融合学习策略和邻域搜索的飞蛾火焰算法

为进一步降低基本飞蛾火焰算法陷入局部最优的概率并提高种群多样性,提出一种融合学习策略和邻域搜索的飞蛾火焰算法。将拟反向学习策略嵌入到火焰更新过程,有助于火焰从局部最优中跳出,并且提供了更高的机会接近问题的未知最优解。对飞蛾种群基于适应度值分群,其中一个群采用排序配对学习策略以实现个体间的信息交流,另一个群采用邻域搜索策略以增加种群多样性,这种并行计算能更快地提升整个种群的质量。选取CEC2017测试函数进行数值实验,测试结果和统计分析表明了所提算法具有更高的求解精度和稳定性。将所提算法用于求解OR-Library中的标准实例,结果验证了所提算法对作业车间调度问题是有效的。

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.

基于邻域搜索粒子群算法的节点定位算法研究

针对DV-Hop定位算法误差大的缺点,深入分析定位误差来源后,在改进的PSO(Particle Swarm Optimization)算法的基础上提出了IDVHop-NSPSO(Improved DVHop-Neighborhood Search Particle Swarm Optimization)节点定位算法。该算法通过对三部分的改进达到DV-Hop定位精度提高的要求:(1)增设半跳细化最小跳数;(2)在计算平均跳距时引入权重系数使求得的跳距更加精确;(3)利用邻域搜索粒子群优化算法替代最小二乘法来计算未知节点的位置。仿真实验的结果表明:相较于DV-Hop算法、DV-Hop+PSO算法、模拟退火加权DV-Hop算法,IDVHop-NSPSO算法可在不显著增加计算资源的同时,明显地提高定位精度。

柔性作业车间调度多策略果蝇优化算法研究

针对柔性作业车间调度问题,提出了融合多种策略的果蝇优化算法,以最小化最大完工时间为目标,生成合适的调度方案。在该算法中,采用反向学习策略进行种群初始化,改善初始解的质量。其次引入变邻域搜索算法作为果蝇的嗅觉搜索策略,提升局部搜索能力;在此基础上,提出能够增加种群多样性的位置重构策略,根据嗅觉搜索后种群的平均适应度值将果蝇动态地划分为先进子种群和普通子种群,普通子种群以先进子种群为目标进行位置重构,先进子种群相互为目标进行位置重构,避免搜索陷入局部最优。最后,设计正交实验探究变邻域搜索参数对算法性能的影响,并确定相关参数合适值;通过计算多个标准测试集基准算例,得到每个测试集的最优解及平均解,并与现有算法的计算结果进行对比,验证了改进策略的有效性及所提算法的优越性。

改进离散麻雀搜索算法求解柔性作业车间调度问题

针对最小化最大完工时间的柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP),提出了一种改进离散麻雀搜索算法(Improved Discrete Sparrow Search Algorithm,IDSSA)。首先,采用了两段式编码方式,针对两段编码分别设计了有效的编码转化方式,实现了麻雀搜索算法(Sparrow Search Algorithm,SSA)连续搜索空间与FJSP离散决策空间之间的映射。其次,设计了一种随机与组合启发规则相结合的初始化方法,在保证了麻雀初始种群分散广度的同时提高了麻雀个体的质量,加快麻雀搜索算法的收敛速度。再次,融合一种基于关键路径的变邻域搜索策略,对发现者进行深度发掘,提高种群引领者的质量。此外,为了维持SSA种群多样性,设计了自适应柯西高斯变异策略,提升算法全局搜索能力和跳出局部极值的能力。最后,使用Kacem和Brandimarte系列12个基准算例与多种算法进行仿真实验,实验结果证明了IDSSA的有效性和求解FJSP的优越性。

考虑运输时间的柔性作业车间调度问题研究

针对工件实际加工过程中工件转移的重要性,对运输时间的柔性作业车间调度问题进行优化研究,建立了以最小化最大完工时间和总碳排放量为优化目标的调度数学模型,并提出了一种改进的NSGA-Ⅱ算法。算法采用基于工序和机器特征的双链式编码方法,设计了针对工件运输时间的插入式解码操作;为探索到更优的前沿解设计了一种局部邻域搜索策略;基于非支配解引入了节能低碳策略进行排放量调整;通过仿真实验对比结果,表明了改进NSGA-Ⅱ算法及其求解考虑运输时间的柔性作业车间调度问题的有效性。

改进多邻域候鸟优化算法的柔性作业车间调度研究

针对最小化最大完工时间的柔性作业车间调度问题(FJSP),提出一种改进的多邻域候鸟优化算法。首先,采用随机和最优加工时间策略提高初始种群质量;其次,采用两段式编码解决FJSP的机器选择和工序排序问题,基于不同的插入和变异算子设计了6种邻域结构,采用联合邻域搜索策略扩大解空间的搜索范围;再次,采用二次种内竞争策略以增强优秀个体在种群中的作用,设计了种间协同策略来避免算法陷入局部最优。最后,通过实例和基准算例验证了所提算法在求解FJSP问题时的有效性。

