基于QPSO的改进算法

基于量子行为的粒子群优化算法（Quantum-behaved Particle Swarm Optimization,QPSO）提出一种新的搜索策略。在新的搜索策略中,粒子的每一维不再是只通过自身的信息进行下一步的搜索,而是某些维通过其他粒子的信息进行搜索。新的搜索策略确保了种群的多样性,很好地避免了早熟现象,并且没有引进多余的计算。用几个基准函数测试了改进的QPSO算法,实验结果表明了它的优越性。     

QPSO算法柔性分子对接问题的研究

分子对接同的之一,是找出配体和受体之间最稳定构像的结合模式,可以归为全局搜索或优化问题.本文提出的鼍子行为粒子群优化算法(QPSO)是1种有效的全局优化搜索算法.本文介绍QPSO算法在分子对接问题研究中的应用,并使用Autodock3.05的打分函数评价分子对接结果.结果表明,QPSO算法的QDOCK程序能够寻找出更为稳定的构像,且其收敛速度以及对接结果的精确性均比拉马克遗传算法(LGA)的Autodock3.05好.     

一种基于改进QPSO的机器人路径规划算法

针对量子行为粒子群优化(QPSO)算法在移动机器人路径规划中出现早熟收敛的问题,提出一种基于聚集度因子和阶段变异策略的改进QPSO算法。根据目标函数计算粒子的适应度值,在压缩扩张因子中引入改进聚集度因子划分搜索阶段,利用分阶段变异策略更新个体位置,并对算法进行性能测试。实验结果表明,与FE-PSO算法相比,该算法具有较高的收敛精度与较好的稳定性。     

双容水箱基于QPSO算法的PID控制研究

双容水箱液位系统是典型的非线性、时延系统,以CS4000装置为研究对象,通过机理法和测试法建立其数学模型.粒子群优化算法是模拟鸟类群体行为的智能算法,参数设置较少,收敛性较好,但寻优过程易陷入局部最优解.为此,提出了量子行为粒子群优化算法.针对常规比例积分微分(proportional-integral-derivat...     

移动机器人的路径规划与仿真

在机器人路径优化设计的研究中,由于应用环境存在障碍物,要求寻找最优无碰路径.针对于粒子群优化算法应用于移动机器人路径规划计算中,存在全局搜索能力弱,易出现早熟现象等问题,提出了一种QPSO算法的改进算法.采用8势阱模型的QPSO算法模型简单,控制参数少,全局搜索能力强,但存在早熟收敛的缺陷,从种群的多样性角度分析,在算法的迭代过程中,引入多样性函数,在种群的多样性小于dl.时,由多样性变异操作进行自适应调整,保持了种群中个体的差异性,避免算法陷入局部最优而出现早熟现象.在MATLAB平台上进行仿真,结果表明,改进算法能够有效地解决全局静态无碰路径优化问题,收敛速度、搜索质量与QPSO算法相比明显提高.     

基于QPSO 算法移动机器人轨迹规划与实验

针对移动机器人路径规划问题,提出一种基于QPSO算法的路径规划方法,并用概率论的方法分析了移动机器人路径规划的收敛性,阐明了该方法随均匀分布和正态分布的参数关系和收敛区间;然后根据移动机器人的运动特征提出一种改进的轨迹规划方法。移动机器人平台的实验结果表明了该方法在移动机器人路径规划中的有效性和可行性。     

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。     

基于GA优化QPSO算法的文本聚类

针对量子行为粒子群优化算法中粒子搜索的盲目性以及初始聚类中心的选取对聚类结果的影响问题,提出了一种基于GA优化的QPSO聚类算法.该算法首先利用GA稳健的全局优化性能进行快速的粗略聚类,然后用GA的聚类结果初始化QPSO算法,以降低粒子群搜索的盲目性,从而提高QPSO算法的搜索效率.通过在Reuter-21578真实的文本数据集上实验,该算法在Fmeasure评价标准上获得了较高的查准率和查全率,从而验证了该聚类算法的有效性和可行性,可以在文本聚类领域推广应用.     

基于BQPSO的潜水器路径规划算法

在栅格法的自治水下机器人离散工作空间基础上,提出一种基于二进制编码的量子粒子群(BQPSO)算法求解自治水下机器人路径规划问题。该算法将路径表示为粒子位置的二进制编码,以路径长度为适应值,引入交叉策略避免陷入局部最小。仿真实验表明,BQPSO算法可以进行有效的自治水下机器人路径避障。     

改进量子粒子群算法的物流配送路径优化研究

传统物流配送路径优化方法存在运输成本高的问题,已经不能满足物流配送需求,为解决这一问题,设计了一种改进量子粒子群算法的物流配送路径优化方法.首先根据改进量子粒子群算法构造粒子实数编码,并确定物流配送路径优化目标,建立物流配送的运输固定成本和准时到达的目标函数,然后应用改进量子粒子群算法实现物流配送路径优化,最后采用具体...     

