共查询到19条相似文献,搜索用时 140 毫秒
1.
整数规划是在科学领域和应用研究中广泛使用的一类数学模型.由于它是NP困难问题,因而求解困难.目前的求解方法是以群智能算法为主体,但这类方法一直未能很好地解决种群内部个体或者种群之间的探索与开采、竞争与协作的矛盾.基于金字塔结构的群智能演化策略(swarm intelligence evolution strategy based on pyramid structure,简称PES)是一种新型算法.该算法能够有效地解决上述两大矛盾.深入地分析了PES算法的机理,构造了一种择优协作策略的模型,并将改造后的PES算法由优化函数扩展到求解整数规划问题上.最后,通过探索实验以及对比实验探究了算法的收敛性、稳定性以及探寻全局最优点的性能.实验结果表明,基于择优协作策略的PES算法能够很好地求解整数规划问题. 相似文献
2.
在经典微粒群算法的基础上提出一种有较高收敛性能的智能算法:量子粒子群(QPSO)算法。并用于求解混合整数非线性规划问题。实验室证明QPSO算法收敛性能好、速度快,为求解混合整数非线性规划开辟了新途径。 相似文献
3.
优化问题是工程领域常见的问题之一,大多数工程问题的本质是函数优化问题.金字塔演化策略(Pyramid Evolution Strategy,PES)在求解函数优化问题时虽然能够很好地建立种群"开采"与"探索"以及"竞争"与"协作"之间的平衡,但是仍存在收敛速度慢、求解精度低、容易陷入局部最优等问题.针对上述问题,提出了基于动态近邻套索算子的金字塔演化策略(DN-LPES).DNLPES算法根据演化代数自适应控制目标个体群的选择范围参数,同时在目标个体群中通过欧氏距离来度量个体之间的差异性;利用个体之间的差异信息引导个体间的协作,通过持续产生新个体并剔除适应度值较差的个体来完成种群进化;通过充分利用种群个体之间的差异性信息并增强个体之间的协作来进一步提高算法的求解精度.将DNLPES算法与7种算法在9个测试函数上进行对比实验,实验结果表明,DNLPES算法在求解精度上具有一定的竞争力,DNLPES算法相比标准PES算法在求解精度与收敛速度上均具有明显优势. 相似文献
4.
5.
针对粒子群算法解决建造项目中的无人机三维路径规划问题时,易陷入局部最优问题,提出了一种混合惯性牵引力的粒子群优化算法。通过在初始阶段起始点与目标点位置关系,引入自适应初始化机制,对粒子群的初始种群进行优化;采用线性递减的惯性权重方式,加强算法前期的全局搜索与后期的局部搜索性能;借助万有引力思想在速度更新中引入加速度,加强搜索的性能。采用有无自适应初始化机制的改进算法进行对比试验,结果验证了该机制更有利于提高算法的求解质量;通过IPSO算法、IHPSO算法与改进算法进行仿真实验,结果表明改进算法所的求解质量上更好,稳定性相对于IPSO较好69.75%,相对于IHPSO较好17.41%。 相似文献
6.
7.
8.
改进遗传算法及其在过程系统综合中的实践 总被引:6,自引:1,他引:5
过程系统综合问题通常是奇异、多峰的,本文对遗传算法进行了改进,并对改进后的算法对该类问题的求解能力进行了研究,对遗传算法测试函数、最优过程设计和换热网络综合等问题的有效求解表明:该处地过程系统综合混合整数非线性规划问题(MINLP)有着较好的全局求解能力。 相似文献
9.
针对过道布置问题中忽略设施深度及物流交互点置于过道边线的问题,结合实际布局活动对过道布置问题进行拓展,构建考虑设施深度的过道布置问题的混合整数规划模型,并提出一种改进烟花算法.该算法采用2-opt邻域构造方法对爆炸操作进行离散化处理;设置搜索深度并执行两点变异操作,实现变邻域搜索;通过贪婪选择方法更新种群以记忆精英解.为改进算法,引入混沌映射初始化烟花种群和设置阈值以加速算法寻优.通过对比数学规划方法与所提出算法的求解结果,验证了模型的有效性和所提出算法的求解优势.最后,通过不同算法的对比实验表明,改进烟花算法在寻优精度、收敛效率和稳定性方面均有明显优势. 相似文献
10.