多交互式人工蜂群算法及其收敛性分析

针对人工蜂群(ABC)算法不易跳出局部最优解的缺点,提出了多交互式人工蜂群(MIABC)算法。该算法在基本人工蜂群算法的基础上引入随机邻域搜索策略,结合跨维搜索策略,且改进蜜蜂越限处理方式,使得算法搜索方式多样化,从而使得算法搜索更具跳跃性,不易陷入局部最优解,同时,对其进行收敛性分析和性能测试。在五种经典基准测试函数和时间复杂度实验上的仿真结果表明,相对于标准人工蜂群算法和基本粒子群优化(PSO)算法,该算法在1E-2精度下收敛速度提高了约30%和65%,搜索精度更优,且在高维求解问题方面有明显优势。

改进型蝙蝠算法在作业车间调度问题中的应用

针对一类以最小化最大完工时间为目标的作业车间调度问题(Job Shop scheduling Problem,JSP),提出了一种改进型蝙蝠算法(Improved Bat Algorithm,IBA)。为了克服基本蝙蝠算法在求解该类离散组合优化问题存在的局限性,首先对编码方案进行了设计,实现了算法中离散问题的连续编码;然后采用基于G&T算法和随机生成的方法初始化种群,以提高初始解的质量。此外,还引入了变邻域搜索策略,以避免算法早熟收敛,提高IBA算法的性能。最后,基于JSP问题的基准算例进行了大量仿真对比实验,结果显示了IBA算法的可行性和有效性。

基于信息熵的量子免疫遗传算法

针对目前的量子进化算法在高维函数优化时容易陷入局部最优,利用信息熵的概念,将量子进化算法和免疫遗传算法进行改进与融合,提出一种基于信息熵的量子免疫遗传算法.该方法对抗体采用相位编码,用信息熵准确地度量量子比特的不确定信息;提出了一种按变量的种群熵降序排列的邻域搜索策略;对于抗体之间的相似度,给出了一种按个体熵相同变量位数的度量方法;用繁殖概率对抗体的多样性进行评价,并分别以函数优化问题和VRPSDP问题进行了仿真验证.研究结果表明:该算法收敛速度快,求解精度高.

基于差分演化二进制人工蜂群算法的多用户检测

最优多用户检测属于NP组合优化问题,人工蜂群算法作为一种简单有效的新兴启发式算法可以有效求解此类问题。针对基本二进制人工蜂群算法收敛速度慢、易陷入局部最优等缺陷,提出了一种基于差分演化的二进制人工蜂群算法,并应用于最优多用户检测中。算法采用多维邻域搜索策略,避免了连续域到离散域的转换,降低了算法复杂度,适合于实时处理。仿真结果表明,所提算法在抗多址干扰能力、抗"远近"效应能力和收敛性能方面均优于基本二进制人工蜂群算法。

面向作业车间调度问题的改进型蝙蝠算法

针对作业车间调度问题(Job shop scheduling problem,JSP),提出了一种改进型蝙蝠算法(Improved bat algorithm,IBA)以优化车间内工件的最大完工时间.根据作业车间调度问题的特点以及基本蝙蝠算法的搜索机制,首先对个体位置向量进行了设计,实现了蝙蝠算法中离散问题的连续编码;然后分别采用G&T算法和随机生成两种方法对算法种群进行初始化,以提高初始解的质量.此外,采用三种邻域结构,并在此基础上设计了变邻域搜索策略作用于最优个体,以避免算法出现早熟收敛,提高IBA算法的性能.最后,针对JSP问题的基准算例进行了大量的仿真实验,计算结果验证了本文所提出的IBA算法的可行性和有效性.

混合候鸟迁徙优化算法求解柔性作业车间调度问题

将基本候鸟迁徙优化(Migrating birds optimization,MBO)算法与变邻域搜索策略相结合,提出了一种混合候鸟迁徙优化(Hybrid migrating birds optimization,HMBO)算法求解以最小化最大完工时间为目标的柔性作业车间调度问题(Flexible job shop scheduling problem,FJSP).首先,给出了两段式编码/解码方式.为了保证初始解的质量和多样性,设计了一种两阶段种群初始化方法;其次,引入了一种个体重置机制,以避免算法陷入局部最优解.根据FJSP问题的特点,采用3种邻域结构用于构造个体邻域解,并以此为基础设计了一种变邻域搜索算法,增强算法的局部搜索能力.最后,通过基准算例测试了算法的性能,实验数据验证了本文算法在求解FJSP问题方面的有效性.

