基于遗传算法特性的混合粒子群算法求解TSP问题

为解决粒子群算法在旅行商问题上的收敛速度慢和路径最优化选择的问题,提出了一种新型的基于遗传算法特性的混合粒子群算法,对旅行商问题的最优路径进行规划.根据种群比例原则与迭代前的路径进行交叉、变异、复制等操作,建立了具有遗传算法特性的混合粒子群算法,并用于求解burma14问题.结果表明:相比传统的粒子群算法和模拟退火-禁忌搜索算法,混合粒子群算法在求解burma14问题中收敛时间与最优路径等指标上都有明显的优势,且随着迭代次数与种群个数的增大,算法的最优解逐渐减小;当最佳参数为种群个数150,迭代次数300时,最优解为30.179 424.

基于粒子群-遗传混合算法的深沟球轴承优化设计

为了提高深沟球轴承的服役性能,提出一种基于粒子群-遗传混合算法的优化设计方法。其以额定动载荷和额定静载荷为目标函数,以滚动体直径、节圆直径、滚动体数目和内外圈滚道沟曲率半径系数为设计变量,基于粒子群算法,引入罚函数和遗传交叉、变异操作,解决带约束优化问题求解和局部最优问题。并以6206型轴承为算例,对优化后的轴承进行应力分析和敏感度分析。结果表明,所提出算法的收敛性能较好、优化能力较强、运算速度较快,优化后的深沟球轴承接触应力下降了31.7%,从而验证了所提出方法的有效性。

基于混合粒子群算法的波浪能发电集群优化方法

对波浪能发电集群的优化控制有助于波浪能的有效利用,为此文章提出了基于混合粒子群算法的波浪能发电集群优化方法。以直驱式发电装置为研究对象,探讨其构成发电集群短期尺度下稳定状态的数学模型,由简至繁依次考虑波浪动态压力、装置间辐射影响和遮挡效应,以便更准确地模拟一定密集度的波浪能发电装置部署下的实际效果。以集群功率最大化为优化目标,根据装置运动和海域能量约束,提出混合粒子群算法求解集群的最优参数,在传统算法基础上设定自适应惯性权重并加入交叉和变异操作,以应对复杂集群方程解空间的多峰性问题。算例结果验证了所述集群优化方法的有效性,求解质量良好;同时表明波浪能发电集群规模越大,装置之间的辐射影响越复杂,遮挡效应越明显。

基于混合简化粒子群算法的贝叶斯网络结构学习研究

为改善当前贝叶斯网络结构学习算法易陷入局部最优、过早收敛和寻优效率低的问题,进行了混合简化粒子群算法优化贝叶斯网络结构学习的研究。该算法利用最大支撑树约束搜索空间,并提出V-结构与条件相对平均熵相结合的初始定向策略,然后利用爬山策略建立初始粒子群,再利用改进的粒子群优化算法和遗传算法对初始种群迭代优化,在迭代过程中提出条件交叉和变异策略避免粒子的随机发散更新,并结合副粒子增缓策略更新未优化粒子,避免算法陷入局部最优。该算法与其他算法在4种标准网络下进行了仿真实验。实验结果表明,所提算法在ASIA、CAR、CHILD、ALARM网络中相比于MMHC、GS、BNC-PSO、PC-PSO算法BIC评分分别平均高5.775%、5.8%、0.475%、2.75%;汉明距离HD更低,正确率ACC更高。

基于遗传粒子群算法的停机位分配问题研究

为保证机场停机位资源的合理分配和高效利用,通过分析停机位分配过程中的安全运行规则,考虑了以航空器机位大小匹配、同一机位和相邻机位安全时间间隔等约束条件,建立了最小化远机位数量和最小化近机位空闲时间的多目标优化模型。提出了一种将遗传算法(GA)和粒子群算法(PSO)优势相结合的遗传粒子群算法(GAPSO),同时改进了自适应度对粒子速度的更新限制,提供了一种新的停机位分配与优化思路。仿真结果表明,GAPSO算法在远机位分配数量和近机位的空闲时间方面表现更优,同时还展现出更快的收敛速度和更强的全局寻优能力,从而提高航空运输的效率,对机场管理和停机位资源分配具有实际意义。

