基于鲶鱼效应粒子群算法的物流配送中心选址

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。     

自适应粒子群优化算法在混沌系统参数估计中的应用

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。     

基于PSO的物流节点选址模型研究

针对物流节点选址问题,提出以运输费用、仓储费用、装卸费用、滚轴费用、节点建设固定费用等费用最小为目标建立数学模型,运用粒子群算法(PSO)对目标函数进行求解.在算法中引入惯性权重,用改进的粒子群算法对数学模型进行求解,运用惯性权重调解公式使之随迭代次数线性减小,能使算法具有较好的收敛性.最后,以M企业实际数据进行运算.算例表明,改进的PSO有效地找到最优解,使总物流费用最小,目标函数收敛过程表明其收敛性良好.     

加强电网的无功电力调度

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。     

基于混合粒子群算法的车辆路径优化问题研究

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。     

基于混合粒子发群算法的车辆路径化问题研究

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.     

基于混沌粒子群算法和连续潮流法的静态电压稳定分析

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。     

基于约束的离散粒子群算法求解大规模指派问题

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。     

基于反向学习策略粒子群的物流配送路径优化研究

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。     

平均最优信息粒子群算法在车辆调度中的应用

针对标准粒子群算法在求解车辆调度问题中存在的易陷入局部最优、早熟等缺陷,从粒子群算法本身出发,引入粒子个体与群体的平均信息,提出一种基于平均最优信息的粒子群算法(AVGPSO),该算法利用粒子个体最优信息和全局最优信息的平均值来提高全局搜索能力。将该算法应用到车辆调度问题中,并与标准粒子群算法进行比较。实验结果表明,该算法在解决车辆调度问题中表现出了更优的性能,是解决车辆调度问题的有效方法。     

一类VRP问题的改进PSO算法求解

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。     

基于聚类算法和蚁群算法的物流配送路径优化研究

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。     

多粒子群混合算法求解虚拟组织服务资源配置

为了提高虚拟组织服务资源配置的效率,本文提出了一种多粒子群混合算法。该混合算法将多种群与线性搜索相结合,在算法优化过程中,通过多个粒子种群协同来控制种群的多样性,将多种群中较优的粒子进行复制,同时在每个种群中对单个粒子进行维变量变换。实验结果表明该方法具有可行性。     

改进的离散粒子群算法在配送问题中的应用

为了解决配送问题，对离散粒子群优化算法进行改进，保留惯性权值对速度的影响，把粒子的解储存为数组形式．增加群体相似度和排斥算子来让粒子跳出局部最优；仿真结果与其它算法的结果进行对比，发现改进的粒子群算法能够找到更好的解，并且收敛速度快，能在一定程度上避免早熟现象。     

基于量子微粒群算法的车辆路径问题研究

提出一种基于量子行为的微粒群智能优化算法。使用量子角表示量子比特的状态,并引入微粒群算法中,对量子群中的各量子角进行自适应动态调整．设计一种新的编码方式,用于求解车辆路径问题,通过计算表明,该算法是解决车辆路径问题的有效方法。     

粒子群算法及其在桁架结构优化设计中的应用研究

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。     

基于混合微粒群优化算法的配送中心选址问题求解

将微粒群优化算法和模拟退火算法结合．针对配送中心选址问题．构造了微粒表达方法。提出了此问题的一种混合微粒群优化算法。通过整数规范化。微粒群能在整数空间内对问题进行优化求解。该算法能克服基本微粒群优化算法精度较低，易发散的缺点，有较高的搜索效率。经过实验仿真，与基本微粒群优化算法、遗传算法进行比较．证明了该算法的有效性。     

基于微粒群算法的配送中心选址研究

作为挖掘现代企业利润源泉的突破口,配送在物流活动中占有举足轻重的地位。多网点配送中心选址是后续物流活动开展的首要条件,对于该问题的研究具有现实意义。由于微粒群算法的普适性、鲁棒性、全局搜索性等特点,在求解复杂问题中能够较好地体现其优越性。结合运筹学中的运输规划的思想,对复杂的数学模型进行了简化,并针对问题的特点构造了求解编码机制。根据文献资料,将其中的仿真数据进行了整合,使得数据具有一定的现实意义,并用微粒群算法进行求解,得到了较好的效果。     

一种新型量子粒子群算法

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。