改进蜂群算法在燃气管网布局优化中的应用

城市化的快速发展使得天然气的需求量不断增多,考虑到天然气管网在今后的运输压力会越来越大,所以相关的经济效益和管网利用率需要更加地趋于合理化。为了提高燃气管网的输气效率,以管线铺设经济最优为目标函数,将人工蜂群算法应用于城镇燃气管网的优化布局中,并且在基本人工蜂群算法的寻优过程中提出了新的邻域搜索策略,在算法的贪婪选择阶段加入了判别函数,使算法原本存在的缺陷得到了改进。通过仿真结果表明提出的改进方案能够得到较好的优化结果,在实际天然气输配管网铺设中具有一定的参考价值。

一种并行ACS-2-opt算法处理TSP问题的方法

针对基本ACS算法模型求解TSP问题的缺陷,对ACS算法添加2-opt邻域搜索策略,增强算法对TSP问题解的构造能力,提高算法对TSP问题的求解精度。同时,根据ACS算法易于并行化的特点,使用并行化ACS算法与算法参数优化混合方案,提高ACS算法求解TSP问题的速度。最终实现了对中等规模TSP问题具有较好求解性能的并行ACS-2-opt算法。实验结果表明,2-opt策略对于提升ACS算法的求解精度具有明显的效果;采用不同参数设定信息素启发因子时,求解时间具有较大差异;在采用节点距离倒数作为期望启发值时,ACS算法模型呈现退化性;在并行条件下,ACS-2-opt算法处理TSP问题时具有良好的并行性能。

基于改进萤火虫寻优支持向量机的PM2.5预测

针对现有PM2.5浓度预测误差较大的问题,提出一种基于改进萤火虫寻优支持向量机的预测模型(IFASVM).该模型引入邻域搜索和可变步长策略改进萤火虫算法,利用改进FA对SVM的参数C、ε和γ寻优,用最优参数SVM模型预测太原市PM2.5值.其中邻域搜索策略能为参数优化提供更多更精确的候选解;可变步长可动态调整算法搜索步长,加速收敛,平衡FA的全局和局部搜索能力.将IFA-SVM预测值与萤火虫算法—支持向量机(FA-SVM)、遗传算法—支持向量机(GA-SVM)、粒子群算法—支持向量机(PSO-SVM)相比较.结果表明较其他方法, IFA-SVM模型对太原市未来一天和三天的PM2.5值都取得了更精确的预测性能.

基于改进NSGA-Ⅲ的多目标柔性车间调度研究

针对柔性作业车间的调度优化问题,以最小化完工时间,最小化设备总负荷和最小化车间总能耗为目标建立多目标调度模型,提出一种改进NSGA-Ⅲ算法。在算法的初始阶段采取4种不同编码方式共同生成初始化种群,保证种群分布均匀的同时,缩小搜索的解空间大小;基于拥挤度的父代个体选择方式,使具有更优基因个体参与到进化当中。引入部分解的邻域搜索策略,解决NSGA-Ⅲ全局搜索时局部搜索较弱的问题。利用10组BRdate标准算例对改进NSGA-Ⅲ算法和原始NSGA-Ⅲ算法进行对比测试,改进NSGA-Ⅲ算法搜索到的非支配解数量占76%,远高于NSGA-Ⅲ算法所占的24%,验证了所提出算法的有效性和可靠性。

混合差分蜂群算法求解带容量约束车辆路径问题

为求解带容量约束车辆路径问题,提出了一种差分算法改进的人工蜂群算法(DABC).针对人工蜂群算法开发能力较弱的缺陷,采用了全局最优解引导的邻域搜索策略.为避免早熟,引入差分算法的交叉更新策略进行局域优化.仿真实验结果证明,混合差分蜂群算法在求解带容量约束车辆路径问题时,能较好地平衡了探索能力和开发能力,在求解速度和稳定性上有良好的效果.

同时取送货车辆路径问题的改进粒子群优化算法

同时取送货车辆路径问题(VRPSDP)是指车辆在服务过程中,对顾客同时进行取货和送货服务,针对这类问题,提出一种改进的粒子群优化算法。通过惯性权重的更新和路径链接更新策略有效地扩大算法的搜索空间,从而改进了算法的性能。另外,采用邻域搜索扩大策略(ENS)加快了算法的搜索速度。最后,应用所提出的改进的粒子群优化算法求解了两类同时取送货的车辆路径问题的算例。结果表明,该算法与经典的求解结果相比较,取得了比较好的计算结果,表明该算法是求解同时取送货车辆路径问题的有效工具。

基于VMD-IWOA-LSSVM的短期负荷预测

为提高负荷预测结果的精度,设计了一种基于VMD-IWOA-LSSVM(Variational Mode Decomposition-Improved Whale Optimization Algorithm-Least Square Support Vector Machine)短期负荷预测模型。先通过变分模态算法将原始负荷数据分解成多个子序列,将分解数据分别输入到经由种群变异策略和邻域搜索延伸策略改进的鲸鱼优化算法优化后的最小二乘支持向量机中,每个子序列的预测结果进行相加,即可得到最终的预测结果。通过仿真对比实验,4月1日和8月1日VMD-WOA-LSSVM的平均绝对百分比误差(MAPE:Mean Absolute Percentage Error)与VMD-WOA-LSSVM相比,分别下降了0.17和0.33,证明了VMD-IWOA-LSSVM短期负荷预测模型可以有效改善电力负荷预测的准确性。