免疫PSO算法求解多库房带时间窗VRP

为了降低物流系统的总费用,对车辆优化调度模型进行了改进,考虑了库房容量和时间窗两方面的因素,以总的耗费成本为目标,采用免疫粒子群优化（PSO）算法对此多库房车辆调度模型进行了优化求解。仿真结果表明免疫PSO比PSO更有效、更优越。     

基于种群多样性模糊控制的粒子群算法

关于优化粒子群算法问题,针对标准粒子群算法前期收敛速度过快,后期容易陷入局部最优解的问题,提出一种种群多样性模糊控制的粒子群算法。为了控制种群多样性的变化,提高算法跳出局部最优解的性能,在算法中加入模糊控制器和位置跳变策略,通过控制参数的变化来控制粒子的速度、位置和种群多样性的变化,使算法从全局探测平稳过渡到局部开采。仿真结果表明,改进算法能有效避免陷入局部最优解,且对高维函数优化时效果更为明显,是一种高效的优化算法。     

基于自适应多种群的粒子群优化算法

为了平衡算法的探测能力和开采能力,提高粒子群算法在不同类型问题上的综合性能,提出了一种基于自适应多种群的粒子群优化算法（PSO-SMS）。算法包含重组、子群规模调整和探测三个模块。在演化初始阶段,整个种群被划分成许多子种群。重组模块使不同子群间可以共享优势信息,有利于单峰和多峰函数的优化。当种群陷入潜在的局部最优时,探测模块可基于搜索过程的一些历史信息,帮助跳出当前的局部最优。通过子群规模调整,每个子种群的大小随着进化的过程而逐渐增加,有利于提高算法在初始阶段的探测能力和后期的开采能力。通过CEC2013的测试集与其他七种PSO算法的比较表明,PSO-SMS算法在解决不同类型的函数优化问题上有着突出的性能表现。     

一种求解离散优化问题的粒子群算法

粒子群算法在求解连续变量问题有了比较成功的应用,但是对离散变量问题方面的应用研究却相对滞后.针对离散优化问题,提出了一种遗传粒子群算法.算法使用了交叉、变异等遗传算子替代传统粒子群算法的速度-位移公式,克服了传统粒子群算法对组合优化问题编码时出现的信息冗余的问题,提高了搜索效率.应用该算法求解了车辆路径问题,实验结果表明,该算法具有较好的全局收敛能力和较快的收敛速度.在同等条件下,求解效果要明显好于遗传算法和基于速度位移公式的粒子群算法     

求解TSP的改进自组织PSO算法

针对粒子群算法（PSO）的早熟收敛现象,从种群多样性出发,基于自组织临界性特点改进PSO 算法的参数设置,采用自组织的惯性权重和加速系数,并增加了变异算子。借鉴交换子和交换序概念,设计出了能直接在离散域进行搜索的改进的自组织PSO算法。用于旅行商问题（TSP）的求解,并与基本及其他典型改进PSO算法进行性能比较。实验结果证实改进的自组织PSO算法是有效的。     

一种基于种群速度的自适应粒子群算法

分析了粒子群算法的收敛性,指出早熟是由于粒子速度降低而失去继续搜索可行解的能力.进而提出一种基于种群速度动态改变惯性权重的粒子群算法,该算法以种群粒子平均速度为信息动态改变惯性权重,避免了粒子速度过早接近0.通过5个标准测试函数的仿真实验并与其他算法相比,结果表明该算法在进化中期能很好地保持种群多样性,有效地改善算法的平均最优值和成功率.     