基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

基于遗传-粒子群算法的风力发电机组变桨距控制方法研究

变桨距控制对机组的发电效率和稳定性具有重要影响。受风速随机性等多种因素影响,在变桨距控制过程中容易产生发电机组振动,无法保证风力发电机组的运行稳定性。因此,研究基于遗传-粒子群算法的风力发电机组变桨距控制方法。以动力学方程构建风力发电机组变桨距控制数学模型,描述机组风能转换效率与机组振动之间的关系;根据机组动态变化关系,提取变桨距控制的关键要素,基于遗传-粒子群算法设定变桨距控制目标;参照风力发电机组变桨距控制目标,设定对应目标函数,求解实现风力发电机组变桨距控制。实验结果表明:在稳定风况和突变风况下,所研究方法可以实现风力发电机组的变桨距控制,达到最佳的功率输出,且控制过程中未出现机组振动限值。

一种基于混合遗传和粒子群的智能优化算法

粒子群算法(particle swarm optimization,PSO)原理简单、搜索速度快,但前期容易"早熟".遗传算法(genetic algorithm,GA)具有很强的全局搜索能力,但收敛精度不高.综合考虑二者优缺点,把遗传算子引入PSO算法中,并采用交叉搜索的方法,调整惯性权重以及变异方式使粒子得到进化,当粒子种群进化到一定层度后,对部分粒子进行变异处理,这样不仅避免算法陷入局部最优解,而且获得较高收敛精度和执行能力,可解决工程中非线性、多极值的问题.据测试函数以及与其他寻优算法的对比分析表明,此混合策略在求解精度、搜索效率和处理不同复杂度问题等方面都有很好的优越性,具有满足工程需要的能力.

改进的遗传粒子群混合优化算法

为解决遗传算法计算时间长和粒子群算法易陷入局部极值的问题,提出一种基于实数编码的改进的遗传算法与粒子群算法混合的优化算法。改进遗传算法中的选择算子,保留适应度值较好的个体,重新组成新的种群,由粒子群算法更新速度和位置,对个体进行进一步的成熟。交叉算子采取精英竞争策略,选取适当个体进行交叉,剩余个体再次通过PSO算法更新速度和位置,将粒子群思想引入变异算子。通过对4个函数的优化,对此算法进行测试,并研究比较其它算法,测试结果表明,该算法在收敛性、运算速度和优化能力方面具有优越性。

基于混合遗传-粒子群算法的相控阵雷达调度方法

针对相控阵雷达中的任务调度问题,提出一种融合了粒子群算法、遗传算法和启发式交错调度算法的混合算法。采用混沌理论优化粒子群算法的飞行参数,设计递减的动态惯性权重,以及引入遗传算法中的交叉、变异操作,使得算法能够快速收敛,并跳出局部最优实现全局最优。在智能算法的框架下,提出一种启发式的任务交错算法,使得雷达任务中等待期的时间资源进一步得到利用。仿真结果表明,相比于遗传算法,所提算法的收敛速度更快,结果更优;相比于传统的启发式算法,所提算法的调度成功率提升了42%,时间利用率提升了40%,实现价值率提升了33%,时间偏移率减少了73%。

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size-M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size-M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size-M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。

一种遗传算法与粒子群优化的多子群分层混合算法

针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization,HGA–PSO).算法采用分层结构,底层由一系列的遗传算法子群组成,贡献算法的全局搜索能力;上层是由每个子群的最优个体组成的精英群,采用钳制了初始速度的粒子群算法进行精确局部搜索.文中分析论证了HGA–PSO算法具有全局收敛性,并采用7个典型高维Benchmark函数进行测试,实验结果显示该算法的优化性能显著优于其他测试算法.

基于混合二进制粒子群-遗传算法的测试优化选择研究

测试优化选择是一个组合优化问题。通过对测试选择的目标和约束条件进行深入分析,建立了其数学模型,并提出了一种混合粒子群-遗传算法用于求解满足测试性指标要求的最小完备测试集。该算法将遗传算法中的遗传算子引入到二进制粒子群算法中,既避免陷入局部最优和早熟收敛现象,又提高了搜索效率。大量实验证明,对于测试优化选择问题,混合粒子群-遗传算法能够快速有效的获得全局最优解。

基于骨干粒子群的混合遗传算法及其应用

采用骨干粒子群的位置更新操作改进遗传算法的变异算子,提出一种新的混合遗传算法。利用三个benchmark函数测试了新的混合遗传算法的性能,并将测试结果与标准遗传算法进行比较。利用该方法,对聚合物驱最优控制问题的进行了仿真求解,结果表明该方法优于标准遗传算法。

