基于粒子群算法的大型网络计划费用优化

大型网络计划费用优化对科学有效地进行工程项目进度管理具有重要意义,但大型网络计划费用优化随工作个数增加而约束方程和计算量骤增,成为数学和计算机科学领域至今未解决的难题.借助建立评价函数、设计进化方程、设计网络计划时间参数的计算机算法等基础工作,选择工作持续时间作为粒子空间坐标并设置可行解范围,用蒙特卡洛方法和限制条件优化初始粒子群,用二维动态数组解决大型网络计划粒子群算法优化运行image超限问题,成功求解有61个工作的大型网络计划费用优化算例.因此,经过特定设计的粒子群算法是微机和有限的计算时间条件下求解大型网络计划费用优化问题的一个有效方法.     

改进的粒子群算法在桁架结构优化设计中的应用

应用改进的粒子群算法进行桁架结构优化设计。首先,在确定初始种群时用随机方向法产生一组适应环境值较高的初始种群,使算法快速收敛于全局最优解,降低了算法的时间复杂度;其次,将模糊推理应用于算法的参数动态调整中,提高种群的适应搜索空间环境的能力;最后,将改进的粒子群算法应用于桁架结构优化设计中.算例表明,改进后算法的搜索性能得到了一定改善,为其应用于大型复杂的工程结构优化设计提供了借鉴.     

基于改进的粒子群算法求解供应链网络均衡问题

传统的供应链求解方法为投影法,针对其要对投影进行计算,十分复杂的缺点,提出用改进的粒子群算法求解供应链均衡问题,利用动态异步调整学习因子来有效的提高了算法搜索能力与精度。本文介绍了供应链网络均衡问题转变为无约束优化问题的方法,然后用改进的粒子群优化算法进行求解。通过四个数值算例,将实验结果与标准粒子群算法、蜂群算法、学习因子同步变化的粒子群算法进行比较,验证了改进的粒子群优化算法在解决供应链网络均衡问题中的有效性与优越性,为供应链网络求解提供了一种新的方法。     

免疫粒子群优化算法在农业水资源优化配置中的应用

求解农业水资源优化配置模型(高维非线性优化模型),较常采用大系统分解协调原理和动态规划相结合的方法,这样减少了变量个数,便于优化求解,但协调的过程需要多次从低阶模型中返回信息,而且对于每层的寻优求解过程存在难以克服的矛盾.采用标准的粒子群优化算法则优化程度不易保证并容易陷入局部最优,优化结果对初始种群依赖性较强.因此应用免疫进化算法对标准粒子群优化算法进行改进并应用于灌区农业水资源优化配置模型的求解.算例分析表明,免疫粒子群算法为求解高维复杂的优化配置问题提供了新思路.     

基于蒙特卡洛方法的网络计划资源优化

蒙特卡洛方法由计算机产生伪随机数而生成试验点,根据约束条件找到优化解,据此编制C语言程序,可以成功求解网络计划的工期固定-资源均衡优化、资源有限-工期最短优化和资源有限-工期最短-资源均衡优化,并给出蒙特卡洛方法得到最优解的概率.算例结果表明:相同条件下,基于蒙特卡洛方法的工期固定-资源均衡优化方案资源方差较粒子群算法小,基于蒙特卡洛方法的资源有限-工期最短优化方案工期较遗传算法短,基于蒙特卡洛方法的资源有限-工期最短-资源均衡优化方案工期较遗传算法短.     

基于群智能算法的预防性维修周期优化

分析将蚁群优化算法应用于预防性维修周期工程寻优问题时遇到的算法参数选择困难等问题,提出将粒子群优化算法和空间划分方法引入该过程以改进原蚁群算法的寻优规则和历程.建立混合粒子群和蚁群算法的群智能优化策略:PS_ACO(Particle Swarm and Ant Colony Optimization),并将其应用于混联系统预防性维修周期优化过程中,以解决由于蚁群算法中参数选择不当和随机产生维修周期解值带来的求解精度差、寻优效率低等问题.算法的寻优结果对比分析表明:该PS_ACO算法应用于预防性维修周期优化问题,在寻优效率及寻优精度上有部分改进,且可相对削弱算法参数选择对优化结果的影响.     

改进的二进制粒子群算法求解车辆路径问题

设计了一种改进的二进制粒子群优化算法来求解车辆路径问题,算法基于粒子群算法的寻优模式充分考虑粒子之间的导向作用,改进二进制粒子群算法的位取值方式,减小了在进化过程中停滞于局部最优解的概率,并通过构造辅助函数处理优化问题的约束条件,基于分层次实现多个目标的思路来寻优,提高了算法的搜索效率和计算速度.实验测试结果验证了该算法对求解车辆路径问题的适用性和有效性.     

多重纳什均衡解的粒子群优化算法

提出了一种求解双矩阵对策多重纳什均衡解的粒子群优化算法。该算法通过随机初始点以及迭代粒子的归一化,保证粒子群始终保持在对策的可行策略空间内,避免了在随机搜索中产生无效的粒子,提高了粒子群优化算法求解纳什均衡解的计算性能。最后给出了几个数值例子,说明了粒子群优化算法的高效性。     

置换流水车间调度问题的中心引力优化算法求解

目前求解置换流水车间调度问题的智能优化算法都是随机型优化方法,存在的一个问题是解的稳定性较差。针对该问题,本文给出一种确定型智能优化算法——中心引力优化算法的求解方法。为处理基本中心引力优化算法对初始解选择要求高的问题,利用低偏差序列生成初始解,提高初始解质量;利用加速度和位置迭代方程更新解的状态;利用两位置交换排序法进行局部搜索,提高算法的优化性能。采用置换流水车间调度问题标准测试算例进行数值实验,并和基本中心引力优化算法、NEH启发式算法、微粒群优化算法和萤火虫算法进行比较。结果表明该算法不仅具有更好的解的稳定性,而且具有更高的计算精度,为置换流水车间调度问题的求解提供了一种可行有效的方法。     

求解旅行商问题的基于类Kruskal的混合粒子群算法

本文针对求解旅行商问题的标准粒子群算法所存在的早熟和低效的问题,提出一种基于Greedy Heuristic的初始解与粒子群相结合的混合粒子群算法(SKHPSO)。该算法通过本文给出的类Kruskal算法作为Greedy Heuristic的具体实现手段,产生一个较优的初始可行解,作为粒子群中的一员,然后再用改进的混合粒子群算法进行启发式搜索。SKHPSO的局部搜索借鉴了Lin-Kernighan邻域搜索,而全局搜索结合了遗传算法中的交叉及置换操作。应用该算法对TSPLIB中的典型算例进行了算法测试分析,结果表明:SKHPSO可明显提高求解的质量和效率。