带时限的多出救点应急物资调度模型及算法

主要研究时间限制下的多出救点应急资源调度优化问题。针对传统优化算法搜索速度慢、易陷入局部最优解的缺点,提出一种新的基于高斯函数的混沌粒子群优化算法,该算法利用高斯函数的分布曲线特性和混沌的遍历性来增强粒子群优化算法的寻优能力。将该算法应用时间限制下的多出救点应急资源调度优化,建立了满足应急时间限制下系统总费用最小的数学模型,介绍了该算法的详细实现过程。算例通过和遗传算法和标准粒子群算法进行比较,证明了其搜索速度和寻优能力的优越性。     

基于粒子群优化算法的航空影像纹理分类

粒子群优化算法是基于群智能的随机全局优化技术,将它引入航空影像纹理分类,在提取纹理样本小波、分形等特征的基础上,提出了针对分类问题的粒子表达方法和群体寻优策略,实现了基于粒子群算法的纹理分类。将其与基于遗传算法的纹理分类法作比较,结果表明粒子群优化算法具有较好的寻优性能,基于该算法的纹理分类法分类精度较高且计算时间较少。     

多目标多约束应急物资调度优化的仿真研究

研究突发事件应急物资调度优化问题,应急物资具有多目标、多约束、动态性特性,传统粒子群算法存在"早熟"缺陷,无法获得最优调度方案,为解决上述问题,提出一种采用混沌粒子群优化算法的突发事件应急物资调度优化模型。首先建立应急物资调度优化数学模型,并确立目标函数,然后采用混沌粒子群算法对其进行求解,最后采用仿真测试算法的有效性和可行性。仿真结果表明,混沌粒子群算法克服了传统优化方法易陷入局部最优的缺陷,在保证应急时间最短的前提下,运输总成本最低本。     

基于混合粒子群算法的远程机动轨道优化设计

研究了粒子群算法在空间飞行器连续推力轨道机动最优化问题.为优化空间飞行器轨道,给出了空间飞行器轨道机动最优化控制问题模型,运动方程用地心惯性坐标系下建立;性能指标选为轨道机动过程中时间最小;控制变量为推力攻角;终端状态受到位置和速度的约束.针对粒子群算法的缺点,提出混合粒子群算法,即将全局寻优能力强的粒子群算法和局部寻优能力强的非线性规划相结合,以提高算法的搜索精度和收敛速度.并将其应用于连续推力空间飞行器轨道机动优化之中.仿真表明混合粒子群算法对于空间飞行器远程机动轨道初始参数取值不敏感,具有一定的鲁棒性,生成的轨道能够较好地满足各种约束条件,并可以应用于空间飞行器连续推力轨道最优机动问题的求解.     

不确定环境下三级应急系统部分转运策略

针对应急系统中的多点库存共享问题,研究了需求为随机模糊变量情形下的应急调货策略。考虑一个三级多品种的应急供应系统,当缺货发生时,各供应点之间可依据就近应急转运的原则共享部分库存,据此建立了有需求满足时间约束和各供应点库容空间限制的系统总费用随机模糊期望值模型,提出了一种粒子群优化算法和模拟退火算法相结合的先进计算方法(PSO-SA算法)对模型进行了求解,结合算例分析了转运点、就近转运时间、单位物品库容空间等因素变动对部分转运的影响,并验证了算法的有效性和模型的适用性。     

粒子群优化的改进机场车辆调度模型研究

随着航空事业的迅猛发展,机场车辆调度的安全性和时效性地位已日趋突显,传统的机场车辆调度采取First in first out策略,该策略算法简易,便于实施,缺陷是全部调度的分组被相同对待,无法为实时要求较高的业务提供时延保证,算法也不具有公正性。提出了一种基于粒子群优化的改进机场车辆调度模型,把粒子群已经搜索到的全局最优地点视为一个特殊的粒子,采用梯度降低策略寻优该粒子,全局寻优特性和梯度降低算法的邻域寻优特性相融合,以提升粒子群优化算法的全局寻优效率,减少机场车辆调度计算的时间。仿真实验表明：粒子群优化的改进机场车辆调度模型,能够减少传统调度方法的寻优轮换次数,进而缩短优化调度时间,有效缓解空中堵塞造成的资源浪费。     

融合随机逼近算法的粒子群优化算法

针对粒子群优化算法(PSO)在寻优进程中的缺陷,提出一种融合随机逼近算法的粒子群优化算法,该算法选择合适时机将随机逼近算法融入粒子群优化算法维持种群的多样性,并且在算法寻优进程中充分利用已有的计算资源提高算法寻优效率,最后通过典型标准函数数值实验表明,改进后的粒子群优化算法寻优速度快、精度高、具较好的稳定性。     

