基于模拟退火的微粒群算法

微粒群算法具有较强的全局搜索能力,但容易陷入局部最小点,与模拟退火算法相结合,利用退火算法搜索过程中具有的概率突跳能力,能够有效地避免搜索过程陷入局部极小解。仿真结果表明。改进的算法能够有更好的优化效果。     

一种改进的人工蜂群算法及其应用研究

针对传统的人工蜂群算法具有较强的勘探能力,但是算法局部开采能力较弱,演化后期收敛速度慢,容易陷入局部最优,提出了基于混沌算法和逆向学习算法相结合的初始化种群方法,有效改进种群的多样性;提出了一种新型的搜索策略来改进观察峰与侦察蜂的搜索过程,加快了算法的收敛速度;通过5个标准函数进行测试,文中算法在搜索效率、最优解质量、稳定性均优于传统的人工蜂群算法.     

基于有向搜索的蚁群算法及其仿真

为了解决蚁群算法收敛速度慢和易陷入局部最优的问题,提高算法在连续空间中的寻优能力,本文提出了一种基于有向搜索的智能蚁群优化算法。该算法使转移概率较大的蚂蚁个体在解空间中进行局部有向变步长搜索,有效地避免了算法陷入局部最优,缩短了搜索时间,在寻优精确度取得了很好的效果。通过仿真验证了算法的有效性     

融合模拟退火的遗传算法研究与应用——以行程规划问题为例

遗传算法具有较强的全局搜索能力,但容易陷入局部最优.把模拟退火算法的思想融入到遗传算法中,在选择、交叉和变异的过程中加入退火过程,并使用改进后的算法求解行程规划问题,实验结果证明设计的算法是有效的.     

改进蚁群算法在解决TSP问题中的应用

在已知静态环境的条件下,提出一种改进蚁群算法,用以解决基本蚁群算法的收敛速度慢、效率低、易陷入局部最优解等问题。在传统蚁群算法的基础上,首先通过自适应改变挥发系数来使初始时刻的蚁群搜索能力加强、范围扩大,避免陷入局部最优解;其次将轮盘赌算子利用到状态转移规则中,有效地提高了解的质量和算法的收敛速度;最后通过精英选择操作,有效地提高了算法的全局搜索效率和收敛速度。通过对不同TSP实例仿真结果表明:改进后的蚁群算法在较少的迭代次数下得到的解非常接近问题的最优解,验证了该算法的可行性和有效性。     

求解作业车间调度问题的变邻域动态烟花算法

针对最小化最大完工时间的作业车间调度问题,提出一种基于变邻域搜索的动态烟花算法。变邻域搜索是一类重要的元启发式算法,在每一次迭代计算过程中通过搜索当前解的邻域得到一个改进的解,通过变邻域搜索方法可有效提高局部最优解的精度。与此同时,算法引入进化速度的概念,并通过进化速度计算烟花算法迭代过程中需更新的维度,实时调整相关参数,加快算法收敛,避免陷入局部最优。算例试验表明,该算法具有较好的鲁棒性,且能有效地提高算法搜索精度,加快收敛速度。     

求解多维0/1背包问题的Memetic算法

根据多维0/1背包问题的特点,结合遗传算法和模拟退火算法的优点,设计了一种Memetic算法。该算法以基于模式替换的改进遗传算法作为全局搜素算法,采用模拟退火算法进行局部搜索。全局搜索算法引入了模式替换,使每代种群中的最好基因个体保存下来形成模式,引导种群搜索方向,提高搜索性能,然后进行选择、均匀交叉和变异操作,最后采用最大化修复策略,对不可行解进行修复,并对可行解进行修正。模拟退火算法以一定概率接受较差的解,从而避免陷入局部最优解。通过实验仿真和算法比较验证了Memetic算法的优越性和有效性。     

