基于改进群搜索优化算法的车辆路径问题研究

针对标准群搜索优化(GSO)算法存在的早熟、后期迭代效率低和容易陷入局部极优点等问题,提出了一种改进的群搜索优化算法用于车辆路径问题的研究。该算法先是通过交叉因子的引入来曾加粒子的多样性并增强群成员的优良性,从而减小后期搜索中算法易陷入局部极优点的概率;然后借助于模拟退火算法的优势来有效的提高算法收敛性能。实验表明,基于交叉因子和模拟退火的群搜索优化(CMGSO)算法相比于标准群搜索优化(GSO)和粒子群优化(PSO)算法来说,具有较快的收敛性能和较好的全局寻优能力,因此该算法适用于物流车辆路径寻优问题的研究和解决。     

基于改进粒子群算法的生鲜农产品配送路径优化研究

以生鲜农产品在途时间最短、配送成本最低为优化目标,构建了农产品配送路径优化问题的模型,采用基于局部精益搜索策略的改进粒子群算法求解该问题。通过仿真实验表明,改进粒子群算法是农产品配送路径优化问题的一种有效方法,对于提高农产品配送效率,降低配送成本有重要的现实意义。     

基于改进粒子群算法的重力坝断面优化研究

【目的】将改进粒子群算法用于重力坝断面的优化计算,为重力坝的优化设计提供支持。【方法】针对传统粒子群算法(PSO)中线性递减的惯性权重极易导致算法陷入局部极值的不足,提出一种改进的粒子群算法(Improved PSO),该算法利用三角函数的相关性质改进惯性权重(w)随时间的动态变化模式,以使惯性权重值在算法的初期保持较大取值,然后逐渐递减而在算法的末期保持较小取值,从而提高粒子群算法的全局搜索能力,增强算法的收敛性能。编制基于改进粒子群算法的重力坝断面优化设计计算程序,对某水利枢纽工程的非溢流重力坝断面进行优化计算分析,并与遗传算法和标准粒子群算法的计算结果进行比较。【结果】采用改进粒子群算法得到的非溢流重力坝的最优断面面积为5 147.3 m~2,而采用标准粒子群算法(SPSO)得到的非溢流重力坝的最优断面面积为5 416.5m~2,前者较后者减小9.45%,极大地提高了经济性;采用改进的粒子群算法得到最优解需要计算15步,而采用标准粒子群算法得到最优解需要计算22步,粒子群算法收敛速度提高了31.8%。通过2种算法计算结果的对比,表明改进的粒子群算法不仅能得到更好的优化结果,而且保持了较快的收敛速度。【结论】改进粒子群算法可以用于大型水利工程结构的优化计算与设计。     

一种量子粒子群算法的改进方法

针对量子粒子群算法存在的问题,设计基于公共历史的两种群并行搜索的量子粒子群算法.在利用群体历史优质解及最优粒子变异的基础上,对粒子群进行筛选,加快粒子群的收敛速度,并采用两种群并行搜索,防止同时陷入局部极值.通过多个函数的测试,该算法在收敛速度及寻找全局最优方面,都表现出较好的效果.     

基于改进粒子群算法的再入飞行器轨迹优化

采用基于距离量度和自适应惩罚相结合的约束处理技术的改进粒子群优化算法（PSO）应用于再入飞行器轨迹优化,避免适应值函数中复杂的罚函数及罚因子的设计,提高优化算法的通用性。以高超声速飞行器最小控制量再入轨迹优化为例,并对飞行器运动模型进行简化及控制量参数化。对两种不同的高超声速飞行器模型进行优化,仿真结果验证算法的有效性及通用性。     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题，提出了一种基于双子群的改进粒子群优化算法（TS IPSO)，通过2组搜索方向相反的主、辅子群之间的相互协同，扩大搜索范围，借鉴遗传算法的杂交机制，并采用惯性权值的非线性递减策略，加快算法的收敛速度和提高粒子的搜索能力，降低了算法陷入局部极值的风险.实验结果表明该算法较标准PSO算法提高了全局搜索能力和收敛速度，改善了优化性能.     

