面向动态公交的离散分层记忆粒子群优化算法

随着智慧城市、智慧交通的发展,移动互联网和公交智能基础设施以及相关数据的不断完善,通过用户手机预约公交服务的新型公交运营方式——动态公交,已经成为许多城市公交发展的重要探索方向。但目前,对动态公交问题的建模、算法研究不足。基于这一研究现状,提出动态公交问题模型和面向动态公交的离散分层记忆粒子群优化(PSO)算法。首先给出动态公交问题的目标函数和约束条件,给出动态公交问题的解的形式,并定义解的编辑距离;其次提出使用数据驱动的预计算路径集生成PSO算法的优质初始解的方法,给出基于解的编辑距离的PSO算法中粒子的变异概率和自适应收敛系数的计算方式;最后提出将粒子群分层求解的方法,其中低层粒子群可复用、可继承,从而减少单时间片内、时间片间复制和重初始化带来的性能损耗。基于重庆市北碚区蔡家岗街道的真实场景和亿级历史数据建立仿真环境进行实验,实验结果表明:相对于不分层PSO算法,分层PSO算法通过复用和继承能缩短超80%计算用时;自适应参数和变异机制能帮助算法更稳定地收敛到更优解;相对于传统公交系统,动态公交能在同等运力限制下,提高22%的乘客接单率,节省39.1%的乘客出行时间,所提算法能满足公交运营商在片区内进行动态公交调度的需求;相对于对比算法,所提算法平均缩短了85.3%的计算用时,并且在仅耗用80%里程的情况下提高了至少12%的接单率。

云环境下实现容器部署的加速粒子群优化算法

基于容器的微服务部署是一个具有挑战性的问题,为获得更好的用户体验并给云供应商带来更多的利润,需要在降低微服务的故障率和减少响应时间的同时提高资源利用率。提出了一种改进的加速粒子群优化算法,用于解决集群中微服务容器部署的多目标优化问题。该算法通过考虑微服务之间的调用关系,使得容器聚集在一起,从而降低服务的数据传输成本、减少故障率,并提高集群资源利用率。与现有部署算法相比,实验结果表明,所提出的优化算法在服务间的数据传输开销、故障率和资源利用率等性能指标上有明显改善。具体表现在:容器聚集度的提升达到40%以上,数据传输消耗平均有提升4%以上,故障率减少10%~20%,利用率提升3%左右。

基于动态簇粒子群优化的无人机集群路径规划方法

路径规划对于无人机(UAV)集群的任务执行十分重要,而且高维场景中的计算通常很复杂。群体智能为解决该问题提供了较好的解决思路。粒子群优化(PSO)算法具有参数少、收敛速度快、操作简单等优点,尤其适用于路径规划问题,但它在应用时存在全局搜索能力差、容易陷入局部最优的问题。为了解决上述问题以提升无人机集群路径规划的效果,提出了动态簇粒子群优化(DCPSO)算法。首先,利用人工势场法和滚动时域控制原理建模UAV集群路径规划问题的任务场景;其次,引入Tent混沌映射和动态簇机制进一步提升全局搜索能力和搜索精度;最后,使用DCPSO算法优化模型的目标函数,以获得UAV集群的每个轨迹点的选择。在单峰/多峰、低维/高维不同组合的10种基准测试函数下的仿真实验结果表明,与PSO、鸽子启发优化(PIO)、麻雀搜索算法(SSA)和混沌扰动鸽群优化(CDPIO)算法相比,DCPSO算法具有更好的计算最优值、均值和方差,搜索精度更佳,稳定性更强。此外,UAV集群路径规划应用实例仿真结果也验证了DCPSO算法的性能与效果。

