共查询到19条相似文献,搜索用时 375 毫秒
1.
针对标准粒子群算法存在的易陷入局部最优解缺陷,提出了一种基于鲶鱼效应粒子群算法的物流配送中心选址策略(CFPSO)。该算法通过引入自然界的"鲶鱼效应"保持粒子群的多样性,提高了算法的全局搜索能力,使算法寻优速度有明显的提高,最后通过仿真实验对算法性能进行验证。仿真结果表明,相对于遗传算法、标准粒子群算法,CFPSO算法可以获得更优的物流配送中心选址方案,尤其对于大规模物物流配送中心选址问题,该算法的优越性更加明显。 相似文献
2.
惯性权重w的变化会影响粒子群优化算法的搜索能力,本文针对基本粒子群算法不能适应复杂的非线性优化搜索过程的问题,在其基础上提出了一种动态改变惯性权的自适应粒子群算法。该自适应算法引入了h来衡量算法的进化速度,引入s来衡量算法的粒子聚集度,并将其作为函数w的变量,使w与算法的运行状态相关,从而使算法具有动态自适应性。最后,本文引入了两个经典的测试函数对该PSO算法进行测试,结果表明该算法明显优于基本PSO算法。 相似文献
3.
4.
秦芳 《中国高新技术企业评价》2014,(26):44-45
文章基于对粒子群优化算法的分析,分析了如何加强电网无功电力调度。粒子群优化算法是基于迭代的优化方式,有着调整参数少、容易实现的优势,可以在迭代次数较少的情况下获取到最优解,该种算法以其收敛快、精度高、容易实现的优势在各个领域中都得到了广泛的使用。 相似文献
5.
基于混合粒子群算法的车辆路径优化问题研究 总被引:2,自引:0,他引:2
设计了一种引入了量子和遗传算法思想的粒子群算法.该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点.避免了基本粒子群算法易陷入局部最优的缺点,提高了求解速度。该算法用于解决车辆路径问题。通过实验表明了这种算法具有较好的性能。 相似文献
6.
基于混合粒子发群算法的车辆路径化问题研究 总被引:1,自引:0,他引:1
设计了一种引入了量子和遗传算法思想的粒子群算法.该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点,避免了基本粒子群算法易陷入局部最优的缺点.提高了求解速度.该算法用于解决车辆路径问题.通过实验表明了这种算法具有较好的性能. 相似文献
7.
戴斌 《中小企业管理与科技》2012,(4)
将混沌粒子群和连续潮流法的方法应用到静态电压稳定裕度最优值计算。该方法将控制变量作为粒子群的初值,由于粒子群算法面对的是连续对象,所以先将连续的粒子值离散化,然后作为初值引入粒子群算法中,提出了基于连续潮流算法的混沌粒子群算法求解最大静态稳定裕度。算例结果验证了模型的正确性及算法的有效性。 相似文献
8.
针对现有进化算法在求解传统指派问题时因取整而影响优化效果的问题,采用了一种基于AllDifferent约束的置换离散粒子群优化算法,该算法针对指派问题中各变量不能重复取值的特点,改进了算法的迭代方式,并引入了模拟退火的差解接受准则以提高优化效果,仿真算例表明改进后的算法在质量上和时间上更具有效性。 相似文献
9.
针对粒子群优化算法后期寻优能力,并易陷入局部最优等不足,提出了一种反向学习粒子群的物流配送路径优化算法(OBLPSO)。首先建立物流配送路径优化的数学模型,然后通过粒子之间的相互协作和信息交流进行求解,并引入反向学习机制提高粒子群寻优能力和收敛速度,最后在Matlab2012平台上对OBLPSO算法性能进行仿真测试。仿真结果表明,相对其它物流配送路径优化算法,OBLPSO算法可以获得时间短、路径合理的物流配送方案,具有一定的实用价值。 相似文献
10.
11.
VRP问题是物流领域的热点研究问题。在对一类典型的VRP问题建立了数学模型,提出了一种改进粒子群优化算法以求解该模型。算法针对问题设计了顺序编码方案,并引入了局部搜索以提高算法的局部搜索能力。仿真结果表明了所提离散粒子群优化算法求解此类VRP问题的有效性。 相似文献
12.
物流配送的研究已经成为提高物流效率、降低物流成本的关键。文中在研究物流问题现状以及相关配送路径算法的基础上,提出了一种新的物流配送路径优化方案,对于一个城市内的多个配送点,首先通过K均值算法进行聚类分析得到局部配送中心及其配送范围内的客户点,然后利用蚁群算法设计该配送区域内的最优配送路径。通过仿真实验得知,文中方案设计出的最优配送路径长度较单纯采用蚁群算法有了较大改善。 相似文献
13.
14.
15.
16.
本文分析了该算法的主要参数对搜索方向的影响,并对粒子群优化算法在桁架结构优化设计中的应用进行了分析。利用粒子群优化算法与遗传算法分别对两个桁架结构优化设计算例进行求解,将两种算法的计算结果进行了对比,计算结果表明在满足相同的计算精度的前提下,粒子群优化算法的效率更高。因此,基于粒子群算法的结构优化设计是切实可行的。 相似文献
17.
18.
19.
本文提出一种基于量子的连续粒子群算法(Quantum Continuous Particle Swarm Optimization-QCPSO),使用量子比特编码粒子,模拟量子粒子坍塌的随机观察方法以生成种群,运用量子旋转门来产生新的种群,引入自适应变异算子保证种群多样性。性能测试表明,对于高维优化问题,本文提出的QCPSO比经典粒子群算法(PSO)和经典量子粒子群算法(AQPSO)具有更高的精度。 相似文献