粒子群算法及其应用研究

粒子群优化算法(PSO)源于对鸟群捕食系统的模拟,是近年来被广为关注和研究的一种智能优化算法。PSO算法属于进化算法的一种,比遗传算法(GA)更简单易实现,且没有交叉和变异操作,需要设定的参数也不多,收敛速度快。目前已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法等领域。目前PSO的研究主要集中在算法本身和算法的应用研究两个方面。     

一种求解非线性二层规划的粒子群算法

基于下层问题的K-T最优性条件和罚函数法,结合粒子群算法提出了一种求解非线性二层规划问题的粒子群算法。数值计算结果表明,该算法可以有效地求解非线性二层规划问题。     

改进粒子群算法在车间作业调度中的研究

车间作业调度（JSP）是典型的NP难题,传统求解方法都有各自的特色和不足。免疫系统强大的信息处理能力为人工免疫应用提供了丰富的暗示,因此,免疫算法被提出,并逐渐应用于许多工程实际。针对车间作业调度这个优化问题的难处理性,提出了基于免疫粒子群算法（IPA）的JSP求解方法。在该求解方法中,结合免疫原理和粒子群算法应用于JSP的算法流程;算法采用基于操作的编码方式;依据接种疫苗和变异、免疫选择的机制来设计算子。并通过仿真,证明了IPA算法在JSP中的有效性。     

一种新型的动态粒子群优化算法

为了改进标准粒子群优化算法全局搜索性能,提出了一种种群动态变化的多种群粒子群优化算法。当算法搜索停滞时,把种群分裂成两个子种群,通过子种群粒子随机初始化及个体替代机制增强种群多样性,两个子种群并行搜索一定代数后,通过混合子种群来完成不同子种群中粒子的信息交流。收敛性分析表明,本文算法能以概率1收敛到全局最优解。实验结果表明,本文算法具有较好的全局寻优能力和较快的收敛速度。     

基于改进粒子群优化算法的BOD-DO水质模型参数确定

【目的】将改进的粒子群优化算法应用于BOD-DO水质模型参数求解,为水质模型参数求解提供支持。【方法】通过差异演化算法对各个体历史最佳位置进行变异,以保持种群多样性,并在搜索后期加入局部搜索能力强的单纯形算法,建立改进的粒子群优化算法,并用该算法对BOD-DO水质模型参数进行求解。【结果】改进的粒子群优化算法能有效地确定BOD-DO水质模型参数;参数取值范围的放宽对算法的收敛性影响较小,但迭代次数有所增加;均匀分布法生成的初始种群可以有效地提高算法的收敛率,加快收敛速度;交叉概率和缩放因子的随机选取策略,可以有效地提高算法的收敛率并加快收敛速度;比较计算结果可知,改进的粒子群优化算法的收敛精度有所提高,收敛率可达到100%,收敛速度可提高5倍以上,标准差约是粒子群优化算法的10%。【结论】改进的粒子群优化算法有效地避免了原算法的早熟或停滞,为不同类型的水质模型参数求解提供了一个可靠的方法。     

基于量化正交免疫克隆粒子群算法的水电站水库优化调度研究

【目的】解决传统粒子群算法在求解水库优化调度问题中存在的早熟、收敛速度慢和易陷入局部最优的问题。【方法】基于抗体克隆选择学说理论,提出了一种量化正交免疫克隆粒子群算法(OICPSO/Q)。采用正交交叉策略来增强子代个体解分布的均匀性;通过接种疫苗和计算亲合度等操作,对算法的进化过程进行有目的、有选择地指导,使得算法快速收敛,同时保持一定的多样性,抑制了早熟现象。提出一种自学习算子,避免个体邻域内最优解的丢失。建立了基于量化正交免疫克隆粒子群算法的水库优化调度数学模型,并给出其具体的求解步骤。最后应用该方法与标准粒子群算法(SPSO)及动态规划方法进行比较。【结果】与SPSO算法和动态规划方法计算结果相比,OICPSO/Q算法计算时间明显降低,但发电量明显增加,说明OICPSO/Q算法可提高解的精度,加快其收敛速度,其性能优于标准粒子群算法和动态规划方法。【结论】OICPSO/Q算法为求解水库优化调度问题提供了一条新的有效求解途径。     

基于改进的粒子群优化算法确定河流水质参数

【目的】将改进的粒子群优化算法应用于河流水质模型参数求解,为预估河流水质参数提供一种有效的方法。【方法】以粒子群算法为基础,用混沌序列的产生过程模拟粒子初始化提高算法的全局搜索能力,加入单纯形算法提高计算精度,建立改进的粒子群优化算法。用改进的粒子群优化算法对一维及二维河流水质模型参数进行求解,并进行实例验证。【结果】改进的粒子群优化算法可以有效地应用于一维及二维河流水质模型参数的求解;随着参数取值区间的不断扩大,算法的运算时间增加;改进的粒子群优化算法比粒子群优化算法具有更好的收敛性且计算精度更高。【结论】改进的粒子群优化算法能改善原算法易陷入局部最优解的不足,是分析河流水团示踪试验数据、预估一维及二维河流水质模型参数的一种有效方法。     

