基于信息素机制的粒子群优化算法的设计与实现

提出了一种基于信息素机制的粒子群优化(Particle swarm optimization based on pheromone mechanism,PSO-PM)算法.主要是借鉴了蚁群优化算法的信息素共享机制,并引入到粒子群优化算法中,设计了粒子行为的三条简单规则:信息留存规则、信息获取和融合规则以及粒子演化规则,从而实现了群体信息的充分分享,相应地改善了算法的寻优能力.采用基准函数对PSO-PM算法进行测试,并与几种不同类型的改进优化算法进行对比,数值实验结果验证了PSO-PM算法的有效性.

角逐和信息素引导的多目标黑寡妇优化算法

黑寡妇优化算法(BWOA)是一种群体智能优化算法,具有收敛速度快、收敛精度高等优点。但BWOA所采用的更新策略过于简单,容易陷入局部最优解;其次在多维空间中搜索能力欠缺,种群结构单一,算法的收敛性和多样性有待改善。为提高BWOA的综合性能,并使其能够应用于多目标优化问题,提出一种角逐机制和改进信息素机制引导的多目标黑寡妇优化算法(MBWOA)。MBWOA采用动态分配种群的方法,在迭代过程中将种群一分为二,分别使用不同的角逐机制,增强迭代过程中种群的多样性,提升算法的收敛性;同时,使用改进的信息素机制对经过角逐的子代个体进行更新,引导个体向种群间隙方向优化,改善种群的分布,增强算法的收敛能力。MBWOA与四个对比算法在IGD、HV、Spread三个指标上分别进行对比实验,结果表明MBWOA具有更好的收敛精度、收敛速度和多样性。最后,通过在三个指标上对MBWOA所用机制的对比实验,证实了所用机制的有效性。

多信息结合离散粒子群算法及其应用

为提高粒子群算法的搜索性能,提出了一种改进的离散粒子群算法:多信息结合离散粒子群算法。该算法在粒子群算法的基础上借鉴蚁群算法的信息素机制,重新定义了粒子的速度位置更新公式,并且引入双曲正切函数对粒子群进行初始化。通过求解背包问题对算法进行验证,实验结果表明所提算法性能较优。

一种信息充分交流的粒子群优化算法

提出了一种信息充分交流的粒子群优化算法.首先,建立了信息素矩阵,提供了粒子之间信息分享的平台;然后,采用正态分布融合信息素矩阵中的信息,并使用位置修正加强群体信息的交流;最后,通过位置扰动来增强群体对信息的利用能力.采用基准函数对该算法进行测试,数值实验结果验证了该算法的有效性.

基于蚁群混沌行为的离散粒子群算法及其应用

考虑蚁群算法与粒子群算法的各自特点,在粒子群算法的基础上借鉴蚁群算法的信息素机制,对粒子群算法的速度位置更新公式重新定义,提出了一种基于蚁群混沌行为的离散粒子群算法,并将其应用到背包问题中。实验结果表明,该算法可以得到较优解。

一种新的求解约束P-中位问题的启发式算法

针对约束P-中位问题的特点,提出了一种新的启发式算法。该算法借鉴了蚁群算法的信息素学习机制,同时针对问题的结构设计了合理的对象分配方式。模拟计算表明,该算法具有更好的全局优化性能和计算效率。

一种新改进的粒子群优化算法

针对粒子群优化算法容易陷于局部最优的情况,将蚁群算法的信息素机制引入到粒子群算法中,保证了粒子间的多样性,从而有效克服了粒子群算法容易发生早熟停滞的缺陷。最后通过仿真实验证明了算法应用于软件测试的可行性和高效性。

改进PSO算法在软件测试数据生成中的应用

软件测试是软件质量保证的重要手段,测试用例自动生成一直是被广泛研究的问题。本文在分析了遗传算法、粒子群算法和蚁群算法的优缺点后,在软件测试用例的自动生成过程中采用一种新改进的粒子群算法。该算法将蚁群算法的信息素机制引入到粒子群算法中,加大了粒子间的多样性,有效地克服了粒子群算法容易发生早熟停滞的缺陷。最后通过仿真实验证明了算法应用于软件测试的可行性和高效性。