基于贪心边的MMAS改进算法及在TSP中的应用

最大最小蚁群算法通过对信息素更新和限制的改进,有效提高收敛速度,但难以避免出现停滞并陷入局部最优的困境。基于贪心边的MMAS改进算法规定一种新的搜索停滞状态,设定不同等级贪心边,并在停滞状态下利用搜索过程中寻找到的贪心边进行优先搜索。该算法使搜索能够尽早地集中在有效边进行,丢弃“无用”搜索,提高发现更优路径的可能性。利用TSP标准实例进行测试,结果表明改进算法的最优解更加接近实际最优解,具有更高的全局寻优能力和更快的收敛速度。     

自适应分级粒子群算法的阈值图像分割研究

提出了一种改进型的粒子群算法,并与阈值法相结合应用于图像分割。该改进粒子群算法通过调节惯性权重而获得合理有效的收敛速度;采用分级思想对粒子进行分类并对普通粒子速度更新公式进行修改,从而有效避免了优化过程中粒子的早熟现象;结合遗传算法中的交叉思想增加种群的多样性,增强全局搜索能力从而避免算法陷入局部最优解。将其应用于的阈值图像分割,试验结果表明：相对于标准PSO算法,该自适应分级粒子群算法具有较强的全局寻优能力,且收敛速度快、鲁棒性好,能很好地应用于阈值图像分割。     

一种改进的模拟退火萤火虫混合算法求解0/1背包问题

根据萤火虫算法自身特点,本文提出一种基于模拟退火的改进萤火虫算法,并用于求解0-1背包问题.该算法在模拟退火过程中利用萤火虫算法搜索新解,采用贪心修复算子对不可行解进行修正.每一次退火操作完成时,对萤火虫种群实行变异操作,增强萤火虫的全局搜索能力.本算法在求解0-1背包问题时,能及时跳出局部最优,在算法初期增强全局搜索能力,在算法后期加快收敛速度.通过仿真实验表明,该算法可较好的求解0-1背包问题.     

基于相邻节点间特征改进的蚁群算法

蚁群算法是解决组合优化问题比较有效的方法。该方法采用分布式并行计算机制,易于与其它方法结合,并具有较强的鲁棒性,但也存在搜索时间长、易陷入局部最优解等问题。在研究多种改进的蚁群算法基础上,提出一种改进的蚁群算法来求解TSP问题。改进算法根据相邻节点间的相对距离特征,对路径解进行变异,诱导蚁群快速寻找到更优解。同时引入信息素挥发因子自适应调整机制和公共路径思想,调节算法收敛速度,以保证算法的全局搜索能力。实验结果表明,改进算法相比于MMAS、DMPSO ACO等算法,求解精度和收敛速度都有所提高,所选取的测试实例中,平均解相对已知最优解的偏差百分比平均可达到0.63%。     

一种改进的自适应变异的粒子群优化算法

针对粒子群优化算法存在的早熟收敛问题,提出了一种改进的自适应变异的粒子群优化算法。该算法根据群体适应度方差和当前最优解的大小,确定当前粒子的最佳变异因子。使用变异因子来改变粒子的运动方向,使粒子进入临近区域继续搜索,以确定新的个体极值和全局极值,避免出现局部最优解。仿真结果表明:自适应变异操作增强了粒子群优化算法跳出局部最优解的能力,其全局搜索能力有了一定提高,收敛速度较快,并且能够有效避免早熟收敛问题;虽然耗费时间有所增加,但在可接受范围内,用少许的时间代价换取全局最优解是值得的。     

自适应调整布谷鸟搜索算法研究

布谷鸟算法是基于启发式搜索的智能仿生算法。传统的布谷鸟算法收敛速度较慢,容易陷入局部最优解。针对该算法特点,对算法原理进行了分析,并就算法中步长和发现概率两个控制因素进行改进,使其根据迭代次数动态变化,提出了具有自适应调整特点的搜索算法,改变了步长和发现概率相应的更新方式,避免了传统布谷鸟算法容易陷入局部最优的缺陷,以增强算法搜索性能。实验对比表明,自适应调整的布谷鸟算法具有更好的寻优性能。     

