进PSO-GA融合四种算法解决路径优化问题进行试验对比,结果证明了改进后的PSO-GA算法的可行性和有效性.     

RAQPSO算法的云计算资源调度策略

在"互联网+"时代,云计算代表了一种新的商业模式,而云系统中用户任务与计算节点的调度问题极大地影响着系统的性能和云竞争力。为此,提出了一种改进的量子粒子群算法——反向自适应量子粒子群算法(RAQPSO),通过对惯性权值参数的调整和加入反向学习算子来提高算法的全局搜索能力,并将其应用于云计算资源调度中,仿真验证了算法的有效性。建立了云计算资源调度问题的模型;采用自适应机制,将适应度函数的变化程度作为惯性权值的更新因子,避免了单纯地根据迭代次数的线性函数来取值,从而使粒子不易陷入局部最优;随后加入粒子反向学习算子,加强了粒子全局搜索能力。实验结果表明,RAQPSO算法大大节约了任务完成时间,并且保持了良好的计算节点负载平衡。