最大度二元约束满足问题粒子群算法

约束满足问题是人工智能的一个重要研究领域，使用粒子群搜索算法来求解约束满足问题逐渐受到人们的重视．把变量的最大度静态变量序关系引入到评估函数中，区别对待每个变量，通过静态变量序关系改变适应度函数，从而影响算法对最优粒子的选择．使用随机约束满足问题实验表明，改进后的算法比原算法具有更好的搜索能力，能以更快的速度收敛到全局解．     

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。     

随机资源约束项目调度问题基于序的果蝇算法

针对项目活动工期为随机变量的资源约束项目调度问题,提出一种基于序的果蝇算法.为了实现随机环境下解的有效评价,提出一种预选机制,并采用基于序的最优计算量分配技术.为了使果蝇算法能够求解资源约束项目调度问题,采用交换操作执行果蝇算法的嗅觉搜索,并采用保优更新操作执行视觉搜索.为了均衡算法的局部搜索和全局搜索能力,在标准果蝇算法中引入了协作进化环节并采用两点交叉操作加以实现.在不同随机分布的情况下,采用标准测试集进行仿真测试.与现有算法的比较结果验证了所提预选机制和基于序的果蝇算法的有效性.     

考虑加热炉生产因素的热轧板坯轧制计划模型与算法

加热炉生产是影响热轧机组利用率和轧制计划质量的重要环节之一.通过分析加热炉对热轧生产的影响,抽取板坯标准在炉时间和出炉温度这两个关键因素,建立热轧板坯轧制计划的整数规划模型,并提出自适应邻域搜索算法.在算法中设计约束满足策略、自适应搜索策略和反向学习邻域搜索策略.约束满足策略针对目标特征和加热炉因素设计两种值选择规则,用于生成高质量初始解;自适应搜索策略能够自主选择邻域结构和终止邻域搜索,有效优化邻域结构选择方式和算法收敛速度;反向学习邻域搜索策略基于反向学习技术增强解空间多样性,提高全局搜索能力.基于实际生产数据设计多种规模的实验,通过实验验证了算法的有效性.     

一种基于杂草优化的全局Web服务选择算法

随着网络中的Web服务数量的暴增,基于QoS的服务选择成为保证组合服务质量和可靠性的关键环节。针对当前服务选择算法全局优化能力弱的问题,将服务选择建模为带约束的非线性最优化问题,并提出一种基于杂草优化的服务选择算法。首先随机产生一组服务选择可行解并将其编码为杂草个体,进而根据个体的QoS效用值确定个体的繁殖数,最后以高斯分布方式指导种群的扩散完成对解空间的快速搜索。理论分析与实验结果表明,该算法有效性和鲁棒性强,可获得相较于已有文献更优的全局解。     

基于禁忌搜索算法求解随机约束满足问题

为了求解具有增长取值域的随机约束满足问题（CSP）,提出了一种基于禁忌搜索并与模拟退火相结合的算法。首先,利用禁忌搜索得到一组启发式的初始赋值,即由一个随机初始化的可行解通过邻域构造一组候选解,再利用禁忌表使候选解向最小化目标函数值的方向移动;如果得到的最优赋值不是问题的解,就把它作为启发式的初始赋值,再执行模拟退火对这组赋值进行修正直到得到全局最优解。数值实验结果表明,所提算法在接近问题的理论相变阈值时仍然能有效地找到问题的解,与其他局部搜索算法相比,表现出了显著的优越性,可用于随机CSP的算法设计。     

基于蚁群算法的QoS最佳路由选择问题的研究

针对当前通信网络中存在的服务质量问题提出了满足QoS约束的最佳路由选择算法——蚁群算法，该算法是一种新型的进化算法。与其它进化算法一样存在搜索时间过长和易于陷入局部最优解等缺陷。提出了一种通过动态地调整信息素的挥发度和采用最优、最差路径信息索全局更新策略来克服上述缺陷。改进型算法能较快地收敛到全局最优解。仿真结果表明上述方法是可行和有效的。     

解多目标约束问题的改进MaxMin-PSO算法

将最大最小化适应度函数与罚函数相结合,提出了一种实用有效求解多目标约束优化问题的粒子群算法。采用归类和比较的思想进行替换非劣解;改变以往全局最优值的选取方法,而采用轮序方式从非劣解中获取。实验证明改进的MaxMin-PSO算法能更加有效的逼近Pareto解,收敛速度更快,分布更均匀,且能很好的抑制低维多目标约束问题的发散现象。     

基于遗传算法的多模式资源约束项目调度问题研究*

为解决多模式资源约束项目调度问题,提出了一种混合遗传算法的求解方法。该算法采用二维编码方法来表示问题的解,基因的值表示任务的优先权和执行模式,每条染色体对应一个满足逻辑关系约束的可行任务排序,根据染色体所对应的任务调度顺序和执行模式序列可以获得一个满足资源约束的项目调度方案。应用该编码方法进行选择、交叉和变异等遗传操作,能够使搜索范围遍及整个问题解空间。实际应用表明,该算法能快速求得问题的最优解或近似最优解。     

基于约束满足的热轧批量计划模型与算法

将热轧批量计划问题作为一个约束满足问题处理，建立不确定计划数的VRPSTw约束满足模型．在求解过程中．先用约束满足的一致性技术过滤变量的值域，收缩搜索空间；然后用变量选择和值选择构造轧制计划的解．为变量赋值之后，实施约束传播，保证每块板坯只被访问一次并动态禁止子回路．在已有的解的基础上，应用基于禁忌的k-opt互换改进解的质量．数据实验证明模型和算法是有效的．     