基于遗传粒子群动态聚类算法的物流柔性分拣系统品规分配

目的针对目前烟草物流配送中心条烟分拣量大,不同条烟品规的分配对订单的总处理时间影响较大的问题,研究平衡各个分拣区品规的分配,提高分拣效率。方法建立以各分区品规相似系数和最小为目标函数的数学模型,并采用改进的遗传粒子群动态聚类(GAPSO-K)算法进行求解。首先,结合各品规分拣量对品规相似系数进行改进,并将其作为适应度函数;然后在粒子群算法中对惯性权重因子进行改进,使其值可以进行自适应改变;最后,在粒子群动态聚类算法中引入遗传算法中的交叉变异扩大解的搜索范围,基于Matlab对文中的其他算法进行求解对比,求得结果在EM-plant中进行仿真验证。结果结合某烟草物流配送中心数据仿真验证,利用GAPSO-K算法处理订单的时间为234.5 s,较传统时间大幅度较少,有效提升了柔性物流分拣效率。结论采用该算法可充分发挥2种算法的优良性,具有更好的收敛性及寻优性,为柔性物流品规分配提供了新思路。

混合动力汽车参数的动态重组多子群粒子群优化

为了减少混合动力汽车油耗和有害气体排放量,提出了基于动态重组多种群粒子群算法的参数优化方法。介绍了并联式混合动力系统原理,制定了能量管理策略。以降低能耗和有害气体排放为目标,选取了动力系统参数和控制策略参数为优化变量,建立了多目标优化模型。以粒子群算法为基础,将粒子群划分为优势群、劣势群、混合群3类,同时给出了多种群动态重组策略和各种群的粒子更新方法,有效兼顾了粒子的多样性和搜索效率,在此基础上提出了动态重组多种群粒子群算法的车辆参数优化方法。经UDDS工况验证,优化后油耗减少了5.03%,CO排放量降低了20.39%,CH化合物排放量降低了8.18%,NOx化合物排放量降低了7.54%,以上数据说明了动态重组多种群粒子群算法在车辆参数优化中的有效性。

基于混沌粒子群优化算法的反应釜温度预测控制研究

反应釜作为化工行业核心的生产容器,其温度控制优化在化工生产领域中具有重要作用。针对反应釜温度控制难的问题,提出了一种基于Tent映射的混沌粒子群优化(CPSO)算法优化动态矩阵控制(DMC)-比例积分微分(PID)的反应釜温度预测控制策略。由于DMC很难选取较优的参数,利用Tent映射的CPSO算法提高动态矩阵参数寻优的速度。通过试验,以及与常规PID、DMC-PID控制对比分析,基于Tent映射的CPSO-DMC-PID串级控制对温度控制系统有较好的控制精度和响应速度,可大幅缩小超调量。该控制策略对反应釜温度预测控制研究具有一定的参考意义。

粒子群优化算法中加速系数的实验分析

基于粒子群优化的原理,利用标准测试函数对粒子群算法的参数设计进行实验分析,依据函数特性进行初步分类,揭示不同类型优化问题中加速系数与惯性权重的相互关系及其设计规律。该项研究成果为粒子群算法的理论研究提供了实验依据,并为算法的实际应用创造了有利条件。

基于随机加速系数的粒子群优化算法

针对粒子群算法中加速系数的取值问题,对C1和C2的各种取值策略做了充分调查分析,得到参数C1和C2对算法性能的影响规律,并提出了一种基于随机加速系数的粒子群优化算法.该算法在迭代的每一代中,加速系数取一定范围内随机产生的一组C1和C2的组合,通过非对称的、范围更大的C1和C2取值来增加算法的多样性,避免了算法早熟.在典型测试函数上进行对比实验,结果验证了新算法在优化性能和稳定性上高于传统粒子群优化算法.