基于直觉模糊种群熵的自适应粒子群算法

基本粒子群算法在求解高维空间的复杂多峰函数时,种群多样性丧失很快,从而导致算法早熟收敛。针对这一问题,提出了将直觉模糊种群熵作为运算过程中种群多样性的测度,并将直觉模糊熵作为参数来影响粒子的速度更新机制,减小了算法在运算后期早熟收敛的概率,并使算法具备了一定的自适应性。实验结果表明,改进后的算法在性能上比基本粒子群算法有了较大的改进。     

基于种群多样性评价的自适应遗传算法

遗传算法是解决优化问题的一种重要而有效的方法,在很多领域中得到了广泛的应用.在实际应用过程中,"过早收敛"是遗传算法经常遇到的问题之一,其主要原因是进化过程中个别优秀个体的迅速繁殖导致种群多样性的过早丧失.针对这一问题,提出了一种基于改进种群熵的多样性评价方法,并根据种群多样性评价及个体的适应度,从宏观和微观两方面对个体操作概率进行动态调整.仿真实验表明改进算法具有良好的全局搜索能力,一定程度上避免了过早收敛.     

粒子群和蛙跳的混合算法求解车辆路径问题

提出一种求解物流配送车辆路径问题的改进粒子群算法。新算法采用粒子群算法产生阶段最优解,利用蛙跳算法对阶段最优解进一步优化。实验表明,此算法是解决车辆路径问题的一个有效算法。     

求解动态优化问题的多种群骨干粒子群算法

针对动态优化问题（Dynamic Optimization Problem,DOP）中所面临的过时记忆和多样性丧失的挑战,提出了一种改进的多种群骨干粒子群优化算法（Multi-swarms Bare Bones Particle Swarm Optimization,MBBPSO）。通过设置环境勘探粒子及时检测环境的变化,避免了错误信息误导种群的进化方向;环境改变后,利用上一个环境搜索的信息初始化新的种群,提高MBBPSO快速追踪到当前环境的优秀解的能力;当种群陷入停滞时,采用新的进化方程以加强粒子的活性和多种群策略维持群体的多样性。仿真实验表明,MBBPSO在解决动态环境问题中具有较强的竞争力。     

混合粒子群算法求解带软时间窗的VRPSPD问题

针对带软时间窗的同时集配货车辆路径问题（VRPSPD）,建立了以车辆派遣成本、行驶成本和时间窗惩罚成本之和最小为目标的车辆路径优化模型;设计混合粒子群算法进行求解,该算法结合以变邻域下降搜索为主体的适应性扰动机制,采用适应性选择邻域策略,并在每个邻域搜索中应用可变的循环次数,以此提高对解空间的探测能力和搜索效率。数值实验结果表明了该算法的可行性和有效性。     

基于PSO自适应双策略的人工鱼群算法

针对传统人工鱼群算法存在易陷入局部最优解、鲁棒性差和搜索精度低的问题,提出一种基于粒子群算法自适应双策略的人工鱼群算法。该算法首先模拟粒子群算法的移动算子调整人工鱼的移动方向和位置,使人工鱼具有惯性机制,更好拓展新区域,从而为探索潜在的较优解提供更多的机会,增强其跳出局部最优的能力。然后运用一种自适应视野和惯性权值的策略,更好地平衡全局搜索与局部搜索之间的关系。最后引入反向学习机制,设计2种策略的随机行为,避免原始随机行为的盲目性,增加鱼群的多样性。仿真实验结果表明,改进后的算法在寻优精度、收敛速度以及鲁棒性等方面较其他人工鱼群算法有较大提高,在高维问题求解上有较好的优化效果。     

