基于改进二进制蚁群算法的函数优化

对于函数优化问题,传统蚁群算法存在着算法实现较难,求解速度慢,需要记忆功能,不容易与其他算法结合等问题,而已有二进制蚁群算法也存在着迭代次数过多,收敛速度慢等问题.借鉴二进制蚁群算法思想,将解空间直接二进制离散化求解,实验证明该算法在处理一元及多元函数优化方面均有较好的表现,通过对几个函数的测试(包括一元和多元),结果表明该改进算法具有较好的稳定性和收敛速度,算法性能良好.     

求解TSP问题的改进离散蝴蝶优化算法

针对离散蝴蝶优化算法求解TSP问题时精度低和收敛速度慢等问题,提出一种改进离散蝴蝶优化算法.为了提升搜索效率,利用贪婪机制初始化种群,同时结合2-opt算子、改进的2-opt算子和模拟退火等策略来提高寻优能力.通过标准TSPLIB数据库中几十个实例仿真实验,并与一些经典、新型的智能算法比较,结果表明提出的算法在寻优能力和鲁棒性方面表现优越.     

基于AAWDA-PP回归模型的边坡稳定性评价

在边坡的稳定性评价中保证边坡分类的准确度十分重要.人工非洲野狗群体智能算法,能够通过模拟野狗的觅食行为来对目标函数进行寻优.结合投影寻踪算法以及阻滞增长曲线函数,建立人工非洲野狗优化投影寻踪模型,利用非洲野狗算法AAWDA优化投影指标函数及阻滞增长曲线函数参数,提高了模型求解的准确性,通过对求解后的结果建立回归模型,然后根据分级阈值对边坡等级进行分类,测试结果显示较好的精度.将模型应用于案例边坡的稳定性分析,并同PSO-PP模型,ANN模型所得结果进行比较分析,得出运用AAWDA-PP回归模型预测结果与经验值之间的误差最小,说明模型在研究边坡稳定性评价分级中更加准确有效.     

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.     

基于遗传算法的同步优化算法

提出一种基于遗传算法的同步优化算法,该算法吸取了遗传算法和模拟退火算法的各自优点,将二进制编码和实数编码有机地结合起来,既能够快速收敛到全局最优解,又能够在优化神经网络结构的同时,得到较好的权值分布.     

经过改进的求解TSP问题的蚁群算法

介绍了一种求解TSP问题的算法—改进的蚁群算法,算法通过模拟蚁群搜索食物的过程,可用于求解TSP问题,算法的主要特点是:正反馈、分布式计算、与某种启发式算法相结合.通过对传统蚁群算法的改进可以得到较好的结果.计算机仿真结果表明了该算法的有效性.     

一种求解化工动态优化问题的改进磷虾觅食优化算法

智能算法原理简单、容易实现,且具有良好的全局收敛能力,近年来被广泛应用于化工过程的动态优化问题.提出一种改进的磷虾觅食优化算法求解化工动态优化问题.该算法通过跟踪磷虾种群的变化来更新速度因子,提高收敛速度;引入自适应柯西变异,增强了算法跳出局部最优值的能力.针对化工动态优化问题,首先通过控制向量参数化方法将其转化为非线性规划问题,并引入变时间区间分布法来优化区间划分,然后利用改进算法进行求解.最后,将改进算法应用于多个化工动态优化问题中,仿真结果表明,该算法具有良好的可行性.     

求解多维背包问题的改进二进制粒子群算法

针对二进制粒子群算法在求解大规模多维背包问题时存在迭代次数过多、精度不高的不足,提出一种改进的二进制粒子群算法,新算法利用种群个体极值的平均信息和粒子的个体极值决定粒子当前取值的概率,使粒子可以充分利用整个种群的信息,避免算法陷入局部极值,并利用贪婪算法对进化过程中的不可行解进行修复,对背包资源利用不足的可行解进行修正.通过对典型多维背包问题的仿真实验和与其它算法的比较,表明算法有良好的全局优化能力和较好的收敛速度.     

自适应多种群回溯群居蜘蛛算法求解TSP问题

在群居蜘蛛优化算法中引入自适应决策半径,将蜘蛛种群动态地分成多个种群,种群内适应度不同的个体采取不同的更新方式.在筛选全局极值的基础上,根据进化程度执行回溯迭代更新,提出一种自适应多种群回溯群居蜘蛛优化算法,旨在提高种群样本多样性和算法全局寻优能力.函数寻优结果表明改进算法具有较快的收敛速度和较高的收敛精度.最后将其应用于TSP问题的求解.     

一种求解TSP问题的多策略改进蚁群算法

蚁群算法是一种求解复杂组合优化问题的启发式仿生进化算法,并是求解TSP问题行之有效的一种随机算法.但此算法仍存在求解精度低、易陷入局部最优及求解效率低的问题,针对该问题提出一种多策略改进蚁群算法.采用最近邻法影响初始信息素的分布,达到降低算法初期较短路径上信息素浓度的目的,并在转移规则变异调整的基础上,结合路径的均值交叉进化策略,增强算法探索全局解空间和避免陷入局部最优的能力.然后,结合迭代和精英策略对信息素更新机制进行改进,进一步提高化算法的求解性能及求解效率,最后,对从TSPLIB数据库选出的8个实例进行求解并与其他算法进行对比,实验结果表明,改进算法在求解旅行商问题时的高效性,且具有较高的运算性能.     

