求解TSP问题的离散型萤火虫群优化算法

基于求解TSP问题,提出一种离散型萤火虫群优化(DGSO)算法,该算法结合TSP问题特点,给出一种有效编码和解码方法,并定义适合编码的个体间距离计算公式和编码更新公式.同时,为增强算法求解TSP问题的局部搜索能力,加快算法的收敛速度,算法使用了操作简单的2-Opt优化算子.最后,通过对10个TSP问题进行仿真实验,实验结果表明本文提出的算法是在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.在大规模TSP算例中算法获得的最优值与理论最优值的误差也在1%以下.

基于改进离散型萤火虫群优化算法和分形维数的属性选择方法

属性选择是数据挖掘领域中数据预处理的一个重要方法.文中提出一种融合离散型萤火虫群优化算法(DGSO)与分形维数的属性选择方法.该方法以分形维数作为属性子集的评估度量准则,以DGSO作为搜索策略.为分析该方法的可行性和有效性,采用6个UCI数据集进行实验.结合10-fold交叉验证和SVM对属性选择前后的分类准确率进行分析,并进行搜索策略和评估度量准则间的性能对比及详细的参数分析.结果表明该方法具有较高的可行性和有效性.

基于离散粒子群算法的管道保温结构优化研究

针对目前管道保温结构优化算法不稳定、结果优化程度不高的问题,建立以经济效益为目标函数,以满足国家散热损失标准等条件为约束函数的离散型数学模型。以BPSO算法为基础改变其位置更新规则,防止种群进化失效;采用自适应权重增加粒子的全局和局部搜索能力;充分利用模拟退火算法的思想避免出现早熟现象。应用改进的算法分别对普通蒸汽管道和核电站的蒸汽管道进行系统仿真实验。结果表明,该算法能够在满足国家散热损失标准等条件下取得最优解,可以为管道保温结构提供合理的优化方案。

改进萤火虫群算法协同差分隐私的干扰轨迹发布

针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险,提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制(IGSO-SDTP)。首先,基于位置显著点约简历史轨迹数据集;其次,结合k⁃匿名和差分隐私对简化后的轨迹数据集分别进行泛化和加噪;最后,设计了兼顾距离误差和轨迹相似性的加权距离,并以加权距离为评价指标,基于改进萤火虫群优化(IGSO)算法求解加权距离小的干扰轨迹。在多个数据集上的实验结果表明,与RD(Differential privacy for Raw trajectory data)、SDTP(Trajectory Protection of Simplification and Differential privacy)、LIC(Linear Index Clustering algorithm)、DPKTS(Differential Privacy based on K-means Trajectory shape Similarity)相比,IGSO-SDTP方法得到的加权距离分别降低了21.94%、9.15%、14.25%、10.55%,说明所提方法发布的干扰轨迹可用性和稳定性更好。

基于离散粒子群算法的电力芯片电路运行参数优化

电力芯片电路运行中受到不确定因素的干扰,信噪比较低。为此基于离散粒子群算法提出了一种新的电力芯片电路运行参数优化方法,分析输出功率和发电功率,根据计算结果得到目标函数,确定离散粒子群的分布状态,平行转换最优粒子,建立参数序列,构建电力芯片电路运行参数优化模型,提取运行参数特征,二次优化调试数据,剔除异常数据,建立离散阵列模型,通过数据扫描实现参数优化。实验结果表明,所设计方法在面对连续运行电路数据和随机电路数据时,具有极好的优化效果,平均绝对值误差低于0.10,均方根误差低于0.20,信噪比较高,具有较好的效果。

基于粒子群萤火虫混合算法的计算机辅助配棉

为促进棉纺企业精细化管理水平和生产效益的提升,提出一种粒子群萤火虫混合算法的计算机辅助配棉方法。首先,构造混和棉成本最小和混和棉综合质量指标最优的多目标优化函数,建立库存、总重量、原棉种类及质量指标边界等多约束条件,按照线性加权方式将多目标模型转化为单目标模型。其次,对粒子群和萤火虫群进行分阶段初始化,设计一种学习因子动态调整和非线性递减惯性权重策略用以提高粒子群算法的综合寻优能力,并采用自适应移动步长更新萤火虫个体位置。最后,使用粒子群、萤火虫及粒子群萤火虫混合算法对配棉模型进行求解。试验结果表明:3种配棉算法均展现出良好的求解可行性,所得混和棉质量指标的综合绝对误差分别为0.0268、0.0240、0.0281,皆处于较低水平;并且粒子群萤火虫混合算法在成本节约方面更具优势,其配棉的总成本相比粒子群算法、萤火虫算法分别降低了1.20%、2.27%。

屋型拓扑粒子群优化算法与工程优化问题求解

针对粒子群优化算法在优化复杂工程问题时存在搜索效率低和易陷入局部最优的问题,提出一种屋型拓扑粒子群优化算法.该算法通过提出屋型拓扑和设计适应其特性的位置更新策略,改善粒子群优化算法信息传递和交流方式,提升算法的收敛速率和全局优化能力.在基准函数上的对比实验结果表明,屋型拓扑粒子群算法的寻优精度、收敛速度和稳定性均优于其他4种改进算法.在3个实际工程优化问题上的仿真实验结果进一步验证了该算法的有效性和实用性.