智能算法的亚群优化策略综述

群智能算法的优化是提升群智能算法性能的一个主要途径,随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中,对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段,能够灵活地平衡算法的全局勘探能力和局部开发能力,已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用,对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查,阐述了各类亚群策略的结构特点、改进方式和应用场景。最后,总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

基于环形拓扑结构和动态邻域的多模态多目标粒子群优化算法

传统多目标优化算法在求解多模态多目标优化问题时未充分考虑解集在决策空间中的分布特性,导致种群早熟收敛且所得Pareto解集不完整.针对该问题,提出一种基于环形拓扑结构和动态邻域的多模态多目标粒子群优化算法.为更好地平衡探索与开发,将进化过程分为2个阶段:1)整个种群被划分为多个小型子种群和一个劣势子种群.采用基于空间距离的无重叠环形拓扑结构提升小型子种群的多样性,使得算法能搜索到更多Pareto最优解,并利用全局最优位置更新劣势子种群,提高搜索效率;2)所有粒子都跟随全局最优位置进行搜索,提高算法的搜索精度.同时,引入周期重组和一种新的全局最优位置更新策略,避免算法早熟收敛.仿真结果表明,所提算法可以有效解决多模态多目标优化问题.

基于粒子群优化算法的天然河道纵向离散系数估计

明晰纵向离散系数对于研究河流污染物的迁移至关重要,目前学者对此已经提出了许多经验公式和理论公式,但是计算结果准确性并不高。基于收集的纵向离散系数实测值及对应的河道水文数据与河道形态数据,通过对纵向离散系数计算准确度和计算值与实测值的相关性双重目标的加权组合,采用粒子群优化算法(一种数据驱动的算法)对加权组合后的目标函数进行优化,从而获得了纵向离散系数一般表达式中的待定系数,最终提出了具有高准确度和高相关性的天然河道纵向离散系数计算公式。验证结果表明:该公式能够适用于纵向离散系数在0~100 m 2/s之间的常见天然河道的纵向离散系数估计。

基于动态调整惯性权重粒子群算法的冷热电联供系统运行优化

为实现能源梯级利用、冷热电联供系统优化运行,将基本粒子群算法、改进粒子群法、动态调整惯性权重的粒子群(IDWPSO)算法进行对比。结果表明,相较于其他两种算法IDWPSO算法在收敛速度与精度方面都有更好的表现。建立以运行成本和环保成本最小为目标的冷热电联供系统模型,并采用IDWPSO算法优化。结果表明,在满足系统负荷与约束条件下,IDWPSO算法优化后的系统综合成本有所降低,对CCHP系统优化运行具有指导意义。

基于动态自适应变参的粒子群优化算法分析

本文探讨了基于动态自适应变参的粒子群优化算法。首先介绍了粒子群优化算法的基础概念和其工作原理。重点讨论了自适应策略在粒子群优化中的应用,以及动态参数调整方法的重要性。文章后半部分深入描述了动态自适应变参策略,包括动态参数的定义、自适应策略的设计原理和变参的更新与调整方法。最后,提供了一种实现动态调整策略的粒子群优化算法,并进行了详细的描述。 。

基于粒子群算法的试验机加速度控制系统优化研究

研究针对试验机加速度控制系统优化问题,基于粒子群算法设计优化模型,并结合电气自动化技术,实现了试验机加速度控制系统的自动化。通过对试验机加速度控制系统的优化,提高了试验机加速度控制系统的响应速度和控制精度,降低了试验机加速度控制系统的能耗和故障率。研究成果对试验机制造公司的技术提升,具有一定的指导意义。

基于问题特征变化引导的动态鲁棒优化算法

随着时间的推移,鲁棒优化是解决动态优化问题的一种新方法,其目标是找到在很长一段时间内仍然可以接受的解决方案。该领域中大多试图根据其未来预测适应度值来寻找新的鲁棒解决方案,然而,预测未来的适应度值的误差往往偏大,对其寻求较好的鲁棒解造成较大的困难。针对这一问题,提出了一个基于问题特征变化引导的算法框架(ROOT-PFCG)来进行动态鲁棒优化。其问题特征变化情况主要参考解在当前环境下的目标函数值和相应相邻环境下的目标函数浮动值,由此提出三个重要指标。在预测和非预测的情况下,基于指标分别提出了三种不同的适应度决策规则来选解,保证其所选解受预测误差影响较小或不受影响,以此寻找更优的鲁棒解,并在此基础上提出了新的性能评价指标。在基准问题上的实验结果表明,所提出的算法能更好地提升鲁棒解的性能,并对不同情况下的指标进一步分析了其对性能的影响,在此基础上分析了更好的指标结合方法。