基于群体多样性反馈控制的自组织微粒群算法

微粒群算法是一种新型的群智能算法,已被广泛用于各种复杂优化问题的求解,但算法依然面临着过早收敛问题.为克服算法的早熟问题,提出了自组织微粒群算法.将微粒群体视为自组织系统,引入负反馈机制.群体多样性是影响微粒群算法全局优化性能的关键因素,把群体多样性作为个体微粒可感知的群体动态信息,用于动态调整惯性权重或加速度系数,通过不同的特性参数实现微粒的集聚或分散,使群体维持适当的多样性水平以利于全局搜索.用于复杂函数优化问题的求解,并与其他典型改进算法进行了性能比较.仿真结果表明,基于多样性控制的自组织微粒群算法可以有效避免早熟问题,提高微粒群算法求解复杂函数的全局优化性能.     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中,平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键,多数已提出的方法仅依靠一种策略引导粒子搜索,在解决复杂问题时算法收敛性和多样性不足.为解决这一问题,提出一种基于种群分区的多策略自适应多目标粒子群优化算法.采用粒子收敛性贡献对算法环境进行检测,自适应调整粒子的探索和开发过程;为准确制定不同性能的粒子的搜索策略,提出一种多策略的全局最优粒子选取方法和多策略的变异方法,根据粒子的收敛性评价指标,将种群划分为3个区域,将粒子性能与算法寻优过程结合,提升种群中各个粒子的搜索效率;为解决因选取的个体最优粒子不能有效指导粒子飞行方向,使算法停滞,陷入局部最优的问题,提出一种带有记忆区间的个体最优粒子选取方法,提升个体最优粒子选取的可靠性并加快粒子收敛过程;采用包含双性能测度的融合指标维护外部存档,避免仅根据粒子密度对外部存档维护时,删除收敛性较好的粒子,导致种群产生退化,影响粒子开发能力.仿真实验结果表明,与其他几种多目标优化算法相比,该算法具有良好的收敛性和多样性.     

求解CVRP问题的混合遗传微粒群算法

采用借鉴遗传算法的编码、交叉和变异操作的遗传微粒群算法对带车辆能力约束的车辆路径优化问题进行求解。设计了符合微粒群算法进化机制的变异算子和改进顺序交叉算子以满足遗传微粒群算法中三条染色体交叉与变异的需要。对多个基准测试实例仿真计算表明算法有效且具有收敛速度快和精度高的优点。     

自适应多位变异粒子群优化算法

针对粒子群优化算法的早熟收敛问题,提出一种改进的自适应多位变异粒子群优化算法.根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力,在理论上保证了算法具有良好的性能.对几种典型函数的测试结果表明：该算法的全局搜索能力有了显著改善,收敛速度较快,并且能够有效避免早熟收敛问题.     

联盟运输调度问题的粒子群算法研究

联盟运输调度问题是在基本运输调度问题基础上所发展起来的、具有重要实用价值的一类组合优化难题.粒子群算法(PSO)是一种新兴的基于群智能的演化计算技术,该算法与传统方法相比有着较高的收敛速度和计算精度,可以在解空间内高效地寻找到全局最优解.将其应用于联盟运输调度问题,并针对联盟运输调度问题中最优解的分布特点,对标准粒子群算法进行了改进,克服了标准粒子群算法收敛速度过快且易收敛于局部最优的缺点.对比实验结果表明,改进后的粒子群算法可以快速、有效求得最优解.     

基于全局层次的自适应QPSO算法

阐明了具有量子行为的粒子群优化算法理论（QPSO）,并提出了一种基于全局领域的参数控制方法。在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,从而提出了自适应具有量子行为的粒子群优化算法（AQPSO）。最后,用若干个标准函数进行测试,比较了AQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,AQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。     

保持多样性的自适应动态粒子群算法及其应用

针对动态环境中的种群多样性问题,提出一种保持种群多样性的双子群粒子群优化算法。将群搜索算法中的游走者思想引入到粒子群优化算法中,基于群体多样性,子种群B采用不同的方法更新速度和位置,子种群A和子种群B交换最优信息,扩展种群的搜索范围,增强整个群体的多样性水平。将改进的算法应用于复杂变化的抛物线函数和群体动画的跟随效果中,结果表明该算法在动态环境中的有效性,并能够真实模拟群体跟随行为。     

基于自适应线性调节抗干扰PSO的光伏群体MPPT控制

光伏发电已成为新能源发电的主要研究方向,但当外界环境发生突变或由于遮挡使光伏阵列出现阴影时,传统的最大功率点跟踪(MPPT)算法会出现误判或因陷入局部最大功率点等问题而失效。针对这些问题,提出了一种自适应线性调节的粒子群(PSO)算法,并采用一个MPPT控制器同时实现多支路光伏阵列群体MPPT控制。最后,通过仿真验证所提控制策略的有效性。结果表明,自适应线性调节PSO群控方法振荡小,可实时精准跟踪最大功率点,控制电路较为简单,降低系统控制成本。