基于微粒群算法的投影寻踪模型对调亏灌溉模式评价

通过基于微粒群算法的投影寻踪模型评价方法,对水稻调亏灌溉管理模式提出不同生育期调亏对水稻生育特性及产量影响的综合评价,确定水稻调亏灌溉最优管理方案:返青期土壤水分控制下、上限为相对饱和含水率的70%~100%;分蘖初期为90%~100%;分蘖中期含水率90%,田面水层10 mm;分蘖末期为60%~100%;拔节孕穗期为90%~100%;抽穗开花期为0~20 mm,为节水高产型灌水方法和调亏灌溉制度的制定提供基本依据。     

基于改进人工蜂群算法的生鲜农产品配送路径优化

为提高生鲜农产品的物流配送效率,降低配送过程中的综合成本,以配送总成本最小化为优化目标,通过引入时间价格成本,结合配送固定成本、运输成本和惩罚成本构建成本函数最小化模型。基于该数学模型,运用改进的人工蜂群算法对模型进行求解,算法中采取中位数选择策略来代替原有的轮盘赌选择策略,并在解的更新阶段引入禁忌表,有效解决了算法容易过早陷入局部最优的问题,并使得算法的收敛速度提高40%。通过算例验证了本文模型和算法的有效性,有一定实践指导意义。     

地下水位粒子群优化神经网络组合预测模型

【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。     

基于小生境和交叉选择粒子群算法的水库优化调度研究

【目的】针对传统优化方法在水库优化调度计算中存在的维数灾和早熟等问题,建立新的优化算法模型。【方法】在PSO算法的基础之上,引入小生境和交叉选择算子,对寻优过程中的个体历史最好位置进行多样化处理,提出基于小生境和交叉选择算子的粒子群(NCSPSO)算法,建立基于NCSPSO算法的水库优化调度模型,并给出具体求解步骤,最后将该方法和基本PSO算法对比应用于具体水库的调度计算中。【结果】实例优化调度计算表明,NCSPSO算法计算时间较短,寻优能力强,用其进行的水库优化调度决策可以有效提高水库的总发电量。【结论】NCSPSO算法为水库优化调度提供了一条新途径。     

基于多目标PSO-ACO融合算法的无人艇路径规划

【目的】针对河蟹养殖过程中,水位变化以及无人艇路径规划算法收敛慢、精度低的问题,为提高算法适应性与寻优能力,提出一种多目标粒子群-蚁群融合的无人艇路径规划算法。【方法】首先,分析蟹塘环境及养殖规律等因素,建立静态水深栅格环境模型;其次,针对覆盖遍历式投饵存在局部点投喂不足及路径次优的问题,通过对惯性参数与学习因子的非线性调整,提出基于多目标的改进粒子群算法(Particle swarm optimization, PSO);然后,调整蚁群算法的初始信息素,并对蚁群算法的信息素挥发因子和启发期望函数自适应改进,提出自适应优化蚁群算法(Ant colony optimization, ACO);最后,为解决单一算法寻优不足,利用融合PSO-ACO算法,实现无人艇多目标全局路径规划。【结果】仿真结果表明：不同环境投饵策略下,PSO-ACO算法在对多目标路径寻优时,不仅环境适应性好,而且提高了寻优效率和精度,运行时间节省了32%,路径距离缩短了9.78%,迭代次数降低了62.88%,拐点数目减少了44.45%。【结论】所提出多目标点的路径规划算法适用于环境可变的蟹塘养殖,具有较好的应用价值。     

基于自适应粒子群算法优化神经网络的多沙水库冲淤预测模型研究及应用

【目的】针对传统多沙水库冲淤预测模型难以准确、迅速预测某一具体水库调度运行方式下泥沙的冲淤变化过程,无法为制定合理水库调度运行方式提供决策依据的不足,构建一种计算效率高、能保证一定计算精度且相对简便的泥沙冲淤预测模型。【方法】将人工神经网络及粒子群优化算法引入到多沙水库冲淤预测中,构建基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型,并将该模型应用于冯家山水库库区泥沙冲淤形态、冲淤量的预测,验证其实用性。【结果】将多沙水库冲淤变化过程视为一个非线性动力系统,利用人工神经网络处理大规模复杂非线性动力学问题的优势,在采用自适应粒子群优化算法对BP神经网络的初始连接权值和阈值进行优化的基础上,成功构建了基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型。该模型在冯家山水库冲淤预测中的应用结果表明,模型计算值与实测值之间吻合良好,可满足实际水库管理的需要。【结论】所构建模型具有较强的合理性及较广的适用性,为多沙水库冲淤预测提供了一条有效途径。