11.
12.
Wei Hong Lim Nor Ashidi Mat Isa 《Engineering Applications of Artificial Intelligence》2013,26(10):2327-2348
Early studies in particle swarm optimization (PSO) algorithm reveal that the social and cognitive components of swarm, i.e. memory swarm, tend to distribute around the problem's optima. Motivated by these findings, we propose a two-layer PSO with intelligent division of labor (TLPSO-IDL) that aims to improve the search capabilities of PSO through the evolution memory swarm. The evolution in TLPSO-IDL is performed sequentially on both the current swarm and the memory swarm. A new learning mechanism is proposed in the former to enhance the swarm's exploration capability, whilst an intelligent division of labor (IDL) module is developed in the latter to adaptively divide the swarm into the exploration and exploitation sections. The proposed TLPSO-IDOL algorithm is thoroughly compared with nine well-establish PSO variants on 16 unimodal and multimodal benchmark problems with or without rotation property. Simulation results indicate that the searching capabilities and the convergence speed of TLPSO-IDL are superior to the state-of-art PSO variants. 相似文献
13.
Web service selection, as an important part of Web service composition, has direct influence on the quality of composite service. Therefore, it has attracted many researchers to focus on the research of quality of service (QoS) driven Web service selection in the past years, and many algorithms based on integer programming (IP), mixed integer linear programming (MILP), multi-dimension multi-choice 0–1 knapsack problem (MMKP), Markov decision programming (MDP), genetic algorithm (GA), and particle swarm optimization (PSO) and so on, have been presented to solve it, respectively. However, these results have not been satisfied at all yet. In this paper, a new cooperative evolution (Co-evolution) algorithm consists of stochastic particle swarm optimization (SPSO) and simulated annealing (SA) is presented to solve the Web service selection problem (WSSP). Furthermore, in view of the practical Web service composition requirements, an algorithm used to resolve the service selection with multi-objective and QoS global optimization is presented based on SPSO and the intelligent optimization theory of multi-objective PSO, which can produce a set of Pareto optimal composite services with constraint principles by means of optimizing various objective functions simultaneously. Experimental results show that Co-evolution algorithm owns better global convergence ability with faster convergence speed. Meanwhile, multi-objective SPSO is both feasible and efficient. 相似文献
14.
15.
基于狮群中狮王、母狮及幼狮的自然分工,模拟狮王守护、母狮捕猎、幼狮跟随3种群智能行为,提出群体智能算法——狮群算法.算法中不同种类的狮子位置更新方式不同.遵循自然界生物“适者生存”的竞争法则,狮王守护领土,优先享用食物,母狮合作捕猎,幼狮分为学习捕猎、饥饿进食和成年被驱逐.狮子位置更新方式的多样化保证算法快速收敛,不易陷入局部最优.最后,将算法应用于6个标准测试函数优化问题,并对比粒子群算法、骨干粒子群算法,测试结果表明,文中算法收敛速度较快,精度较高,能较好地获得全局最优解. 相似文献
16.
17.
18.
阚超豪 《计算机工程与应用》2013,49(6):23-28
粒子群优化算法(PSO)是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明:改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。 相似文献
19.
广义粒子群优化模型 总被引:55,自引:0,他引:55
粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题.针对这个问题,文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型,并分析了其缺陷.然后,基于传统算法的速度一位移更新操作,在分析粒子群优化机理的基础上提出了广义粒子群优化模型(GPSO),使其适用于解决离散及组合优化问题.GPSO模型本质仍然符合粒子群优化机理,但是其粒子更新策略既可根据优化问题的特点设计,也可实现与已有方法的融合.该文以旅行商问题(TSP)为例,针对遗传算法(GA)解决该问题的成功经验,使用遗传操作作为GPSO模型中的更新算子,进一步提出基于遗传操作的粒子群优化模型,并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法.与采用相同遗传操作的GA比较,基于GPSO模型的算法解的质量与收敛稳定性提高,同时计算费用显著降低. 相似文献