粒子群算法和灰狼算法的融合

为了解决传统粒子群算法(PSO)容易“早熟”、陷入局部最优以及灰狼算法(GWO)收敛速度慢的问题。首先，采用GWO算法的个体极值更新策略来实现个体包围式向最优值趋近，融入PSO算法的速度更新策略来实现群体向最优值的趋近，并且在原始粒子群算法基础上加入线性惯性权重递减来提高算法的收敛速度，从而提出了一种基于灰狼算法和改进的粒子群算法(IPSO)的融合优化算法(GW-IPSO);其次，通过6个经典算例进行仿真试验，将融合算法与PSO算法、IPSD算法、灰狼和粒子群结合算法(GW-PSO)进行对比；最后，应用融合算法对二级直线倒立摆的控制器设计进行参数寻优。结果表明：针对6个标准测试函数，混合算法的30次试验结果平均值更接近最优值，且标准差几乎都是最小的；应用在倒立摆控制问题上，系统在5 s左右进入稳定状态。融合后的GW-IPSO算法能够在一定程度上避免早熟和陷入局部极值的问题发生，并且能够很好地应用于控制器设计过程中参数寻优问题。     

基于改进粒子群的分布式通信干扰资源分配

为了解决分布式通信干扰场景下面临的资源分配效率低、干扰效益无保障等问题,结合通信干扰资源分配数学模型,设计了一种改进的粒子群算法。首先设计了分布式通信干扰场景并构建了通信干扰资源分配模型,以最大化干扰效益作为目标函数;其次采用自适应惯性因子和学习因子,并引入遗传变异策略和精英保留策略,提出一种改进的粒子群算法,最后对不同场景规模的通信干扰资源分配进行仿真实验。结果表明,相比小生境遗传算法、粒子群算法、遗传算法,改进的粒子群算法在不同场景规模下,均能获得更优的干扰效益,性能方面具备整体干扰效益更高、算法收敛速度更快、算法收敛误差更小等优势。所设计的改进粒子群算法可应用在分布式通信干扰场景中,为指挥决策提供参考。     

基于改进的蚁群算法的移动机器人路径规划

针对移动机器人路径规划中的传统蚁群算法收敛精度低、易陷入局部最优等问题,提出一种改进蚁群算法。首先,对算法的转移概率进行改进,加入转向代价,减少不必要的转折,并针对启发函数启发性能不够强,对路径启发信息进行改进;然后,提出一种自适应的参数调整伪随机状态转移策略,动态改变参数值,避免过早陷入搜索停滞,增强搜索的全面性,同时对信息素更新方式进行改进,调整信息素挥发系数,保持蚂蚁发现最优路径的能力;最后,通过Matlab与其他算法进行对比分析。仿真结果表明,改进的蚁群算法收敛速度快,且路径长度和算法迭代次数有明显减少,能得到全局最优路径。改进蚁群算法具有可行性、有效性,在移动机器人路径规划中有一定的应用价值。     

基于图像和人工鱼群算法的建筑火灾动态疏散路径规划研究

为了解决大型建筑发生火灾时传统静态疏散系统无法根据火灾点和人员拥挤程度进行路径调整这一问题,提出了基于图像和人工鱼群算法的动态疏散路径规划方法。在栅格图上进行路径规划,通过将鱼群的最优解替换为可行解,使鱼群避免陷入局部最优和全局最优相互干扰的情况,并结合摄像头采集图像,通过人脸识别人数,判断当前路径是否拥挤,及时调整路径,从而确保规划出的路径可以避免堵塞,动态疏散人群。仿真实验结果表明,所提算法能够在相同时间内,规划出较蚁群算法路径更短,可避免陷入局部最优和死锁状态,根据拥挤程度及时改变路径,并能够在时间和空间双重约束的情况下实现人群动态疏散。因此,新算法在相同运行时间内可以规划出更短的路径,可以帮助火灾现场人群以更少时间、更短路径、更高效率的方式进行动态疏散。     