基于混沌的粒子群优化算法研究与进展

粒子群优化算法因简单、容易实现,被越来越多地应用于众多应用领域,但其存在着容易陷入局部最优等缺点。混沌是一种普遍的非线性现象,具有随机性、遍历性和内在规律性的特点,尤其是混沌的遍历性特点,使其可以作为搜索过程中避免陷入局部极小的一种优化机制。将二者结合求解优化问题,改善了粒子群摆脱陷入局部极值的能力,提高了算法收敛速度。论述了混沌粒子群优化算法的研究进展。     

改进蚁群算法在物流配送路径问题中的应用

将最大最小蚂蚁算法与变异操作相融合,改进物流配送路径问题的求解,其算法首先采用最大最小蚂蚁算法产生较优解,然后使用变异操作对较优解进行优化.测试结果表明：该改进算法可以避免蚁群算法在搜索过程中陷入局部最优,有效地提高算法的全局寻优能力.     

融合 Rosenbrock 搜索法的混合粒子群算法

为克服粒子群算法在处理复杂高维问题时易陷入局部最优及寻优精度低等缺陷,提出一种融合 Rosenbrock 搜索法的混合粒子群算法。首先,利用 Tent 混沌序列进行种群初始化;其次,采用去速度项的简化粒子群公式提高收敛速度并对个体极值加入扰动,增强粒子种群多样性;最后,当全局最优个体更新停滞时,利用Rosenbrock 搜索法对全局最优个体进行局部搜索,提高解的精度。利用 8 个常用基准测试函数分别对 30 维和50 维问题进行实验,证实该算法可寻到病态函数 Rosenbrock 全局最优值,且比其它 7 个函数的寻优精度提高10-2 数量级。实验证明该算法收敛速度快,解的精度高,全局搜索能力强,寻优能力明显提高。     

一种改进的全局和声搜索算法求解函数优化问题

针对和声搜索算法的早期收敛速度快,后期收敛慢,容易陷入局部最优解的问题,本文提出了一种改进的全局和声搜索算法.该算法对标准和声搜索算法作了三点改进,首先在和声记忆库初始化时采用反向学习策略,提高初始解的质量,提高收敛速度,其次,采用动态方式调整参数,第三,利用当前和声记忆库中的全局最优解产生新解,提高全局搜索能力.采用该算法对6个标准的测试函数进行优化,结果表明,该算法避免算法的早熟和增强算法的全局搜索能力,具有较好的优化性能.     

基于迭代局部搜索的路径规划蚁群算法

针对蚁群算法易早熟及局部搜索能力欠佳的缺陷,将迭代局部搜索策略引入蚁群算法。新算法的基本思想是：从初始解出发,用蚁群算法进行局部搜索,如陷入局部最优,则产生一个摄动解作为新的初始解再进行局部搜索,根据接受规则决定进入下一步迭代的局部最优解。将改进算法应用于二维路径规划,数值实验表明,改进算法相比基本蚁群算法有更佳的局部收敛性,可获得比基本蚁群算法结果更优路径。     

基于粒子群算法的可靠性优化

系统可靠性优化已被证明是一个NP完全问题,不存在精确的求解方法。人们构造了大量的启发式算法,如遗传算法(GA),蚁群算法(ACO),模拟退火算法(SA)等。针对各种算法所存在的早熟收敛,易陷入局部极值点的缺点,提出了将粒子群算法(particle swarm optimization,PSO)用于求解可靠性问题。给出了基于粒子群算法的可靠性优化求解策略,根据数学模型,详细讨论了求解步骤,最后给出了实验仿真结果。结果表明该算法具有较强的局部搜索能力,同时也有更高的搜索效率,与其它方法相比,该算法能够找到更优解,验证了该算法的可行性和有效性。     

一种混合算法在车辆路径问题上的应用

针对粒子群优化算法PSO求解车辆路径问题容易陷入局部最优的缺陷,提出了将量子门思想、遗传算法思想与粒子群算法相结合的混合算法来求解车辆路径问题,以Matlab语言为开发工具实现VRP实际问题的求解。实验表明,混合算法比粒子群算法能有更好的避免陷入局部最优,可以搜索到更优解。