有向动态拓扑混合作用力微粒群优化算法及可靠性应用

针对微粒群优化算法易陷入局部最优、出现早熟等不足,从作用力规则和种群拓扑结构两方面进行研究。提出一种混合作用力微粒群优化(Hybrid force PSO,HFPSO)算法,将算法的搜索过程划分为前期和后期两个阶段,分别构造引斥力规则和双引力规则,使算法搜索前期具有良好种群多样性、搜索后期有较高寻优精度。进一步将生物趋利避害的行为选择机制融入HFPSO算法,提出有向动态拓扑混合作用力微粒群优化算法,赋予微粒主观能动性使其靠近适应值较好微粒、远离适应值较差微粒,提出适应值驱动边变化的有向动态拓扑(Fitness-driven edge-changing unidirectional dynamic topology,FEUDT)结构,并将FEUDT结构与HFPSO算法以结构演化和算法进化同步进行的方式结合,进一步提升算法的优化性能。利用Benchmark函数对所提算法与标准PSO、搜索后期斥力增强型混合引斥力微粒群优化(LRPSO)算法进行性能对比测试,结果表明,所提算法具有较好的寻优能力和较快的收敛速度。通过桥式系统可靠性优化实例和供应商参与的某汽车产品子系统可靠性设计优化实例,验证了所提算法求解实际复杂优化问题的有效性。     

求解液压阀块加工车间调度的多作用力微粒群算法

为有效地解决液压阀块加工车间调度问题,考虑工序间和机器间的约束关系,以最大完成时间最小为目标,给出了液压阀块加工车间调度优化模型。为平衡算法的全局和局部搜索能力,提出了多作用力微粒群(MFPSO)算法,采用多作用力阶段性搜索策略,将搜索过程划分为前期、中期、后期3个阶段,并对应构造单一斥力、平衡引斥力、单一引力3种作用力规则,在不同搜索阶段采用不同的作用力规则,提高了算法的搜索机制和寻优性能。将MFPSO算法用于求解液压阀块加工车间调度问题,利用矩阵变量来处理约束条件,给出了一种基于矩阵的微粒编码、解码方法。通过液压阀块加工车间调度优化实例,将MFPSO算法与微粒群算法、中值导向微粒群算法、扩展微粒群算法、蚁群算法进行了对比,结果表明,提出的MFPSO算法结果最优,从而验证了该算法的有效性。     

基于改进混合作用力微粒群算法的液压阀块加工车间调度优化

针对微粒群算法作用力规则的不足，提出改进混合作用力微粒群(IHFPSO)算法。采用阶段性搜索策略，将算法的搜索过程分为前期和后期2个搜索阶段：在前期搜索阶段，微粒在其他微粒的引斥力作用下进行最优搜索，以保持种群多样性；在后期搜索阶段，微粒在双引力及引力提供的加速度的共同作用下向最优解收敛，以提高局部搜索能力。将所提出的IHFPSO算法应用于液压阀块加工车间调度问题，利用矩阵变量来处理约束条件，给出一种基于矩阵的微粒编码、解码方法。通过液压阀块加工车间调度优化实例，将IHFPSO算法与微粒群算法、中值导向微粒群算法、扩展微粒群算法、多作用力微粒群算法进行对比，验证提出的IHFPSO算法结果最优，实现液压阀块加工车间调度优化。     

膜计算多粒子群算法

针对粒子群(Particle swam optimization, PSO)算法进化后期收敛速度较慢,易陷入局部极值点,精度较差等不足,提出膜计算多粒子群(MC-MPSO)算法。在该算法中,将原始PSO、标准PSO、中值导向粒子群(MPSO)、扩展粒子群(EPSO)、多作用力粒子群(MFPSO)、两阶段作用力粒子群(TFPSO)等六种具有不同优点的粒子群算法分别放入六个基本膜内,提出MC-MPSO算法的膜间交流与粒子更新机制,在进化前期,各粒子群算法按自身机制进行搜索寻优,即各基本膜各自进化来充分发挥各基本膜内算法的优点;在进化后期,各基本膜内算法与比自身更好的表层膜内最优解粒子交流,各表层膜逐步吞并搜索能力较差的基本膜,而最适合问题优化求解的基本膜长大并按照表层膜输出,使MC-MPSO算法集成了基本膜内六种粒子群算法的各自优势,并具有适应不同类型优化求解问题的寻优能力。通过与基本膜内六种粒子群算法的测试对比,与遗传算法、鱼群算法及其他基于膜计算的粒子群算法的比较,证明了MC-MPSO算法具有更好的寻优能力和适用性。最后,将MC-MPSO算法应用于串联和桥式系统可靠性优化问题,验证了所提算法的有效性。     

