面向货物装卸需求的越库仓门分配和货车排序

在货物种类多、批量少的越库调度系统中,货物的装卸顺序要求对于优化仓门分配和货车排序问题起着重要作用。针对这种情况,以最小化越库操作完工时间为目标,建立越库调度模型。分别基于优化仓门分配和货车排序问题,设计惯性权重非线性改变和增加交叉操作的改进粒子群算法进行迭代寻优。最后通过不同规模的数值实验,将改进粒子群算法与标准粒子群算法和遗传算法进行对比分析,实验结果表明改进粒子群算法在求解精度上比标准粒子群算法和遗传算法有明显优势,在求解时间上优于遗传算法,略逊色于标准粒子群算法。     

基于融合禁忌搜索粒子群算法的配电网无功优化

从数学角度分析,配电网无功优化是一个非线性、多变量、多约束的混合规划问题。粒子群优化搜索算法被广泛应用于求解配电网无功优化问题。由于粒子群算法粒子群在进化过程易趋向同一化,失去多样性,从而使算法陷入局部最优解。本文在分析配电网无功优化的特性基础上,提出一种改进的紧融合禁忌搜索-粒子群算法用于配电网无功优化问题的求解。通过将禁忌搜索功能融合到粒子历史最优解和全局最优解寻优过程中,避免了粒子群算法寻优过程中出现的局部最优问题,从而提高粒子群算法的全局搜索能力。通过IEEE14节点系统的仿真计算结果表明,改进的算法能取得良好的效果。     

浅析电网自动化调度中的无功电压管理

随着当前我国电网大跨越,自动化调度的合理性直接影响着整个电网规划的网络结构、供电质量和运行经济性,并且关系到我国经济发展的用电需求。而无功功率优化补偿提高电压质量,降低网络有功损耗意义重大。用于无功电压优化的算法主要有数学类的数值优化算法和人工智能类的启发式优化算法。其中以人工神经网络、专家系统、模糊理论、遗传算法、粒子群算法、等为代表。本文针对目前电力系统规模越来越大,节点数越来越多,传统控制方法求解越来越困难的现状,对无功电压管理进行了智能粒子群优化算法优化处理,取得了很好效果。     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

可靠性优化的一种新的算法

建立了可靠性冗余优化模型,提出了一种基于粒子群优化算法的可靠性优化的新方法,该方法结合了遗传算法的思想。实例结果表明,粒子群算法比模拟退火算法和遗传算法效果好。     

求解VRP问题的混沌模拟退火萤火虫算法

目的使萤火虫优化算法(GSO)能够适用于车辆路径问题(VRP)的求解,同时提高该算法的求解性能。方法通过对GSO算法的改进,提出求解VRP问题的混沌模拟退火萤火虫优化算法(CSAGSO)。首先,设计改进的GSO算法(IGSO)使IGSO算法能够适应VRP问题的求解;其次,在IGSO算法中引入模拟退火机制,提出模拟退火萤火虫优化算法(SAGSO),使IGSO算法可有效避免陷入局部极小并最终趋于全局最优。然后,在SAGSO算法中引入混沌机制,提出CSAGSO算法,对SAGSO算法的荧光素浓度值进行混沌初始化和混沌扰动;最后,对标准算例集进行仿真测试。结果与遗传算法、蚁群算法和粒子群算法相比,CSAGSO算法的全局寻优能力、收敛速度及稳定性均改善了50%以上。结论对GSO算法的改进是合理的,且CSAGSO算法的全局优化能力、收敛速度和稳定性均优于遗传算法、蚁群算法和粒子群算法。     

基于改进粒子群算法的Volterra模型参数辨识

针对非线性系统Volterra泛函级数模型,结合混沌优化策略和种群多样性控制思想,提出了一种改进粒子群算法,并应用于Volterra模型参数的辨识,将非线性系统的辨识问题转化为高维参数空间上的优化问题。利用混沌序列增加初始种群的多样性,通过构建动态子群以进行协作寻优,且各子群采用不同的参数自适应调整策略,并定义算法收敛性测度以对精英粒子进行合理的混沌变异,避免了算法早熟收敛,提高了算法的寻优速度和寻优精度。仿真实验中,将该方法与基于标准粒子群算法、遗传算法、量子粒子群算法的Volterra模型参数辨识方法相比较,验证了该辨识方法的有效性和鲁棒性。     

混流装配线调度问题的离散粒子群优化解

混流装配线调度问题是JIT生产中的一个重要问题。借鉴二进制遗传算法中的交叉操作过程，对传统的连续型粒子群算法进行改进，使其适用于离散问题的优化处理。然后以丰田公司的汽车组装调度函数作为目标函数，利用改进的离散粒子群算法进行求解。对比分析表明：新算法所得结果优于常用的目标追随法、遗传算法、模拟退火等方法。     

粒子群优化算法在水文科学中的应用进展

介绍了粒子群算法的标准算法及流程,探讨了粒子群算法在水库优化调度、水电站经济运行、参数优选等水文领域中的研究成果和存在的问题,指出未来应该加强粒子群算法改进机理和收敛性能的研究,并与其他算法技术相比较、结合,拓展其在水文科学领域的应用范围,为解决水文领域中大量优化问题提供新途径。     

基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。     

基于信息熵改进的粒子群算法在桁架结构

提出了信息熵改进的粒子群优化算法用于解决有应力约束、位移约束的桁架结构杆件截面尺寸优化设计问题.首先介绍了信息熵基本理论和基本粒子群优化算法理论,然后对粒子群优化算法作了合理的参数设置,并将信息熵引入粒子群优化算法的适应函数和停机判别准则中.最后对2个经典的优化问题进行求解并与其他算法进行了比较.数据结果表明信息熵改进后的粒子群优化算法在桁架结构优化设计中优于其他同类算法.     