基于车辆路径问题的建模及算法的研究

随着社会交通运输业的不断发展,物流已经成为人们生活中不可缺少的一部分,近年来,车辆路径问题已经成为图论、应用数学、计算机应用、运筹学、网络分析及交通运输学等多门学科共同研究的热点。经过多年来不断地验证,该问题很难通过常规的方法进行解答,人们通过智能算法对其进行研究分析。首先对车辆路径问题进行描述,其次在该问题的基础上分析其多目标进化算法,最后对车辆路径问题进行数学建模,对于实际的车辆路径问题起着积极的指导作用。     

基于蚂蚁算法的车辆路径问题应用研究

引入了蚂蚁算法来解决基本车辆路径问题,设计了合适的算法程序,通过实验表明了蚂蚁算法能够有效地求解VRP问题。     

基于改进蝙蝠算法的带模糊需求的车辆路径问题

蝙蝠算法作为一种新的元启发式算法,尚未被应用到模糊车辆路径问题中;针对带模糊需求的车辆路径问题,以极小化总运输距离为目标,建立基于可信性理论的模糊规划模型,提出一种改进的蝙蝠算法;算法采用基于客户编号的编码方式,利用随机模拟算法计算额外行驶距离;在蝙蝠位置更新时,引入基于非线性调整的惯性权重和基于子路径的局部搜索;为提高全局搜索能力,避免算法早熟,对处于较差位置的蝙蝠进行交叉操作;最后,利用随机实验数据进行仿真,分析了决策者主观偏好值对目标值的影响,并与其它算法的寻优结果进行对比分析,结果表明,算法具有一定的可行性和有效性。     

基于改进蚁群算法的车辆路径仿真研究

针对基本蚁群算法收敛速度慢、易陷于局部最优等缺陷,提出了一种改进蚁群算法.通过车辆的满载率调整搜索路径上的启发信息强度变化,对有效路径采取信息素的局部更新和全局更新策略,并对子可行解进行3-opt优化,在实现局部最优的基础上保证可行解的全局最优.通过对22城市车辆路径实例的仿真,仿真结果表明,改进型算法性能更优,同基本蚁群相比该算法的收敛速度提高近50%,效果显著,该算法能在更短时间内求得大规模车辆路径问题满意最优解,说明其具有较好的收敛速度和稳定性.     

求解一般车辆优化调度问题的一种改进遗传算法

文章在对一般车辆优化调度问题(VRP)进行分析的基础上,为之建立了数学模型;提出了一种求解该问题的改进遗传算法,并通过实例验证了该算法具有优良性能。     

基于免疫算法的车辆路径优化问题

分析了车辆路径问题的研究方法和免疫算法相对于其它进化算法的优势,提出了用免疫算法求解车辆路径问题的方法。在算法的求解过程中,构造了一种新的编码方式,在减少编码长度的基础上能够提高算法的运行效率。通过免疫记忆库的设计以及抗体之间浓度的促进和抑制机制,本算法可以实现解的多样性,避免收敛于局部最优解,同时可以有效地防止在进化的过程中失去最优解的可能性。实验结果表明,本算法可以快速求得优化解,是求解车辆路径问题的一种有效算法。     

基于遗传算法的集送一体化的车辆路径问题

有时间窗的集送货一体化的车辆路径问题(VRPPDTW)是对经典的车辆路径问题(VRP)的扩展,是一类重要的组合优化问题,但是目前对该问题的研究非常有限。论文采用了新的染色体编码方法,设计了遗传算法对该问题进行求解。在求解过程中,对集送一体化、多种配送车辆类型的问题进行了有效处理,同时考虑了车辆载重量和时间窗等约束。最后的实验结果表明,该算法可以求得这类车辆路径问题的最优解或次优解。     

基于DNA-蚁群算法的车辆路径优化问题求解

蚁群算法在解决车辆路径问题(VRP)时存在过早收敛于局部最优解、收敛速度慢等问题,并且由于蚁群算法的参数选择没有严格规定,如果参数选择不当,将影响其寻找最优解的效率。为解决上述问题,将DNA算法中的交叉变异思想应用于基本蚁群算法中,提出一种新的DNA-蚁群算法,将基本蚁群算法中的参数进行DNA交叉变异,有效控制蚁群算法的参数选择,从而得到一组最优参数来求解VRP模型。实验结果表明,DNA-蚁群算法能有效解决车辆路径优化问题,更快寻找到全局最优解或较优解,提高了基本蚁群算法的寻优能力和效率。     

遗传算法在车辆路径问题中的应用与实践

本文简要介绍了遗传算法和VRP问题,并提出利用遗传算法来解决VRP径问题,基于遗传算法的基本思想设计了合适的算法程序,通过实验表明了遗传算法能够有效地求解VRP问题.     

基于改进蚁群算法的物流配送问题研究

对带时间窗的物流配送车辆路径优化调度问题进行了描述,给出了数学模型,在最大～最小蚁群算法的基础之上,提出了一种改进的蚁群算法,在物流配送路径优化问题初始解的构造、路径优化、转移规则、信息素更新方式、算法终止判断等进行了改进,并通过引入信息熵的概念,利用与算法运行过程有关的信息熵的值表示选择过程中的不确定性,来控制路径选择和局部随机变异扰动的概率,以实现算法的自适应调节,同时结合局部优化方法对解进行二次优化,通过这些改进,提高了算法的搜索效率,实验仿真整明了该改进算法的有效性.