非线性动态加速系数对粒子群算法的影响

粒子群算法(PSO)中的加速系数影响着粒子的个体认知和群体认知,而传统算法中的加速系数一般取常量。据研究发现,粒子的个体认识和群体认识分别主导着粒子的全局搜索能力和局部搜索能力,提高粒子个体认识可以有效增强算法的全局搜索能力,而提高粒子的群体认识可以有效增强算法的局部搜索能力。为进一步研究加速系数对粒子群算法的影响,本文在时变线性加速系数的基础上,提出了三种动态自适应非线性加速系数,并利用四个基准函数进行对比仿真实验。实验结果表明:非线性时变加速系数PSO的寻优效果较线性策略有一定的提高,且加速系数以反正切函数动态改变的PSO寻优效果最佳。

一种基于非线性系统的动态感知系数的自适应粒子群优化算法

在优化非线性复杂系统问题中,智能算法已成为一种重要手段.提出了一种基于动态感知系数的自适应粒子群优化(particle swarm optimization,PSO)算法(self-tuning PSO,SPSO),将PSO算法的感知系数与神经网络算法结合,并于在线学习训练过程中动态调整感知系数,改善了PSO算法的计算效率以及全局收敛效率.进一步将2个相互关联的神经网络——比例积分微分(proportion integration differentiation,PID)神经网络及SPSO神经网络结合起来,使其能有效解决非线性控制模型的问题.为了验证该算法,引入了4个仿真例及2种PSO优化算法——传统PSO(conventional PSO,CPSO)和修正PSO(modified PSO,MPSO),来比较SPSO算法在解决控制问题中的非线性复杂系统的高效性,结果显示SPSO算法有较好的全局收敛性能、收敛速度以及较强的鲁棒性.

采用扰动加速因子的自适应粒子群优化算法

针对粒子群算法容易陷入早熟收敛和搜索效率不高等问题,分析了几个现有的改进粒子群优化算法.在粒子对称分布有利于提高搜索结果的基础上,对粒子群优化算法进行了改进.改进后的算法可以在运行过程中的不同阶段自适应地以余弦函数的变化方式调整惯性权重系数;在加速因子线性变化的基础上,基于一定的条件对加速因子进行扰动;并确定了相应条件参数的参数取值.通过几个经典的函数,对该算法进行了验证,并与相关文献中改进的粒子群优化算法进行了对比.结果表明,新算法不仅显著提高了收敛速度,而且能有效地改善早熟现象.

动态优化环境下的群核进化粒子群优化方法

粒子群优化方法是由Kennedy和Eberhart于1995年提出的一种基于群体智能(swarmintelli-gence)的进化计算技术·定义了“群核”(swarm-core)的概念,并在此基础上,提出了基于群核进化的粒子群优化方法(swarm-core evolutionary particle swarmopti mization,SCEPSO),在SCEPSO方法中,为增强群体的优化能力,把群体分成了3个子群体,并且每个子群体有各自不同的“分工”·同时研究了SCEP-SO方法对连续变化的最优点的动态跟踪能力,在3种动态优化模型下进行了实验·实验结果表明,与传统PSO方法相比,SCEPSO方法能够可靠并精确地跟踪连续变化的全局最优解·

一种动态改变惯性权重的粒子群优化算法

针对粒子群优化算法的局限性,提出了一种动态改变惯性权重的粒子群算法,在优化迭代过程中,惯性权重值随粒子的位置和目标函数的性质而变化。函数测试表明,改进后的算法使收敛速度显著加快,而且不易陷入局部极值点。