改进粒子群算法在农产品物流配送路径管理中的应用

目的 为了更加合理地进行车辆路径调度管理,提高粒子群求解车辆路径优化问题的性能。方法 提出了一种动态猴子跳跃机制的粒子群优化算法,它借助群体的动态分组,采用不同的动态惯性权重来提高算法的速度,引入猴子跳跃机制来保证全局收敛性。最后把改进算法应用到物流配送路径优化的2个实例中,同一环境下,改进算法搜寻到最优路径适应值、平均运算时间,以及求得最优解的成功次数,均优于标准粒子群优化算法。结果 结果表明,改进的算法能快速有效地确定物流配送路径。结论 改进粒子群优化算法不仅具有较快的寻优速度,而且也提高了算法的收敛性,保证了寻优质量,因此具有很大的应用价值。     

一种改进的雁群扩展粒子群算法研究

针对粒子群算法易陷入局部最优的问题,结合雁群启示粒子群算法和扩展粒子群算法提出了基于雁群启示的扩展粒子群(GeEPSO)算法。该算法在利用雁群飞行方向的多样性同时融合了所有粒子的个体极值信息,提高了种群多样性。为进一步提高改进算法的收敛速度,引入简化粒子群提出了 GeESPSO算法。基准函数的仿真表明:改进算法GeESPSO较好地平衡了收敛速度和局部最优两个矛盾,总体较优。为进一步验证算法在实际应用中的有效性,又分别用两种改进算法优化BP神经网络,并用相关气象数据对PM2.5的值进行预测。     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有"趋同性"。本文提出了改进多粒子群优化算法(IPPSO),IPPSO是两层结构:底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。     

快速群搜索优化算法及其应用研究

在群搜索优化算法GSO(Group Search Optimize)基本原理的基础上,提出了改进的群搜索优化算法——快速群搜索优化算法QGSO(Quick Group Search Optimize),并应用于结构优化设计。算法的改进主要有3个方面:第一,当算法不前进时,适当加大游荡者的数目;第二,引进粒子群算法(PSO)的搜索方式,将GSO中的角度搜索改为步长搜索,并考虑群体最优值和个体最优值;第三,引入遗传算法,通过个体最优值与群体最优值的杂交重新生成游荡者。采用QGSO优化算法分别对平面和空间桁架结构进行了离散变量的截面优化设计,并与GSO优化算法和启发式粒子群优化算法(HPSO)的计算结果进行了比较,结果表明:该文改进的群搜索优化算法QGSO与GSO算法和HPSO算法相比具有较好的收敛精度和更快的收敛速度,可应用于工程结构的优化设计。     

多种群的粒子群优化算法的研究

基于差分进化算法和标准粒子群算法的混合算法进行改进,提出多种群的混合粒子群算法。通过仿真,改进后的算法在收敛速度和性能方面相当于其他粒子群算法有较大的提高,具有较强的鲁棒性。     

基于粒子群遗传算法的泊车系统路径规划研究

针对智能停车库自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,提出了一种基于粒子群和遗传算法的动态自适应混合算法.在标准粒子群算法和遗传算法的基础上,通过引入动态自适应调整策略分别对惯性权重系数、学习因子以及交叉变异概率公式进行了优化.在进化初期,通过在惯性权重系数和学习因子之间建立动态联动关系来实现对粒子速度和位置的实时有效更新;在进化后期,通过引入自适应遗传算法的交叉、变异操作来增强混合算法的全局搜索能力,提高算法的进化速度和收敛精度.为验证混合算法的可行性和有效性,选用MATLAB软件对其进行仿真测试.仿真测试结果显示,与禁忌搜索算法、蚁群算法以及遗传算法相比,混合算法表现出较强的全局搜索能力和较好的收敛性能,表明混合算法可行和有效.     

粒子群算法的基本理论及其改进研究

粒子算法是一种随机优化的技术,它的理论来自于两位博士在观察鸟群寻找食物和鱼群们学习行为中。这样的理论,在世界上许多领域都被应用的十分广泛。而在优化的过程之中,粒子群算法很多自己独特的地方。比如它们需要调整的参数不多,结构也不复杂,收敛速度快。文章着重介绍对粒子群算法在不同地方的不同作用,讨论粒子群算法的改进以及未来的粒子算法的发展。     

基于粒子群算法求解约束优化问题的改进算法

提出一种进行的粒子群算法(Particle Swarm Optimization,PSO)用于求解多目标的优化问题。这种改进引入遗传算法的交叉算子,增强算法的搜索能力。同时,使用基于子种群划分的改进选择算子,避免算法过早陷入局部最优。使用三个测试函数进行测试,实验结果证明算法的有效性。     

基于改进的粒子群优化的FastSLAM方法

提出了一种基于改进的粒子群优化(IPSO)的快速同时定位和地图创建(FastSLAM)方法--IPSO FastSLAM算法.该算法在粒子预估过程中引入观测信息,调整了粒子的提议分布,增强了位置预测的准确性.改进的粒子群优化采用两步优化策略,即首先通过种群速度自适应调整惯性权重,有效地克服了粒子退化问题,改善了算法的实...