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。     

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。     

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。     

基于禁忌递阶遗传粒子滤波的无线传感器网络的目标跟踪

提出了一种禁忌递阶遗传粒子滤波跟踪算法.结合禁忌搜索算法和递阶遗传算法提出一种禁忌递阶遗传算法,用递阶遗传算法作全局搜索,用禁忌搜索算法作局部搜索,该算法能在一定程度上克服早熟问题,避免收敛到局部最优点.仿真结果表明:该算法在大噪声条件下改善了粒子贫乏问题,提高了跟踪精度及速度.     

基于禁忌遗传粒子滤波的无线传感器网络的目标跟踪

提出了一种禁忌遗传粒子滤波跟踪算法。用遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以提高遗传算法的局部搜索能力,避免收敛到局部最优点。仿真结果表明:与原算法相比,禁忌遗传粒子滤波算法在大噪声条件下改善了粒子贫乏问题,提高了跟踪精度。     

取送货路径优化问题的候鸟群自适应变邻域搜索算法

具有时间、车容量和后进先出约束的多车辆取送货路径优化问题在现实中具有广泛的应用,针对现实问题中规模性和模型的复杂性使其在短时间内无法精确求解的问题,提出了候鸟群自适应变邻域搜索算法(MBO＿AVNS)。以三种贪婪插入算法构建初始种群,确保种群的多样性和初始解的质量,对传统候鸟优化算法的邻域搜索算法进行改进,加强了算法的局部搜索能力。通过真实数据进行实验分析表明,与模拟退火算法(SA)和一般自适应变邻域搜索算法相比,MBO＿AVNS算法在求解具有时间和后进先出约束的取送货路径问题上更具有优越性。     

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。     

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。