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。     

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。     

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。     

一种改进的粒子群优化算法

介绍基本粒子群优化算法的原理、特点,并在此基础上提出了一种改进的粒子群算法。通过在粒子初始化时引入相对基的原理使粒子获得更好的初始解,以及在迭代过程中引入变异模型,部分粒子生成相对应的扩张及收缩粒子,比较其适应度,保留最佳粒子进行后期迭代,使算法易跳出局部最优。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

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。     

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。     

基于带极值扰动粒子群算法的不确定性需求下最优采购决策

通过分析采用模糊数学方法拟合具有明显时间和季节变化规律的不确定需求比一般随机分布函数具有显著优势的原因,建立了基于模糊数学的最优采购决策模型。基于数理推导和证明,设计了带极值扰动的优化粒子群算法。通过实验证明了改进的优化算法在收敛速度、精度以及摆脱局部极值的能力上有大幅提高,是一种实用而高效的优化算法。     

三种常见现代优化算法的比较

现代最优化算法比较常见的有遗传算法、蚁群算法、粒子群算法、鱼群算法和模拟退火算法。这些算法主要是解决优化问题中的难解问题。文章主要是对遗传算法、粒子群算法和模拟退火算法三个算法的优化性能进行比较。首先介绍了三个算法的基本思想,以此可以了解三种算法有着自身的特点和优势,而后用这三种算法对典型函数进行计算,并对优化结果比较分析,提出了今后研究的方向。     

基于粒子群优化的模糊聚类分析

基于求解实优化问题时,粒子群优化算法优于遗传算法。在基于遗传算法的模糊C均值聚类算法基础上,给出了基于粒子群的模糊C均值聚类算法,试验结果表明:该算法克服了传统的模糊C均值聚类算法的缺陷,同时在收敛速度方面明显优于基于遗传算法的模糊C均值聚类算法。     

公平视角下农产品物流企业资源配置与优化研究

针对农产品物流企业资源配置与优化研究的问题,提出一种基于粒子群算法和数据包络分析（DEA）的决策方法。首先将企业的某种投入作为一种资源,建立DEA模型,对投入产出指标进行处理,得到每组方案综合效率值的方差,根据方差大小判断分配方案的公平性;然后结合粒子群算法将方差作为适应度函数值,通过算法进行循环迭代,从而找到最优的分配方案。最后通过实例进行算例分析,以表明所研究方法的可行性和有效性。     

基于多Agent粒子群改进算法的车间调度

针对制造系统中车间调度过程存在的动态性与复杂性问题,本文基于粒子群算法,结合多Agent协同优化性,构建了粒子群算法的是适应度函数,以及多Agent车间调度的行动策略,提出了基于多Agent粒子群改进算法(particle swarm improved algorithmbased on multi-agent,PSIMA),建立了基于多Agent粒子群改进算法流程。最后,通过具体实例,该方法比传统粒子群算法在计算时间以及计算复杂度上有明显改进,为解决制造系统中车间调度问题提供了一种新的方法指导。     

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。     

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。     

非线性互补问题计算机实现

分析了非线性互补问题求解困难，利用粒子群算法并结合极大熵函数法给出了该类问题的一种新的有效算法。该算法首先利用极大熵函数将非线性互补问题转化为一个无约束最优化问题，然后应用粒子群算法来优化该问题，计算机程序实现表明该算法是有效的。     

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。     

基于粒子群算法的线对面的垂直度误差评定

垂直度误差是几何产品互换性的重要指标,对几何产品的质量和性能有很大的影响。粒子群优化算法是一种智能优化算法,在多维空间函数寻优、动态目标寻优等方面有着收敛速度快,易于计算机实现等优点。利用粒子群优化算法拟合垂直度的基本平面,计算结果精度高,并且符合最小区域法评定轴线对面的垂直度误差的要求。     

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。     

基于混合算法的电力物料车辆排队服务优化

针对电力物料产品出入库频繁,扰动大,异质物料装卸时间差异大,车辆排队服务时间不确定等问题,建立电力物料装卸排队服务优化模型,模型中考虑了转换装卸仓库的时间对优化方案的影响。利用遗传算法对优良基因的记忆保留特性和算法收敛性以及粒子群算法迭代的方向性,提出混合遗传粒子群算法,加入了Metropolis抽样准则以提高算法跳出局部最优的能力。最后对国家电网天津市电力物资公司智慧物流园区实际数据算例进行仿真优化分析,模型优化后比实际的车辆平均空闲时间、最大空闲时间和总空闲时间都有大幅度减少,表明了模型的可行性和算法的有效性。相关研究模型已在企业智慧物流园区供应链多环节协同关键技术研究项目中进行分析与验证,并应用于企业实际仓储服务信息系统,极大地减小了企业运输车辆排队等待服务现象,减少了时间与成本浪费,具有较强的实际意义与应用价值。