求解车间作业调度问题的免疫粒子群算法

粒子群算法已成功地应用于著名的旅行商问题和其他一些组合优化难题。为了使用粒子群算法来解决生产问题，该文在原有的粒子群优化模型的基础上提出了一种新的免疫粒子群算法，由具体算例验证该算法是有效的。     

求解TSP问题的多样性扰动粒子群优化算法

以旅行商问题为例,提出了一种离散粒子群优化算法,对粒子的位置、速度等量及其运算规则进行了定义,为抑制早熟停滞现象,分别定义了粒子群多样性指标,并在迭代过程中采用扰动保持粒子群的多样性,使算法在空间探索和局部求精间取得了很好的平衡,仿真结果表明,该算法具有很好的性能.     

改进遗传算法在TSP问题中的应用

旅行商问题是典型的NP组合优化问题。提出一种旅行商问题求解应用上的改进遗传算法。引入贪心算法优化初始种群,在轮盘赌选择基础上,融入最优保存策略和掺杂算子进行选择操作,以保证群体的多样性;基于两点三段随机交叉算子优化交叉结果,基于启发式倒位变异算子提高算法的收敛速度;给出了求解旅行商问题系统的体系结构。实验结果表明,改进的遗传算法具有更好的寻优能力。     

求解TSP问题一种混合进化算法

进化算法是解决优化问题的一种新型方法.与现存的优化算法相比,这种方法有几个优点:它不仅能用于非线性函数,还通常能以概率收敛到全局最优解.基于一种新的变异算子和局部搜索技术,提出了一个求解旅行商问题的的新的进化算法.新的进化算子可以保证约束条件自动满足,局部搜索技术简单易行.另外,对迭代方法做了收敛性分析,给出了收敛的必要条件和充分条件.并进行了计算机模拟.结果表明本文算法是有效的,是一种适用于很多类型组合优化问题的有效方法.     

结合遗传算法的粒子群算法改进与应用

标准粒子群算法（PSO）容易陷入局部最优解,导致收敛速度慢、效率低．文章结合遗传算法提出了改进的组合粒子群算法,在每次迭代后应用随机函数随机选择下一次迭代所使用的变异策略或交叉策略．由测试数据表明组合粒子群算法在求解TSP时性能上有很大提高．     

基于GA-QPSO算法的含分布式电源配电网优化重构设计

为了适应当前配电网结构日趋复杂且分布式电源大量接入的情况,提出一种改进的量子粒子群优化算法并成功应用于含分布式电源的配电网优化重构中.该算法通过在标准量子粒子群算法中引入遗传算法的"遗传"和"变异"操作,对粒子各等位基因实行概率进化,以提高种群基因的多样性,克服原算法前期易陷入局部收敛的缺陷.改进算法后通过设置变异因子...     

一种带随机选择机制的新型改进粒子群优化算法

标准粒子群优化算法对空间所有区域等概率搜索,降低了算法效率。借鉴遗传算法的思想,本文提出一种带随机选择机制的改进粒子群优化算法。该算法将适应值选择和粒子状态更新方程结合起来,通过赌轮算法选择机制使得粒子在适应值较小的区域尽可能的降低搜索概率,在最优解可能区域尽可能加大搜索强度,从而提高算法搜索效率。通过标准进化计算测试函数测试,实验结果表明对于复杂优化问题该算法优于标准粒子群优化算法和遗传算法。     

浅谈旅行商问题与蚁群算法

蚁群算法是继模拟退火算法、遗传算法、禁忌搜索算法、人工神经网络算法等启发式搜索算法之后的又一种应用于组合优化问题的算法。根据蚁群算法的特性,求解旅行商问题,利用仿真实验程序对蚁群求解旅行商问题进行模拟。     

基于距离度量的差分进化算法

针对差分进化算法求解函数优化问题存在过早收敛和不稳定等缺陷,提出一种基于距离度量的差分进化算法.该算法考虑各粒子的差异,利用欧式距离计算粒子与已知最优粒子的距离,然后根据差异自适应调整自身的交叉概率因子,同时增加柯西变异算子对部分个体进行变异操作,以提高种群多样性,增强算法跳出局部最优解的能力.用三种经典函数检验说明,新算法在收敛精度、速度上优于基本差分进化算法.     

基于自适应交叉变异的飞蛾算法云计算任务调度策略

针对云计算资源调度效率低的问题,提出一种基于自适应交叉变异的飞蛾优化算法云资源调度策略.首先引入综合学习策略,对飞蛾种群进行初始化,提高全局搜索能力.其次在迭代过程中加入自适应交叉变异策略,加强粒子跳出局部最优的概率.最后建立云计算任务调度问题的数学模型,将改进后的飞蛾算法对模型进行求解,并将实验结果与其他优化策略的实验结果在时间花费和能源花费中进行对比,取得了较优的结果.