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化（ACPSO）算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。     

免疫粒子群算法在污水生化处理过程中的应用

针对污水生化处理过程,设计了一种新型算法。以粒子群算法对控制过程进行寻优,利用粒子群的快速搜索能力,保证了寻优速度;以混沌序列对粒子群进行初始化,提高了初始粒子群的质量,促进粒子群快速寻优;以免疫算法对粒子群进行克隆、变异及抑制,保证了粒子群的多样性,提高了粒子群的全局寻优能力,克服了粒子群的早熟问题。仿真结果表明,该算法大大提高了优化的性能和质量,在保持出水水质符合标准的前提下使污水处理的经济成本达到最优。     

混合粒子群算法在微电网经济优化运行的应用

微电网经济优化运行是一个连续的多约束优化问题,其不仅需要对同一时刻的不同微源作出优化,也要协调微源在不同时刻的出力来满足电力供给和负荷需求之间的约束.针对微电网经济优化运行问题,提出一种混合粒子群算法.该算法在随机权重平衡粒子群算法的基础上,引入了免疫机制,使初始粒子的位置较为均匀地分布在坐标平面内.而对于粒子的速度与方向,提出一个非线性权重以提升算法的寻优能力,并加入了次梯度寻优,加快了算法的收敛速度.通过该算法对微电网中可控微源的输出功率做出动态部署,引入微电网系统的市场机制可以有效调配各微源的输出功率,从而提升微电网运行的经济效益.通过对微电网孤岛和并网运行方式进行实例仿真,验证了该方法对微电网经济优化问题具有良好的经济优化作用.     

改进的离散型萤火虫优化算法求解柔性作业车间调度问题

针对传统的群智能优化算法在求解柔性作业车间调度问题(FJSP)时,存在寻优能力不足且易陷入局部最优等缺点,本文以最小化最大完工时间为目标,将萤火虫算法(FA)用于求解柔性作业车间调度问题,提出一种改进的离散型萤火虫算法(DFA)。首先,通过两段式编码建立FA连续优化问题与FJSP离散优化问题之间的联系;其次,设计一种群初始化方法,以确保初始解的质量以及多样性;然后,提出改进离散型萤火虫优化算法并引入局部搜索算法,加强算法的全局搜索能力和局部搜索能力;最后,对标准算例进行仿真,验证DFA算法求解FJSP的有效性。通过与遗传算法和粒子群优化算法进行仿真对比,表明了DFA求解FJSP的优越性。     

一类动态非线性约束优化问题的新解法

动态非线性约束优化是一类复杂的动态优化问题,其求解的困难主要在于如何处理问题的约束及时间（环境）变量。给出了一类定义在离散时间（环境）空间上的动态非线性约束优化问题的新解法,从问题的约束条件出发构造了一个新的动态熵函数,利用此函数将原优化问题转化成了两个目标的动态优化问题。进一步设计了新的杂交算子和带局部搜索的变异算子,提出了一种新的多目标优化求解进化算法。通过对两个动态非线性约束优化问题的计算仿真,表明该算法是有效的。     

Goal state optimization algorithm considering computational resource constraints and uncertainty in task execution time

A search methodology with goal state optimization considering computational resource constraints is proposed. The combination of “an extended graph search methodology” and “parallelization of task execution and online planning” makes it possible to solve the problem. The uncertainty of the task execution time is also considered. The problem can be solved by utilizing a random-based and/or a greedy-based graph-searching methodology. The proposed method is evaluated using a rearrangement problem of 20 movable objects with uncertainty in the task execution time, and the effectiveness is shown with simulation results.     

Selection of manipulator system for multiple-goal task by evaluating task completion time and cost with computational time constraints

The focus of this study is on the problem of manipulator system selection for a multiple-goal task by evaluating task completion time and cost with computational time constraints. An approach integrating system selection, structural configuration design, layout design, motion planning, and relative cost calculation is proposed to solve this problem within a reasonable computational time. In the proposed approach, multiple-objective particle swarm optimization (MOPSO) is utilized to search for the appropriate manipulator system with appropriate structural configuration from a set of candidate systems. Particle swarm optimization (PSO) and the nearest neighborhood algorithm are employed in layout design and motion planning due to their high convergence speed. Three methods involving a random search algorithm are compared to the proposed approach through a simulation. The simulation is done with a set of tasks and the result shows the effectiveness of the proposed approach.     

