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。     

基于免疫粒子群优化算法的物流配送车辆调度算法

将物流企业的车辆调度问题建模为一个单目标多约束的优化问题,将免疫原理与粒子群优化算法相结合,提出了一个车辆调度的免疫粒子群算法。该算法能在群体进化时注入满足约束的疫苗,从而加快种群寻优的效率,得到质量更高的解。实验结果显示:相比传统的遗传算法和粒子群算法,该方法能够得到更加满意的车辆调度结果。     

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。     

基于免疫粒子群优化算法的物流配送车辆调度算法

将物流企业的车辆调度问题建模为一个单目标多约束的优化问题,将免疫原理与粒子群优化算法相结合,提出了一个车辆调度的免疫粒子群算法.该算法能在群体进化时注入满足约束的疫苗,从而加快种群寻优的效率,得到质量更高的解.实验结果显示:相比传统的遗传算法和粒子群算法,该方法能够得到更加满意的车辆调度结果.     

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.     

带时间窗车辆路径问题的混合量子粒子群算法

针对带时间窗的车辆路径问题,采用混合量子粒子群算法对该问题进行了求解,该算法将量子粒子群算法与模拟退火算法相结合．充分发挥量子粒子群算法全局寻优能力强以及模拟退火算法局部寻优能力强的特点,从而能有效地避免早熟。仿真结果表明,该算法不仅收敛速度快,而且还具有较高的求解质量。     

粒子群优化算法的改进与应用

粒子群优化算法是今年来快速发展的一种新的进化算法。本文以标准粒子群优化算法的缺陷为出发点，从不同的角度来展现粒子群算法的改进方向和研究进展。讨论其在不同领域内的应用。最后对粒子群优化算法的发展趋势进行了展望。     

基于粒子群算法的无功优化研究

为提高地区电网的电压质量、降低有功网损,合理进行无功优化的目标,对地区电网进行了无功优化的仿真应用,在Matlab2009软件平台,采用粒子群算法编写了35kV电网无功优化仿真程序,计算结果表明粒子群无功优化算法在地区电网的应用中,其效果比优化前明显地改善,具有在全局搜索空间收敛速度快、寻优能力强、无功网损低等优点,达到了对地区35kV电网进行无功优化的预期目的,取得了比较理想的工程应用效果。     

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。     

基于量子粒子群算法的连杆机构的优化设计

粒子群算法是一种基于鸟群的智能优化方法,量子粒子群算法是对粒子群算法进行改进的算法,运算规则简单,收敛速度快,变量少,易于编程实现。对于多目标、多约束条件的四连杆机构优化设计,本文提出了一种基于量子粒子群算法求解的设计方法。经过仿真实践,能够有效求解,是求解四连杆机构优化问题的一个较好方案。     

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。     

粒子群优化算法在Web内容挖掘中的应用与研究

随着计算机技术在各领域的广泛应用,互联网的迅猛发展使得各类信息以指数级增长,本文主要研究粒子群优化算法在Web数据挖掘中的应用,介绍了粒子群优化算法进行Web数据挖掘的基本原理,分析了其特点。简述了粒子群Web数据挖掘优化算法的原理、特点、参数设置与应用等,重点分析了粒子群优化算法中的惯性权值,加速因子的设置对算法基本性能的影响,给出了算法中的经验参数设置。     

粒子群算法邻域拓扑结构研究

粒子群算法(PSO算法)是一种启发式全局优化技术。PSO的邻域拓扑结构是决定粒子群优化算法效果的一个很重要的因素,不同邻域拓扑结构的粒子群算法,效果差别很大。文章分析了邻域拓扑结构与PSO算法的关系,阐述了粒子群算法邻域拓扑结构研究现状,提出了未来可能的研究方向。     