混合邻域结构的粒子群算法

为了克服标准粒子群算法的早熟、停滞进化或易于陷入局部最优的现象,提出了一种混合模型(简称NSPO)。NSPO将一个粒子映射到无标度网络的多个网络节点上,借助网络结构获得该粒子的邻域拓扑。对粒子的更新,NSPO既考虑种群的最优,又考虑邻域的最优。在3个具有不同难度特点的测试函数上,将NSPO与标准粒子群算法进行了比较。实验结果表明:对于全局最优和梯度信息明显的函数,NSPO具有非常优越的表现;对于具有诸多局部最优的函数,NSPO逃逸局部最优的能力要强于标准粒子群算法;对于具有误导性梯度信息的函数,NSPO偶尔表现优异。     

基于PCE-粒子群算法混凝土重力坝优化设计

为解决重力坝结构优化设计中数值模拟计算量大、设计效率低下的不足,文章使用PCE法建立近似模型代替数值模拟试验,经过检验所建立的模型精度较高满足工程设计要求;使用改进粒子群算法避免了该算法容易获取局部最优值的弊端,对重力坝结构进行优化设计,优化后的断面面积减小7. 1%,且安全系数为6. 51满足工程安全要求。     

多周期第四方物流集成反馈网络设计的模型与算法

本文研究了多周期第四方物流集成反馈网络设计问题,并考虑3PL运输供应商的信誉等级变化对整体网络配送完成率的影响。通过设计反馈调节机制和信誉评价体系,建立多目标规划模型来描述该问题。针对基本蚁群算法的不足和本问题的特点,设计奖惩蚁群算法,该算法通过增加奖惩因子,提高算法的收敛速度和全局搜索能力,有效避免了算法陷入局部最优。仿真实验结果表明了模型的合理性和奖惩蚁群算法的有效性。     

改进BP算法在旋转机械故障诊断中的应用

针对BP算法在神经网络诊断中表现出来的学习收敛速度慢、易于陷入局部最小点等局限性，用改进BP算法一有弹回的BP算法，对转子试验台模拟几种常见的故障进行诊断研究，从中得出结论：将代表故障的信息输入训练好的神经网络后，由输出的结果，便可以判断发生故障的类型。此外，有弹回的BP算法大大地提高了网络收敛速度和稳定性，更能满足实时在线诊断的要求。     

基于APSO-BP算法的水库生态优化调度研究

APSO-BP算法可实现粒子群优化的自动调整,解决传统粒子群优化算法收敛性较差,局部易出现极小值的局限,文章引入APSO-BP算法对辽宁某水库生态调度进行优化计算。研究结果表明:APSO-BP算法的收敛精度和全局优化搜索能力都好于传统粒子群优化算法,经APSO-BP算法优化下的水库生态调度可以满足流域的生态蓄水,流域最小生态需水满足度达到75%,适宜生态需水满足度达到66.7%,生态优化调度结果明显好于传统粒子群优化算法。APSO-BP算法可用于水库生态优化调度。研究成果对于水库生态调度方案以及区域生态蓄水规划配置提供方法参考。     

混沌果蝇-最小二乘支持向量机变压器DGA诊断

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,融合混沌算法对果蝇优化算法的进化机制进行改进,提出混沌果蝇优化算法(CFOA)。将CFOA算法应用于最小二乘支持向量机(LSSVM)惩罚因子和核函数参数的选择中,可以改善参数选择的随机性和盲目性,从而建立基于CFOA-ISSVM的故障模式预测模型。应用该模型对变压器油中溶解气体故障模式进行预测,结果表明,CFOA方法在在收敛速度、收敛可靠性及收敛精度上均比基本FOA有较大的提高,依此而建立的CFOA-LSSVM故障模式预测模型具有较高的准确率。     

A Pareto approach to multi-objective flexible job-shop scheduling problem using particle swarm optimization and local search

The job-shop scheduling problem is one of the most arduous combinatorial optimization problems. Flexible job-shop problem is an extension of the job-shop problem that allows an operation to be processed by any machine from a given set along different routes. This paper present a new approach based on a hybridization of the particle swarm and local search algorithm to solve the multi-objective flexible job-shop scheduling problem. The particle swarm optimization is a highly efficient and a new evolutionary computation technique inspired by birds’ flight and communication behaviors. The multi-objective particle swarm algorithm is applied to the flexible job-shop scheduling problem based on priority. Also the presented approach will be evaluated for their efficiency against the results reported for similar algorithms (weighted summation of objectives and Pareto approaches). The results indicate that the proposed algorithm satisfactorily captures the multi-objective flexible job-shop problem and competes well with similar approaches.     

