引入路径夹角的粒子群-禁忌搜索寻优的速度前瞻算法研究

对于数控系统中路径为连续微线段的情况,本文提出一种采用路径夹角进行优化的多轨迹速度前瞻算法。首先基于前后路径的约束关系初算衔接速度;其次,利用路径夹角对衔接速度和最大加加速度进行矢量函数映射;最后,将所得的加减速参数带入S加减速模型,得到非对称S型加减速数据。并且采用粒子群-禁忌搜索混合算法对路径夹角的调整系数进行优化,通过熵权法计算适应度函数合成指标的权重,得到全局最优解。结果表明,相较于传统S型加减速,本文采用的算法显著提高了加工效率,具有较高的柔性,极大的提升了加工精度。

基于遗传-禁忌搜索算法的微网群能量管理

针对微网群能量管理提出了一种优化策略,利用将每小时风机、光伏阵列输出功率的连续概率密度函数划分为多个状态集合的方法定义了状态函数,基于各分布式发电成本定义新的指数W评估能量管理的效果,利用遗传—禁忌搜索算法进行目标函数寻优,解决了微网群能量管理关于各分布式电源出力分配问题。采用PG＆E69节点系统作为微网群算例,应用Matlab平台搭建仿真模型,以经济效益为目标对本文所提能量管理优化算法进行了仿真验证,通过微网群群级能量管理,各子微网成本均有可观降低。通过预测误差敏感性分析,验证了所提方法在预测误差方面的鲁棒性。结果表明所提能量管理策略具有良好的应用前景。

基于禁忌搜索-免疫粒子群算法的无功优化

在考虑经济性网损的基础上,研究了电压稳定对无功的影响,建立了多目标无功优化的数学模型,采用模糊权重法将多目标无功优化转化为单目标无功优化进行求解。针对粒子群算法易早熟和后期收敛性差的缺点,提出免疫算法和禁忌搜索算法协同进行机制,并将该算法应用于IEEE-30节点系统上进行测试,证明了改进粒子群算法的有效性。

动态规划-禁忌搜索算法在水库群调度中的应用

针对水库群调度这一多约束条件、动态的、非线性的优化问题,引进了动态规划-禁忌搜索(DP-TS)算法进行求解。首先利用动态规划(DP)算法求出调度的一组发电流量优化解,其次将DP算法得出的解作为禁忌搜索(TS)算法的初始值,以降低TS算法运行时间和增强其全局寻优的能力。以锦屏一级二滩梯级水库群为例,用上述提出的组合算法进行优化求解,结果表明该法效率高,优化结果良好。

基于改进禁忌-粒子群算法的配电网重构

为解决配电网重构问题,提出一种改进的禁忌-粒子群算法。该方法结合禁忌搜索算法的短期记忆功能,克服了粒子群算法局部搜索能力较弱和容易陷入早熟收敛的缺陷。算法结合配电网络结构的特点,采用十进制编码策略,提高了迭代过程中解的有效性。最后通过典型的IEEE测试系统进行优化计算,并与文献其他方法优化比较。结果表明了算法的搜索效率更有效。

基于禁忌粒子群算法的混流装配线排序研究

为了更好地解决开放式作业域的混流装配线排序问题,建立了以最小化超载时间与平顺化零部件消耗为优化目标的混流装配线排序问题数学模型,并提出了一种禁忌粒子群算法求解该排序问题。针对标准粒子群算法在算法后期搜索精度不足以及容易陷入局部最优不能跳出的缺陷,引入了禁忌搜索算法建立了对最优微粒的重搜索机制来提高算法跳出局部最优的能力,同时给出了禁忌算法中候选解、禁忌表长度、禁忌对象、藐视准则的设置方法,并采用了随机权重的惯性权重更新方式来平衡算法的全局和局部搜索能力,最后建立了禁忌粒子群的算法流程。通过比较禁忌粒子群算法与遗传算法的实例计算结果,验证了禁忌粒子群算法在求解开放式作业域的混流装配线排序问题中的有效性和优越性。

基于动态扰动项的禁忌粒子群优化算法

针对粒子群优化算法后期收敛速度慢,且容易陷入局部最优解的缺点,在算法中加入动态扰动项,改变了速度的更新公式,使粒子可以跳出局部极值.后期引入禁忌搜索算法,充分利用禁忌搜索的记忆能力和爬上能力,能够快速搜索到全局最优解.通过对测试函数的仿真实验表明,采用动态扰动项的禁忌粒子群优化算法更能提高收敛速度,获得全局最优解.

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题。针对粒子群优化算法在算法后期易陷入局部最优的缺点，本文提出禁忌粒子群优化算法（TPS0），在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布，后期引入禁忌搜索算法，记录已经达到的局部最优解，在下一次搜索中，不再或者有选择地搜索这些点，从而跳出局部最优点，并且在搜索过程中允许接受劣解，充分利用禁忌搜索的记忆能力及较强的爬山能力，大大提高了获得全局最优解的概率。该算法综合了粒子群优化算法的快速性、随机性和全局收敛性以及禁忌搜索局部寻优的能力。在确保全局收敛性的基础上，能够快速搜索到高质量的优化解。该方法用于几何约束求解的性能明显高于标准粒子群算法，算法具有良好的优化性能和时间性能。

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法(TPSO)。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。

可信禁忌粒子群优化网格任务调度算法

网格任务调度是典型的NP(Non-Polynomial)难题,基于粒子群优化智能算法,提出一种新的任务调度算法,目标是使所有任务整体完成时间最小。算法首先随机产生一群粒子,然后对粒子的位置和速度不断迭代,获得可以接受的任务调度方案,并从中选择一组信任度最高的作为较优解,再利用禁忌搜索算法由较优解获得最优解。仿真实验结果表明,与遗传算法相比更适合于求解规模较大的网格任务调度问题。

