带时间窗车辆路径问题的改进粒子群算法研究

设计了一种引入局部近邻机制并且能够优化不可行解的粒子群算法。该算法将粒子群分成相互重叠的子群,在各个子群内寻找近邻,提高了粒子的学习功能和寻找近邻的速度;同时将产生的不可行解进行局部优化,增强了粒子寻找最优的能力。实验结果表明:该算法可以快速求得带时间窗车辆路径问题的满意解。

交叉粒子群算法及其在天线设计中的应用

目的为了求解解析性质差的复杂优化问题,提出了一种新的交叉粒子群算法。方法该算法将全局邻域粒子群算法与局部邻域粒子群算法交叉使用,并采用适应度距离比确定局部邻域粒子群算法的速度更新策略。结果提高了粒子群算法粒子的搜索能力。结论该算法用来解决六边形阵列天线问题,取得了满意的效果。

基于物理化学性质优化的蛋白质相互作用预测研究

蛋白质相互作用预测是生物信息学研究的重要问题之一.提出了一种基于物理化学性质优化的蛋白质相互作用预测方法,与现有方法的显著不同就是,并未使用已知的氨基酸残基的物理化学性质,而是通过粒子群算法优化得到有益于相互作用预测的物理化学性质数值.对真实的数据集测试表明,优化得到的物理化学性质比现有的物理化学性质更有益于提高蛋白质相互作用的预测性能,与其它方法相比,也具有一定的优势,说明该方法是一种有效的蛋白质相互作用预测方法.

基于局部远亲差分增强的扰动粒子群优化算法

针对粒子群优化(PSO)算法在搜索过程中因个体间缺乏交互,使种群逐渐丧失多样性、导致算法陷入局部极值的问题,提出了一种基于局部远亲差分增强的扰动粒子群优化算法(LFDE-PPSO)。首先,为扩大种群搜索空间,在速度更新过程中引入扰动因子,使惯性权重、学习因子在小范围内波动;其次,引入重构概率,选择适应度值低的个体重建中间种群;最后,为增加种群多样性,使较差个体的优秀基因得以保留,引入粒子不相关性及远亲个体,利用不相关性选择与差分个体基因差异性较大的远亲进行差分增强。实验结果表明,所提算法能够使中间种群中适应度值高的个体得以保留,有效增加种群多样性,使种群具备较强的跳脱局部极值能力,加快粒子逼近全局最优,同时具有收敛快、精度高等优点。