流水工序调度与生产效率的关系模型分析

提出一种基于粒子群算法的流水工序调度任务优化模型。利用流水工序调度任务的特点得到流水工序时间约束条件,利用粒子群算法的原理建立流水工序调度任务优化模型,利用粒子群算法对模型进行求解。仿真实验表明,利用该算法能够得到流水工序调度问题的最优解,提高生产效率。     

基于SVR-IPSO的高危行业企业安全投入优化模型及其改进——以煤炭生产企业为例

传统的安全投入模型对解决高危行业领域中模糊复杂的安全投入问题具有一定局限性,尤其当建立目标函数时,采用隐含线性关系假设的函数进行拟合会影响模型的推广能力。基于此,本文首先采用支持向量回归机（SVR）建立事故损失模型,与传统C-D函数拟合结果相比,该模型具有更好的预测能力;然后,以实际安全投入要求为约束,以安全总成本最小化为原则建立企业安全投入优化模型;最后,采用基于捕食搜索策略的粒子群算法对模型进行求解,同时,为保证全局收敛性,引入自适应控制策略对算法进行了改进。结果表明：该模型能够更加准确地描述安全投入与安全成本间的非线性作用关系,并通过粒子群寻优得到具备可行性的全局最优解,为高危行业企业安全投入结构优化提供新的决策思路。     

基于CPSO的基础设施模糊投资组合优化模型

针对基础设施效益模糊、难以度量的特点,结合模糊集理论,建立了模糊投资组合优化模型,改进粒子群算法,加入混沌思想,使用混沌粒子群算法(CPSO)求解基础设施的模糊投资组合优化模型。以4个城市投资公司的数据为样本,验证该方法的科学性与有效性。研究结果表明:模糊投资组合优化模型可较好地表征基础设施的模糊效益,提高基础设施投资决策的科学性;混沌寻优思想改进的粒子群算法可求得模糊投资组合优化模型的全局最优解,增强算法的鲁棒性。     

Particle swarm optimization: A study of particle displacement for solving continuous and combinatorial optimization problems

This article addresses the particle swarm optimization (PSO) method. It is a recent proposed algorithm by Kennedy and Eberhart [1995. Particle swarm optimization. In: Proceedings of the IEEE International Conference on Neural Networks (Perth, Australia), vol. IV, IEEE Service Center, Piscataway, NJ, pp. 1942–1948]. This optimization method is motivated by social behaviour of organisms such as bird flocking and fish schooling. PSO algorithm is not only a tool for optimization, but also a tool for representing socio-cognition of human and artificial agents, based on principles of social behaviour. Some scientists suggest that knowledge is optimized by social interaction and thinking is not only private but also interpersonal. PSO as an optimization tool, provides a population-based search procedure in which individuals called particles change their position (state) with time. In a PSO system, particles fly in a multidimensional search space. During flight, each particle adjusts its position according to its own experience, and according to the experience of neighbours, making use of the best position encountered by itself and its neighbours. In this paper, we propose firstly, an extension of the PSO system that integrates a new displacement of the particles (the balance between the intensification process and the diversification process) and we highlight a relation between the coefficients of update of each dimension velocity between the classical PSO algorithm and the extension. Secondly, we propose an adaptation of this extension of PSO algorithm to solve combinatorial optimization problem with precedence constraints in general and resource-constrained project scheduling problem in particular. The numerical experiments are done on the main continuous functions and on the resource-constrained project scheduling problem (RCPSP) instances provided by the psplib. The results obtained are encouraging and push us into accepting than both PSO algorithm and extensions proposed based on the new particles displacement are a promising direction for research.