基于BP神经网络和PSO算法的射流泵结构优化

为了提高水力射流泵的效率值,采用拉丁超立方试验设计方法对水力射流泵的喷嘴直径、喉管直径、喉嘴距、喉管长度和扩散管角度5个几何变量进行30组叶轮方案设计,应用ANSYS软件对水力射流泵进行数值模拟,得到设计工况下的水力射流泵效率,然后应用BP近似模型建立水力射流泵的5个几何变量与效率之间的近似建模,最后再通过粒子群算法(PSO)对近似建模结果进行极值寻优,以得到最优的水力射流泵参数组合。研究结果表明：BP近似模型能够较好地预测泵效率与设计数据之间的关联,优化后预测值与数值模拟间的误差为0.02个百分点;优化后的模型相对于原有模型,效率增加了8.17个百分点;相对于原始水力射流泵,优化后改善了水力射流泵内的流场特性,减弱了流场中的涡效应。     

一种改进的粒子群优化算法

粒子群优化算法是由Kennedy和Eberhart[1,2]在1995年提出的一种基于群体智能的随机进化算法,是在鸟群、鱼群和人类社会行为规律的启发下提出来的。针对粒子群优化算法容易陷入局部极小的缺陷,对粒子群优化算法的速度进化公式进行改进,将粒粒子行为基于个体极值和全局极值变化为基于个体极值的加权平均、全局极值和按概率选择其它粒子的个体极值。新算法更符合生物的学习规律,使得粒子充分利用整个种群的信息,保证了群体的多样性。     

基于QPSO算法的卷烟配送优化策略

针对卷烟配送点多、路线复杂的特点,提出采用量子粒子群算法(QPSO)制定最优配送策略,解决卷烟配送过程中的组合NP难题.以配送路径最短且配送量均衡为优化目标,建立卷烟配送问题的通用数学模型;在对比分析QPSO和粒子群算法原理的基础上,构建卷烟配送的QPSO求解模型,以实现车辆编号和配送次序同步寻优.实例计算表明,QPSO优化的卷烟配送策略能够使配送量均衡、配送行程最短、配送成本最低,可有效解决多目标非线性的卷烟配送问题.     

基于粒子群算法在六峰驼背函数中的应用

粒子群算法(PSO)是一种新兴的基于群智能的随机优化算法,同其它的进化算法相比,其最具吸引人的特征是简单容易实现和更强的全局优化能力。本文较祥细的介绍了粒子群优化的算法,并详细地介绍了在六峰驼背函数上的应用。     

货箱到人模式下的AMR拣选路径规划

针对货箱到人拣选模式下AMR的拣选路径规划问题,构建以总作业时间最小化为目标的AMR拣选作业优化模型,并采用粒子群算法对模型进行求解。为解决标准粒子群算法存在易早熟收敛和陷入局部最优解等问题,设置二阶振荡环节和随机惯性权重,提出一种改进的粒子群算法。在实验分析中,将文章方法应用于某配送中心AMR库系统,并将改进的粒子群算法与标准粒子群算法进行比较。实例实证表明改进的粒子群算法具有更高的迭代效率和求解精度,相较于标准粒子群算法节约了15.6%的拣选时间,能有效降低货箱到人模式下AMR拣选作业耗时。     

基于QPSO算法的卷烟配送优化策略

针对卷烟配送点多、路线复杂的特点，提出采用量子粒子群算法（QPSO）制定最优配送策略，解决卷烟配送过程中的组合NP难题。以配送路径最短且配送量均衡为优化目标，建立卷烟配送问题的通用数学模型；在对比分析QPSO和粒子群算法原理的基础上，构建卷烟配送的QPSO求解模型，以实现车辆编号和配送次序同步寻优。实例计算表明，QPSO优化的卷烟配送策略能够使配送量均衡、配送行程最短、配送成本最低，可有效解决多目标非线性的卷烟配送问题。     

基于改进PSO算法的物流配送中心选址

首先对物流配送中心选址进行分析,在考虑固定建设费用及运输成本等的基础上建立数学模型。针对模型的特点,采用流行的群智能算法—粒子群优化算法进行求解。在对基本粒子群算法的分析基础上,提出了改进的粒子群算法,克服了基本粒子群算法早熟以及易于陷入局部最优的缺点。利用典型的基准测试函数Shaffer对算法进行验证,最后给出仿真实例,证明了算法的合理性。