结合聚类分解的增强蚁群算法求解复杂绿色车辆路径问题EI北大核心CSCD

针对带时间窗的低能耗多车场多车型车辆路径问题(Low-energy-consumption multi-depots heterogeneousfleet vehicle routing problem with time windows,LMHFVPR_TW),提出一种结合聚类分解策略的增强蚁群算法(Enhanced ant colony optimization based on clustering decomposition,EACO_CD)进行求解.首先,由于该问题具有强约束、大规模和NP-Hard等复杂性,为有效控制问题的求解规模并合理引导算法在优质解区域搜索,根据问题特点设计两种基于K-means的聚类策略,将LMHFVPR_TW合理分解为一系列带时间窗的低能耗单车场单车型车辆路径子问题(Low-energy-consumption vehicle routing problem with time windows,LVRP_TW);其次,本文提出一种增强蚁群算法(Enhanced ant colony optimization,EACO)求解分解后的各子问题(LVRP_TW),进而获得原问题的解.EACO不仅引入信息素挥发系数控制因子进一步动态调节信息素挥发系数,从而有效控制信息素的挥发以提高算法的全局搜索能力,而且设计基于4种变邻域操作的两阶段变邻域局部搜索(Two-stage variable neighborhood search,TVNS)来增强算法的局部搜索能力.最后,在不同规模问题上的仿真和对比实验验证了所提EACO_CD的有效性.     

Beam-ACO for the travelling salesman problem with time windows

The travelling salesman problem with time windows is a difficult optimization problem that arises, for example, in logistics. This paper deals with the minimization of the travel-cost. For solving this problem, this paper proposes a Beam-ACO algorithm, which is a hybrid method combining ant colony optimization with beam search. In general, Beam-ACO algorithms heavily rely on accurate and computationally inexpensive bounding information for differentiating between partial solutions. This work uses stochastic sampling as a useful alternative. An extensive experimental evaluation on seven benchmark sets from the literature shows that the proposed Beam-ACO algorithm is currently a state-of-the-art technique for the travelling salesman problem with time windows when travel-cost optimization is concerned.     

基于拥挤度的改进蚁群算法

针对蚁群算法在求解旅行商问题时收敛时间长,且易陷入局部最优状态的缺陷,提出一种基于拥挤度的动态信息素蚁群优化策略。该算法引入静态拥挤度和动态拥挤度算子,主动提前预防停滞现象。将拥挤度与状态转移规则相结合,使蚁群状态实时跟随路径搜索情况而改变,提高蚁群自适应能力。针对蚁群路径搜索情况,加入邻域搜索优化规则,缩小搜索区域,结合2-opt局部优化策略,加快蚁群收敛速度。仿真结果表明,本算法既有较高的搜索效率又有较强的全局搜索能力。对比其他优化算法,无论是求解质量、稳定性还是收敛速度都能达到令人满意的效果。     

基于改进细菌觅食算法的飞控系统多模态参数优化

针对飞控系统参数优化过程中存在的解空间非凸性问题,或由于多约束条件下导致的全局最优不可达问题,提出一种基于改进细菌觅食算法的多模态参数优化方法.采用基于格型准则的采样方法以尽可能广泛地搜索解空间,并利用K均值聚类的小生境技术使得多个细菌种群能够分别搜索各自的区域,以尽可能多地获得解空间中不同位置的可行解.同时研究一种自适应深度搜索策略,确保算法在整个寻优过程中的鲁棒性.所提出算法可以在完成对系统优化的基础上,探寻飞控系统中各参数本身的可行域及其在解空间中所处的位置,也能够在一定程度上揭示解空间本身的特性.仿真结果验证了所提出算法可以有效地简化系统调参的过程,更为快速地获得一个满足设计性能期望的飞控系统.     

含忽略工序和不相关机的混合流水车间调度

研究从炼钢等生产过程提炼出的含忽略工序和不相关并行机的混合流水车间调度问题,以最小化最大完工时间为目标,建立整数规划模型,并提出结合全局搜索、自适应遗传算法和候鸟优化的遗传候鸟优化算法以求解该模型。在算法中采用与处理时间相关的全局搜索和随机程序以获得初始种群,提出自适应交叉和变异操作改进遗传算法解,在迭代进程中,引入基于工件、机器和工序位3种邻域搜索结构的候鸟优化算法更新最佳解。仿真实验中将遗传候鸟优化算法的实验结果与几种启发式算法进行对比,证明了模型和算法的有效性。     

一种求解旅行商问题的离散状态转移算法

本文提出了一种求解旅行商问题的离散状态转移算法,设计了交换、平移、对称等3种转移算子,讨论了算法的收敛性和时间复杂度等问题,研究了参数对算法的影响.实验结果表明,与模拟退火算法及蚁群算法等经典组合优化算法相比,该算法具有耗时短、寻优能力强等优点,这也表明了状态转移算法的适应性很好.