一种多目标置换流水车间调度问题的优化算法

针对最大完工时间最小和总流经时间最小的多目标置换流水车间调度问题(permutation flow shopscheduling problem, PFSP), 提出一种粒子群优化算法与变邻域搜索算法结合的混合粒子群优化(hybrid particleswarm optimization algorithm, HPSO)算法, 并使算法在集中搜索和分散搜索之间达到合理的平衡. 在该混合算法中,采用NEH 启发式算法进行种群初始化, 以提高初始解质量;运用随机键表示法设计基于升序排列规则(ranked-order-value, ROV), 将连续PSO 算法应用于置换流水车间调度问题;引入外部档案集存贮Pareto 解, 并采用强支配关系和聚集距离相结合的混合策略保证解集的分布性;采用Sigma 法和基于聚集距离的轮盘赌法进行全局最优解的选择;提出变邻域搜索算法, 对外部集中的Pareto 解作进一步地局部搜索. 最后, 运用提出的混合算法求解Taillard 基准测试集, 并将测试结果与SPEA2 算法进行比较, 验证该调度算法的有效性.     

A hybrid swarm intelligence algorithm for the travelling salesman problem

Abstract: We present a hybrid model named HRKPG that combines the random‐key search method and an individual enhancement scheme to thoroughly exploit the global search ability of particle swarm optimization. With a genetic algorithm, we can expand the area of exploration of individuals in the solution space. With the individual enhancement scheme, we can enhance the particle swarm optimization and the genetic algorithm for the travelling salesman problem. The objective of the travelling salesman problem is to find the shortest route that starts from a city, visits every city once, and finally comes back to the start city. With the random‐key search method, we can search the ability of the particle and chromosome. On the basis of the proposed hybrid scheme of HRKPG, we can improve solution quality quite a lot. Our experimental results show that the HRKPG model outperforms the particle swarm optimization and genetic algorithm in solution quality.     

基于HSDPA混合群集智能算法的多用户调度

传统的基于粒子群最优化的混合启发式算法和模拟退火算法往往以牺牲解的质量或者求解速度来实现有效的调度,为了解决这一问题,提出了一种基于高速下行分组接入（HSDPA）标准的混合群集智能算法。首先假定HSDPA标准所指定的是现实性不完善的信道状态信息（CSI）反馈,并以有限集合的形式存在于信道指示符（CQI）中;接着在最优化过程中,利用模拟退火算法和粒子群最优化算法各自的优点设计混合群集智能算法;最后利用混合算法进行数据处理,得到最优解的同时降低了复杂度,从而实现提升系统通量,达到调度最优化的目的。实验结果表明,与传统的基于粒子群最优化的算法相比,所提的混合算法取得了更好的调度效果。     

拟牛顿粒子群优化算法求解调度问题

针对资源受限的项目调度问题,将粒子群优化算法与拟牛顿优化算法相结合,提出了一种混合粒子群算法。本算法利用粒子群算法求得优化解,然后利用拟牛顿方法对所得到的解进行局部优化,以尽量达到或接近全局最优点。结果表明,本算法能够有效地求解大规模项目调度问题,具有较好的应用价值。     

A particle swarm–BFGS algorithm for nonlinear programming problems

This article proposes a hybrid optimization algorithm based on a modified BFGS and particle swarm optimization to solve medium scale nonlinear programs. The hybrid algorithm integrates the modified BFGS into particle swarm optimization to solve augmented Lagrangian penalty function. In doing so, the algorithm launches into a global search over the solution space while keeping a detailed exploration into the neighborhoods. To shed light on the merit of the algorithm, we provide a test bed consisting of 30 test problems to compare our algorithm against two of its variations along with two state-of-the-art nonlinear optimization algorithms. The numerical experiments illustrate that the proposed algorithm makes an effective use of hybrid framework when dealing with nonlinear equality constraints although its convergence cannot be guaranteed.     

A hybrid particle swarm optimization for job shop scheduling problem

A hybrid particle swarm optimization (PSO) for the job shop problem (JSP) is proposed in this paper. In previous research, PSO particles search solutions in a continuous solution space. Since the solution space of the JSP is discrete, we modified the particle position representation, particle movement, and particle velocity to better suit PSO for the JSP. We modified the particle position based on preference list-based representation, particle movement based on swap operator, and particle velocity based on the tabu list concept in our algorithm. Giffler and Thompson’s heuristic is used to decode a particle position into a schedule. Furthermore, we applied tabu search to improve the solution quality. The computational results show that the modified PSO performs better than the original design, and that the hybrid PSO is better than other traditional metaheuristics.     

粒子群优化算法在配送中心连续性选址中的应用

在用常规算法对配送中心进行连续性选址时,很容易陷入局部最优解。针对这一问题,引入ALA方法的思想,提出了解决此类模型的粒子群优化算法。该算法首先利用ALA方法的局部寻优能力对初始粒子进行优化,然后利用粒子群优化算法进行全局寻优。通过实例分析表明,该算法能很好地处理物流配送中心的连续选址问题,为决策者提供一种有效的优化工具。     

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。     

基于二阶振荡及自然选择的随机权重混合粒子群算法

针对粒子群算法“早熟收敛”的缺点,提出一种混合粒子群算法.该算法采用最大速度线性递减的方法平衡全局寻优能力与算法收敛精度的矛盾,并用随机权重平衡算法的全局和局部搜索能力.学习因子二阶振荡使种群在粒子数目不变的情况下维持多样性,是提高全局搜索能力的主要方法.自然选择原理使算法改善了因二阶振荡和随机权重的加入而造成收敛速度降低的情况.测试实验表明,所提出的算法能避免早熟问题,有效地提高寻优能力.