基于萤火虫与粒子群混合优化算法的移动储能调度

近年来,受规模化电动汽车无序充电、高比例新能源功率波动等因素影响,配电网存在负荷峰谷差较大、网损较高、配电网运行成本高的问题。提出基于萤火虫与粒子群混合优化算法的移动储能调度方法。分别建立电动汽车、移动储能车、氢燃料发电车的移动储能模型,建立负荷峰谷差、配电网网损和配电网运行成本多目标函数,为了降低排名异常的概率,引入Tent混沌映射、柯西变异算子、萤火虫算法中的模糊自适应惯性权值,求解多类型移动储能共同参与调度的最优方案。算例分析结果表明,所提方法能够有效减少负荷峰谷差、降低配电网网损和降低配电网运行成本。

基于萤火虫群优化算法的无线传感器网络覆盖优化

无线传感器网络加速了无线通信的发展,无线网络覆盖率的高低可直接影响网络的性能。为改善传感器节点随机分布时的不合理部署问题以提高网络覆盖率,提出一种相对较优的无线传感器网络覆盖算法。针对粒子群优化(particle swarm optimization,PSO)算法局部搜索能力存在不足、容易陷入局部极值点、无法得到最优结果的问题,引入局部搜索能力较强的萤火虫群优化(glowworm swarm optimization,GSO)算法,实现网络有效覆盖率的提高,对节点实现快速覆盖。最后通过实验验证,结果表明,提出的改进GSO(improved GSO,IGSO)算法相较于传统鲸鱼优化算法(whale optimization algorithm,WOA)、PSO算法在网络覆盖率上有较大提升。

基于离散萤火虫算法的轨道交通车站建筑内部空间设计优化

传统轨道交通车站建筑内部空间设计优化方法直接对客流量分布进行计算未对车站内部功能进行分区,造成传统方法客流通行延误时间较长。提出基于离散萤火虫算法的轨道交通车站建筑内部空间设计优化。对车站内部功能进行分区,根据轨道交通车站分区,基于离散萤火虫算法进行进一步的客流量分布,从而实现轨道交通车站建筑内部空间优化设计。设计对比实验,实验结果表明该方法具有更好的轨道交通车站建筑内部空间客流运输能力,值得推广。

基于MapReduce离散萤火虫群优化算法的服务选择方法

针对云计算环境下求解大规模的Web服务选择问题,提出基于MapReduce模式的并行离散萤火虫群优化算法。该算法重新定义个体的编码,计算个体间的距离,改进位置更新,提高高维空间中的搜索能力,并采用分群分治思想和理想点方法进行优化,以避免过早陷入局部最优,提高处理大规模问题的能力。实验结果表明,该算法在求解服务选择问题上具有可行性和有效性,且扩展性较好。

考虑空间众包工作者服务质量的任务分配策略及其萤火虫群优化算法求解

针对空间众包中的任务分配问题,考虑空间众包工作者的服务质量对分配结果的影响,从而提出了一种加入了工作者服务质量评价的任务分配策略。首先,在每个时空环境下,加入工作者的评价要素以建立充分考虑工作者服务质量和距离成本的多目标模型;其次,通过改进离散型萤火虫群优化算法的初始化及编码策略、位置移动策略、邻域搜索策略使算法收敛速度加快、全局寻优能力提高;最后,利用改进后的算法来求解模型。在模拟和真实数据集上的实验结果表明,该算法在不同规模数据集上较其他群智能算法可提高2%~25%的任务分配总得分。该算法考虑了工作者的服务质量后,可有效提高任务分配效率和最终总得分。

改进的离散型萤火虫优化算法求解柔性作业车间调度问题

针对传统的群智能优化算法在求解柔性作业车间调度问题(FJSP)时,存在寻优能力不足且易陷入局部最优等缺点,本文以最小化最大完工时间为目标,将萤火虫算法(FA)用于求解柔性作业车间调度问题,提出一种改进的离散型萤火虫算法(DFA)。首先,通过两段式编码建立FA连续优化问题与FJSP离散优化问题之间的联系;其次,设计一种群初始化方法,以确保初始解的质量以及多样性;然后,提出改进离散型萤火虫优化算法并引入局部搜索算法,加强算法的全局搜索能力和局部搜索能力;最后,对标准算例进行仿真,验证DFA算法求解FJSP的有效性。通过与遗传算法和粒子群优化算法进行仿真对比,表明了DFA求解FJSP的优越性。