基于节点不平衡功率的粒子群潮流转移控制算法

通过将潮流转移的校正控制转化为非线性规划问题,提出了基于节点不平衡功率的潮流转移控制算法。首先将常规优化问题中的功率平衡等式转化为节点不平衡功率,作为优化目标处理,避免了常规人工智能优化算法中必须先满足潮流等式后再优化求解的弊端,提高了计算速度;然后应用信息充分交流的粒子群优化方法求解该模型。为了克服粒子群算法的早熟,采用混沌序列初始化粒子位置,发生早熟停滞时进行混沌寻优,以增强搜索多样性。该方法可同时计及实施过程中的各种约束。系统负荷较重时,常规方法无法使用,但文中所述算法依然有效。利用新英格兰39节点系统验证了该方法的有效性。

一种改进的竞争型蚁群算法在TSP问题中的应用

路径优化问题在配送成本中是一个至关重要的因素。随着社会的不断进步和经济的快速发展,路径优化问题得到了大力发展,其中通过优化配送路径的方法可以大大节约运输成本从而对成本进行有效控制。在分析常规蚁群算法的基础上,采用竞争的方式让蚁群释放信息素来改变信息素的更新机制从而进一步优化配送路径。最终使整个算法收敛速度更快、搜索能力更强、精度更高,结果更优。

求解面向进攻的武器-目标分配问题的蚁群算法

面向进攻的武器-目标分配问题是军事运筹学研究中的重要课题,旨在制定合理的打击策略以最大程度摧毁敌方目标。采用一种融合局部搜索和信息素控制的蚁群算法,兼顾控制解的局部收敛速度和全局收敛质量。在解的构造过程中直接处理约束条件,提高生成解的可行性,并大大缩小了搜索空间,提高了算法效率。通过采用多种算法对不同规模的武器-目标分配问题进行实验,结果表明改进的蚁群算法在收敛速度和求解质量上表现优异。

MMAS在带时间窗的车辆路线问题中的应用

针对基本蚁群优化算法在物流配送路径优化应用过程中存在的问题,主要是由信息素全局和局部更新策略而导致车辆选择路径时容易陷入局部最优解的现象,本文详细研究了蚁群算法的改进算法,即最大最小蚁群算法;并引入信息素平滑机制来提升算法的路径探索能力,实现此组合优化理论在带时间窗的车辆路径问题中的应用.

多态蚁群-细菌觅食算法实现部分遮蔽下光伏系统最大功率跟踪

针对传统最大功率跟踪技术容易陷入局部最大功率点的问题,提出多态蚁群-细菌觅食算法(polymorphic ant colony-bacterial foraging algorithm,PACO-BFOA)来实现部分遮蔽条件下光伏系统的最大功率输出。该算法在传统蚁群算法的基础上引入信息素扩散机制、多态蚁群的概念和细菌的趋化行为,使算法的全局开发和局部探索能力得到了增强。并在太阳辐照恒定、突变和缓慢变化3种环境下进行算法仿真对比验证,结果证明所提出的算法在部分遮蔽及变化光照下均能快速、稳定地在线寻得全局最大功率点。

对具有二部图特点的二次指派问题的研究

为求解具有二部图特点的二次指派问题,提出一种基于熵收敛的改进蚁群算法(EC-IACA)。首先,为提高初始种群解的质量,提出了基于假定应急物流中心的贪婪思想与设施交互次数相结合的初始化方法,并用当前最优解来设置初始值,较少搜索的盲目性;其次,使用一种伪随机比例规则,引入先验概率来引导状态转移,用已得到的部分解和未遍历完指派集的状态对启发信息进行动态改进,以此增强算法的收敛速度;然后,应用自适应策略对信息素进行更新来避免早熟,运用2-opt邻域结构对历史最优解进行局部搜索,以此提高算法的局部搜索性能;最后,在算法后期引入信息素平滑机制来增强解的多样性,并引入信息熵来分析算法的收敛性。仿真计算实验和算法比较验证了EC-IACA的优化性能。

基于改进蚁群算法的地图路径规划方法

随着科技水平的发展和社会的持续进步,如何提升路径规划算法的收敛效果和精度逐渐成为当下的研究热点。现有蚁群算法在规划路径时,经常遇到局部难以得到最优解的问题。因此,通过启发式信息素更新策略来提高蚁群算法的搜索能力,并通过自适应调整参数的方法得到最优参数,形成改进的蚁群算法。将优化后的算法应用于Oliver30、Att48、Eil51公开数据集,并将实验结果与现有路径规划算法进行对比,结果证明:本文算法能够用相对较少的迭代次数规划出最优路径,说明优化算法得到最优解的速度快,具有较好的最优路径搜索能力。