混合粒子群遗传算法的协同过滤推荐模型

在处理大数据方面,协同过滤算法在用户相似度计算方面存在数据稀疏性和推荐效果不明显的问题.利用协同过滤算法的优点,引入时间模型和信任度模型进一步过滤,提高协同过滤算法的精确率;同时采用粒子群算法和分层遗传算法进行混合优化,分层遗传算法可弥补粒子群算法容易陷入局部最优的缺陷,粒子群算法可加快混合算法的收敛速度;在Book Crossing数据集上做推荐对比实验.结果表明,在得到最近邻用户群的基础上,使用粒子群算法和分层遗传算法进行资源推荐,相比其他资源推荐算法,提高了资源推荐的质量.

基于遗传粒子群混合算法的机组组合优化

节能发电调度的目标是实现能耗量最小,合理安排机组发电计划则更为至关重要。在参考文献的基础上,提出了一种用于机组组合优化的遗传粒子群混合优化算法。先用遗传算法求解机组组合,再用粒子群优化算法求解负荷经济分配。按照节能调度思路对遗传算法进行了改进,提高了优化性能。给出了10机算例系统优化结果,验证了该混合算法的可行性和有效性。

遗传粒子群混合算法在电厂机组负荷组合优化中的应用

粒子群优化算法应用于火电厂机组组合问题中存在早熟收敛等现象,提出3方面改进的遗传粒子群混合算法:改进粒子群初始化方法,提出粒子初始化机组运行状态组合合理性判据,并初始化一定比例的粒子使其机组负荷随机在对应机组负荷上限附近赋值;采用部分解除约束结合惩罚函数的约束处理方法,对粒子进行机组负荷平衡操作,使大部分粒子满足约束条件;通过引入遗传算法中的交叉和变异操作增加了粒子的多样性,减小了算法陷入局部极值的可能性。采用改进的遗传粒子群混合算法对3机及5机火电厂机组负荷组合进行优化,仿真结果表明,优化成功率能达到100%。

基于粒子群-遗传混合算法的函数优化研究

基于传统粒子群优化算法(PSO)和遗传算法(GA),提出了一种混合算法(hybrid particle swarm optimization and genetic algorithm,h-PSO-GA)。该算法借鉴小生境的思想,将种群划分为不同的子种群,并设计一种个体评价策略,防止非最优个体被过早淘汰,增加非最优个体被选择的几率,保持种群的多样性;引入相似度概念,依据不同个体进行不同交叉操作,产生更优的个体;将遗传算法中的变异操作引入粒子群算法的个体更新中,使算法的速度更新方式兼具本身的速度算子和遗传算法的变异操作,使该混合算法兼具遗传算法的全局搜索能力和粒子群算法的局部搜索优势。将其应用到函数优化中,通过对5个测试函数进行实验验证,结果表明,该混合算法较之传统的遗传算法与粒子群算法具有较快的收敛性和全局最优性。

基于粒子群-遗传混合算法的MIMO雷达布阵优化

为有效降低多输入多输出(MIMO)雷达稀疏天线阵列的峰值旁瓣电平,提出一种粒子群算法与遗传算法相结合的混合布阵方法。该方法充分发挥粒子群算法的收敛性以及遗传算法中种群的多样性,并提出一种新的判断种群是否存在"早熟"趋势的标志,实现交叉概率和变异概率的非线性自适应调节,避免传统遗传算法存在的"早熟"现象。通过各算法对MIMO雷达发射天线和接收天线的位置进行优化比较,获得更低的MIMO雷达天线方向图综合中的峰值旁瓣电平。仿真结果表明:与基本的遗传算法和粒子群算法以及其他改进的自适应遗传算法相比较,新算法具有更快的收敛速度和更可靠的稳定性。

基于粒子群位移转移的混合遗传算法及其应用

基于粒子群位移转移的思想,改变遗传算法的变异规则,提出了一种新的混合遗传算法。利用3个benchmark函数测试了新的混合算法的性能,并将测试结果与标准遗传算法进行了比较。提出了一种多阶段半方差投资选择模型,并将混合算法应用在多阶段半方差投资选择问题的求解上。