无人机集群分布式导航的几何构型优化方法

现有的无人机集群定位方法多依赖卫星导航或高精度锚机,然而当处于卫星信号干扰地区时,集群整体定位精度将受到严重影响。因此,集群几何构型研究对不依赖卫星和高精度锚机的分布式无人机集群协同导航技术至关重要。为了解决分布式集群定位精度提升和构型优化的问题,提出了一种针对分布式集群的几何构型寻优方法。首先计算节点位置精度因子(PDOP),提出了包含集群定位精度最高准则、个体定位精度均衡准则和通信间距均衡准则的分布式无人机集群最优几何构型评价准则,实现集群构型整体式优化。其次,使用LambdaLR函数对粒子群优化(PSO)算法速度更新公式中的惯性权重和学习因子进行改进,基于上述算法估算并优化集群整体定位精度。仿真结果表明,所提方法在不同规模的集群构型寻优问题中均具有较高的鲁棒性,且满足分布式大规模集群构型优化解算的实时性需求,改进PSO算法相较标准PSO的节点PDOP均值均有3.31%~8.54%的优化效果。

基于离散粒子群算法的光伏微电网储能容量优化配置

传统储能容量配置策略为确保微电网运行的稳定性,在一定程度上增加了冗余投资,为此提出基于离散粒子群算法的光伏微电网储能容量优化配置。通过蓄电池组与超级电容器的工程模型,获取光伏微电网储能装置的工作特性,以容量配比最优、投资成本最小为目标构建储能容量优化配置模型,并引入离散粒子群算法求解模型,获得最优储能容量配置结果。实例分析结果表明,对于蓄电池组与超级电容组成的储能装置,该方法在满足输出功率平衡的基础上,给出了一个最优容量配比和最强经济效益的容量优化配置方案。

一种新颖的仿生群智能优化算法:萤火虫算法

萤火虫算法是受自然界中的萤火虫通过荧光进行信息交流这种群体行为的启发演变而来。作为一种新颖的仿生群智能优化算法,分析了萤火虫算法的仿生原理,从数学角度对算法实现优化过程进行了定义。通过典型的函数优化和组合优化问题对算法进行了仿真测试,测试结果表明了萤火虫算法在连续空间和离散空间优化的可行性和有效性,具有良好的应用前景。

具有混合群智能行为的萤火虫群优化算法研究

萤火虫群优化算法是一种新型的群智能优化算法,基本的萤火虫群优化算法存在收敛精度低等问题。为了提高算法的性能,借鉴蜂群和鸟群的群体智能行为,改进萤火虫群优化算法的移动策略。运用均匀设计调整改进算法的参数取值。若干经典测试问题的实验仿真结果表明,引入混合智能行为大幅提升了算法的优化性能。

人工萤火虫群优化算法求解约束优化问题

约束优化问题是工程应用领域经常出现的一类数学规划问题,近年来,约束优化问题求解已成为进化计算研究的一个重要方向.而一系列新型的进化计算方法 ,如人工神经网络、模拟退火、遗传算法、进化规划、进化策略、粒子群、人工鱼群等获得了极其迅速的发展和广泛的应用.本文提出了一种基于人工萤火虫群优化算法求解约束优化问题的新方法.该方法在求解约束优化问题的过程中,不断地寻找更优可行解,逐渐达到搜索全局最优解.通过标准测试函数和工程实例仿真表明,该方法能很好的求解约束优化问题,精度高、适应性强,在工程实际中有较大的应用价值.

用于函数优化的层次结构萤火虫群算法

基于人工萤火虫群优化算法,参考人类社会商业组织中的分层管理模式,将人工萤火虫群随机地分布在一个层次结构中,并在过程中加入变异因子,改进基本人工萤火虫群优化算法,提出用于函数优化的层次结构人工萤火虫群优化算法.对4个标准函数的测试表明,层次结构萤火虫群算法在高维函数优化方面比基本人工萤火虫群优化算法性能更优.

萤火虫群优化算法在越库调度问题中的应用

萤火虫群优化算法是一种新兴的群体智能优化算法,目前在组合优化领域中的应用比较少。提出萤火虫群优化算法(Glowworm Swarm Optimization,GSO)求解越库调度问题的优化方法。越库调度问题是一类极为复杂的NP难题,是影响越库配送效率的关键问题。依据算法和问题特点,设计基于随机键的两段式最大顺序值编码方法。为了解决GSO算法优化精度低、收敛速度慢等问题,提出逐维移动,贪婪接受的搜索策略。基于社会心理学原理,对位置更新公式进行改进。通过实验仿真,结果表明改进的GSO算法是求解越库调度问题的有效方法。