基于改进离散粒子群禁忌算法的并行测试任务调度

针对并行测试任务调度问题特点,提出了一种解决并行测试任务调度的离散粒子群禁忌算法,设计了符合并行测试任务调度特点的粒子初始化编码方式、粒子位置转移公式以及禁忌搜索邻域。通过与禁忌搜索相结合,避免了离散粒子群算法早熟问题。通过实验以及算法对比,表明提出的算法是快速有效的,能够很好地解决并行测试任务调度问题,求得测试总时间最短的任务调度序列。

无线传感器网络中改进粒子群优化DV-Hop算法的研究

针对DV-Hop算法在节点处于不规则区域导致较大定位误差的问题,提出一种无线传感器网络中改进粒子群优化DV-Hop算法。首先,根据跳数值判断是否存在曲折路径。其次,利用每个未知节点的最大跳数值校正锚节点和未知节点间的平均一跳距离。最后,将禁忌搜索算法与粒子群算法相结合代替最小二乘法对定位进行优化。仿真结果表明,在不规则区域下,改进算法与经典DV-Hop算法和其他文献中的定位算法相比,定位精度得到了有效提高。

混沌映射的禁忌同步随机学习因子粒子群算法

针对粒子群算法初始化个体质量参差不齐,算法后期容易早熟,陷入局部最优值以及后期搜索精度不高、收敛速度缓慢的缺点,本文提出一种基于混沌映射的禁忌同步随机学习因子粒子群算法.利用Logistic映射对算法的粒子种群进行初始化,提高种群个体质量;在算法进入后期搜索寻优时,引入禁忌搜索策略,利用其良好突跳能力,跳出局部最优值,提高算法的全局搜索能力;最后将传统的学习因子通过几个测试函数进行迭代寻优,选取寻优能力突出的区间构建同步随机学习因子,平衡粒子的个体经验和群体经验.将改进的粒子群算法与另外几个智能算法在测试函数上寻优对比验证,仿真实验证明,改进的粒子群算法在寻优能力、收敛速度、搜索精度以及算法的稳定性等性能上,与另外3个智能算法相比都有显著提升.

改进二进制粒子群优化算法在配电网络重构中的应用

配电网络重构是一个非常复杂的大规模组合优化问题。网络重构中,能否得到有效解,即保证辐射状网络,是一个很关键的问题。对电网拓扑进行简化,配合破圈法更新粒子,得到100%的有效解,大大提高了计算速度。提出一种应用于配电网络重构的改进二进制粒子群优化算法,并结合禁忌搜索算法,使PSO算法跳出局部最优化陷阱,改善了算法的搜索效果,加快了寻优速度。最后对IEEE 69节点系统进行计算,并与相关文献结果进行对比,表明本文改进算法具有快速、高效的全局寻优能力。

基于改进粒子群优化算法的配电网络重构

提出了一种求解配电网络重构的改进粒子群优化(PSO)算法。结合配电网络的特点改进了 PSO算法粒子位置的更新规则,提高了迭代过程中有效解的产生概率;并结合禁忌(Tabu)搜索的记忆功能和藐视准则,克服了PSO算法的早熟问题。最后对3个典型IEEE测试系统进行优化计算,其结果与最优解吻合,证实了算法的有效性,并与Tabu搜索算法和遗传算法的计算结果相比较,表明了算法具有更好的搜索效率。

求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job Shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量。在混合粒子群算法中,采用粒子群算法进行大范围全局搜索。根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力。采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法。由此说明本文所提出的混合粒子群算法是有效的。

基于改进二进制粒子群优化算法的网络重构研究

提出了一种基于改进二进制粒子群优化算法的网络重构方法,该算法在二进制粒子群优化算法的基础上,通过结合破圈法理论以控制粒子的更新过程,使更新后的粒子100%符合网络的辐射状要求,从而减少了以往网络重构中辐射网判断的环节。此外算法还引入了禁忌搜索算法的思想,克服了粒子群算法易陷入局部最优的缺陷。最后对IEEE单馈线33节点系统进行计算,证实了算法的有效性,并与相关文献中的算法进行比较,表明算法具有较高的搜索效率和较强的全局寻优能力。

改进的粒子群算法在VRP中的应用

将粒子群算法和禁忌搜索算法相结合构造禁忌搜索粒子群算法。提出一种对粒子群算法中全局最优解进行禁忌搜索的混合算法,扩展了粒子群算法进化方式。将其用于车辆路径优化问题求解。与基本粒子群算法相比较,结合禁忌搜索算法的粒子群算法明显提高了算法收敛速度和优化性能。

利用混合粒子群优化算法求解二次分配问题

提出一种求解二次分配问题的混合粒子群优化算法。新算法将遗传算法的交叉策略引入PSO算法中,同时采用禁忌搜索算法作为局部搜索算法。在QAPLIB实例上的实验结果表明,混合算法具有良好的性能。

电动汽车城市道路行驶工况特征参数智能混合搜索算法研究

为了更好地解决行驶工况特征参数选择的问题,提出了一种将粒子群算法与禁忌搜索算法相结合的智能混合搜索算法。在对实车采集的数据进行预处理的基础上划分运动学片段,并按照电动汽车城市道路行驶的四种工况对片段进行分类,作为智能混合搜索算法中分类器的训练数据集和测试数据集。使用粒子群算法对行驶工况特征参数的分段参数部分的参数边界进行搜索和优化,由此计算行驶工况特征参数全集,使用禁忌搜索算法进行全集搜索,选择行驶工况特征参数最优子集。结果表明:提出的算法选择11个特征参数组成的最优子集使随机森林分类器的识别准确度达到87.74%的较高水准,且能在较短计算时间内选择特征参数最优子集。