基于TSP问题的一种改进遗传算法

针对传统遗传算法(GA)在解决旅行商问题(TSP)时存在的不足,对初始种群的选取方式和算子的选取进行了改进,设计出了一种能够较好的求解出TSP问题的最优解的算法.计算机仿真实验验证了该算法的有效性.     

一种带泛化性能的动态混合模型求解大范围TSP问题

旅行商问题(TSP)是组合最优化中的典型问题,求解TSP问题的现实意义重大.随着深度强化学习(DRL)在工业界的广泛应用,利用DRL模型自动设计学习算法成为近期的研究热点.为提升DRL模型在大范围TSP问题上的泛化能力,文章提出一种动态图卷积网络编码和空间注意力机制解码的混合模型求解大范围TSP问题.动态图卷积模块可以动态编码节点信息,从而有效地更新每个节点的隐藏层状态;空间注意力有利于捕捉节点之间的全局联系,进而通过加权所有局部特征计算和提取关键特征.实验结果表明文章模型将TSP50的训练策略泛化至TSP250/500/750/1000时的优化性能超越了先前DRL模型,且在TSPlib标准数据集上的测试结果也显示出模型对优化性能的提升.     

改进的粒子群算法在虚拟企业合作伙伴选择中的应用

根据虚拟企业合作伙伴选择的原则,给出了合作伙伴选择的多目标决策模型,用定量的方法对合作伙伴进行描述.同时,给出了改进的二进制粒子群优化算法,并对本文的多目标优化问题进行求解.通过仿真试验测试,证明该方法是可行性.     

基于混合的细菌觅食算法求解TSP问题

针对求解经典NP问题—旅行商难题(TSP),在标准细菌觅食算法上进行改进,提出了混合的细菌觅食算法(HBFA).一方面引入编码交叉思想对趋势步进行改进,使算法能更有效地处理离散优化问题;另一方面采用了自适应迁徙算子,使新生个体带有最优个体启发式信息的同时也增强了算法跳出局部最优能力.最后通过对TSPLIB中若干实例的实验仿真以及多种算法对比,验证了算法的可行性和有效性.     

旅行商问题的交叉粒子群优化算法

本文将粒子群优化算法(PSO)应用于求解旅行商问题(TSP),结合遗传算法的交叉算子,建立了求解此问题的交叉粒子群优化算法,数值模拟结果表明了该算法的有效性.     

基于改进二进制粒子群算法的个性化网络学习资源推荐方法

针对目前启发式算法用于解决个性化网络学习资源推荐问题时存在推荐速度较慢、不稳定等问题,文章提出基于改进二进制粒子群算法的个性化网络学习资源推荐方法(AsyBPSO-RA).该方法将个性化网络学习资源推荐问题建构为适应度函数,利用改进二进制粒子群算法(AsyBPSO)优化此适应度函数,生成推荐结果;AsyBPSO采用非对称映射函数,取代基本二进制粒子群算法中的S型映射函数,以更好地平衡算法的探索和开发阶段.通过五组实验结果对比分析发现,AsyBPSO收敛能力强,稳定性高,表明AsyBPSO-RA是较为有效的个性化网络学习资源推荐方法.     

基于非单调技术的ODE型混合方法

基于非单调线搜索技术和IMPBOT算法,提出了一个求解无约束优化问题的ODE型混合方法.该方法的主要特点是：为了求得试验步,该方法在每次迭代时不必求解带信赖域界的子问题,仅需要求解一线性方程组系统;当试验步不被接受时,该方法就执行改进的Wolfe-型非单调线搜索来获得下一个新的迭代点,从而避免了反复求解线性方程组系统. 在一定条件下,所提算法还是整体收敛和超线性收敛的. 数值试验结果表明该方法是有效的.     

一种改进的混合型蚁群算法在TSP问题中的应用

介绍了一种求解TSP问题的算法改进的混合型蚁群算法,该算法在近邻法构造初始解的基础上,使用2-opt局部搜索法对当前解进行改进,在更新全局信息素时采用基于排序的蚂蚁系统对排在前2名的蚂蚁更新全局信息素,且为全局信息素设置最大值和最小值,并使用Matlab仿真求解了kroa200等13个经典tsp问题,得到的结果和最优解的误差很小,并和两种最新改进的蚁群算法以及两种自组织算法进行比较,比较结果充分证明了该改进算法的有效性.     

一个求解无约束优化的ODE型混合方法

基于非单调技术,本文给出一种新的求解无约束优化的ODE型算法.该算法的特点是:每次迭代时只解一次线性方程组系统而获得试验步,然后采用改进的非单调线搜索获得下一个迭代点,从而避免了重复求解线性方程组,减少了算法的计算量.在合理的假设条件下,该算法被证明是全局收敛和局部超线性收敛的.数值试验证实了该算法的有效性.     

改进伪并行遗传算法求解作业车间调度问题

针对遗传算法在求解极复杂优化问题中出现的过早收敛、执行效率差的缺点,提出了一种改进的伪并行遗传算法.该算法将并行进化与串行搜索相结合,提高了算法的收敛速度.同时该算法通过种群因子控制伪并行算法中的各子种群的规模,不仅保证了搜索过程中勘探和开采的平衡,克服过早收敛,而且减少了计算的复杂性,特别是在处理复杂优化问题上具有较高的性能.实验结果证明了该算法的有效性.