混合粒子交互微粒群算法

针对现有微粒群算法仅考虑单一一种引斥力规则使得其搜索能力存在的不足,考虑在不同搜索阶段采用不同的引斥力规则,提出搜索后期引力增强型混合引斥力微粒群算法(LAPSO算法)。利用拟态物理学中的引斥力规则使粒子保持多样性,提高算法的全局搜索能力;当进入到具有全局最优解的区域时,增强引力作用、减少斥力作用,利用比自身适应度好的粒子和全局最优解粒子的引力作用,提高算法的局部搜索能力。为进一步提高LAPSO算法的优化性能,将其与混合全连接型-环形拓扑结合,提出混合粒子交互微粒群算法(HIPSO算法)。通过6个Benchmark函数进行测试,结果表明,与现有的扩展-微粒群、微-微粒群、中值导向-微粒群等算法相比,所提的LAPSO算法、HIPSO算法具有较好的种群多样性,具有更好的寻优精度、收敛率和最优解搜索能力。结合文献[7]中的柔性流水车间调度离散优化实例和文献[20]中的超声振动加工工艺参数连续优化实例,验证了HIPSO算法的最优解搜索能力。     

改进ACO在移动机器人路径规划中的研究

针对基本蚁群算法(ACO)易陷入局部最优和收敛速度慢的特点,提出了一种在复杂静态环境下移动机器人路径规划的蚁群优化改进算法。该算法通过限制信息素的范围,扩大了搜索范围,避免了算法的过早收敛,同时还提出了一种自适应调节信息素挥发系数的改进蚁群算法方略,旨在通过自适应的调整信息素挥发系数来提高算法的全局性和算法的收敛速度。算法还利用粒子群优化算法对蚁群算法中的关键参数进行优化,从而避免了参数选择的随机性和盲目性,提高了最优路径的搜索效果。仿真结果显示,改进蚁群算法在移动机器人路径规划中的有效性和普遍应用性,在任意随机给定的环境中,算法能够迅速找出最优路径。     

基于小生境技术的改进鲸鱼优化算法北大核心CSCD

针对标准鲸鱼优化算法全局搜索能力不足、收敛速度慢等问题,采用小生境技术和引入自适应权重对鲸鱼优化算法进行改进。首先,引入小生境技术中的竞争选择策略,通过比较距离添加共享函数计算适应度来提高鲸鱼算法的寻优能力,避免WOA算法陷入局部最优,解决算法早熟现象;其次,采用自适应参数作为位置权重调整鲸鱼算法的位置公式,提高算法的收敛速度和寻优精度。将该算法引入单峰和多峰模态基准测试函数中,仿真实验表明,在保证算法收敛速度的同时,所提出的改进鲸鱼优化算法有效地提高了搜索能力和寻优精度。     

基于改进蚁群算法求解带软时间窗的车辆路径问题

针对带软时间窗的车辆路径问题(VRPSTW),建立以配送成本为优化目标的混合整数规划模型，提出一种改进蚁群算法(IACO)求解该问题。在传统蚁群算法(ACO)的基础上，改进蚂蚁状态转移概率公式，通过自适应调整信息素挥发系数改进信息素更新策略，设计插入算子和交换算子嵌入变邻域局部搜索，并设置开始和退出局部搜索的条件，更新当前局部最优解。选取Solomon标准测试集里3类不同规模的算例，测试算法改进效果，以客户规模为100的C类算例验证所提算法求解较大规模算例的可行性，并与传统蚁群算法以及其他文献中的算例结果进行对比。实验结果表明，改进蚁群算法的寻优能力高于其他算法，求解得到的最优配送方案能够实现更低的车辆配送成本，从而验证了改进蚁群算法的有效性。     

贝塞尔曲线融合ACO的移动机器人路径规划

针对基本蚁群算法(ACO)收敛速度慢的特点,提出了一种移动机器人路径规划的蚁群优化改进算法。通过限制信息素的取值范围,扩大了搜索结果,从而避免了算法过早收敛,同时还提出了一种信息素挥发系数自适应调节的改进蚁群算法方略,意图通过自适应的调整信息素挥发系数来提高算法的全局性和算法的收敛速度。针对在栅格环境中蚁群算法规划出来的路径折线多,转角大的特点,提出了用贝塞尔曲线优化路径的方法。仿真结果显示,经过优化过后的平滑路径更加适合移动机器人的运行情况,在任意随机给定的环境中,算法能够迅速找出最优路径。     

均匀粒子群蚁群融合算法的机器人路径规划

为了提高移动机器人点对点路径规划的性能,提出了均匀粒子群蚁群融合算法。首先分析了粒子群算法原理,找出了导致算法"早熟"的搜索机制缺陷,提出了均匀粒子群算法,此算法改进了粒子群算法的搜索机制,保证了在迭代过程中的粒子多样性,克服了算法"早熟"问题;介绍了蚂蚁系统和蚁群系统算法的区别,提出了均匀粒子群蚁群融合算法,首先使用均匀粒子群算法搜索次优路径,在此路径上撒播信息素,然后使用蚁群算法寻找最优路径。实验结果表明,融合算法规划出的路径最短,而且迭代效率高、容错能力强。