简介：摘要：多目标粒子群优化算法是一种新型群智能进化计算技术，它模拟鸟群觅食的行为，在鸟群彼此个体之间共享信息和根据自身经验总结来修正其行动策略，既体现了个体影响也体现了社会群体影响，最终取得问题最优解。粒子群算法能够方便地处理大量的等式、不等式约束，以及包含连续变量和离散变量的优化问题。基于此，文章对 多目标粒子群优化算法在城市供电中的应用进行了总结和分析。

简介：为了提高多目标粒子群算法的收敛性和多样性,提出了一种基于最优网格距离的多目标粒子群算法（HMOPSO）。该算法是在多目标粒子群算法（MOPSO）的基础上,利用网格技术和Pareto占优排序原理,提出了一种新的全局学习样本选取策略。实验结果表明,该算法能够有效的避免早熟收敛,相比MOPSO算法,HMOPSO表现出良好的整体性能,是对标准多目标粒子群的一种有效改进。

简介：为提高粒子群算法的搜索效率,克服分解方法处理复杂多目标问题的不足,通过考虑父代解的选择和种群的更新对算法收敛性及解的分布均匀性的重要影响,提出了一种基于分解的改进自适应多目标粒子群优化算法。首先,为提高算法收敛速度,在分解方法确保进化种群多样性的前提下,设计了新的适应度评价方法以评价个体的优劣,并将在竞争中获胜的优质后代解添加到父代候选解中;其次,为避免算法陷入局部最优,在更新粒子时,从当前粒子的邻居或邻居外随机选择个体最优和全局最优位置;最后,引入外部文档,将其作为候选的输出种群,并采用拥挤距离维持多样性,增强了算法处理复杂问题的能力。用12个测试函数的数值实验,并与5种多目标优化算法的比较,表明了所提算法的优越性。

简介：摘要：车辆路线问题是配送计划的基本问题，它试图考虑客户的数量，他们的约束以及可用车辆的数量和容量的情况下，以最小的位移成本找到最佳的行进路线。在这项研究中，我们首先描述了旅行商问题和车辆路线模型，然后提出了考虑顾客之间优先约束的多目标车辆路线模型。有不同的元启发式算法可以解决此类 NP难题。本研究提出了一种基于粒子群算法和人工蜂群算法相结合的求解算法。此外，通过分析一个操作样本，使用区域内客户的数据，考虑问题及其功能的不同约束，并使用惩罚方法和附加的分段约束方法，可以获得最佳的车辆路线。以及对每种算法的结果结合其混合算法进行了演示。

简介：摘要针对标准粒子群算法易收敛到局部最优的缺点，本文对粒子群算法做出了部分改进，同时引入了Pareto多目标的配电网模型，这种模型相对于单目标和加权多目标模型相比更具实际工程意义。

简介：针对多目标粒子群算法多样性不好、收敛精度不高等问题,提出了一种改进的多目标粒子群优化算法。该算法设计了一种基于聚类算法的全局引导策略,并对初始惯性权值进行了非线性递减的自适应调整。结合现阶段我军弹药维修任务调配中的实际问题,构建了弹药维修任务调配多目标优化模型。通过算例求解和MATLAB仿真,验证了该算法的Pareto解集具有更好的多样性和收敛性,为我军弹药维修的定量决策提供了参考。

简介：为解决工程项目集成化管理中存在的问题，提出多种群蚁群粒子群融合算法，并结合某地铁工程实例对该算法进行实证研究。根据求解效果分析得出结论，这一算法在解决多目标共同优化问题时比基本蚁群算法得到的帕累托解集更多，可以应用于施工项目集成化管理。

简介：介绍了基本PSO算法以及两种典型的改进算法:1)全局邻域模式和局部邻域模式对粒子群优化算法的影响,全局邻域模式粒子群优化算法收敛快,但容易陷入局部极小值;局部邻域模式粒子群优化算法由于粒子倾向于在不同的局部区域搜索因而收敛速度慢,但能在较大程度上避开局部极小值;2)混沌粒子群优化算法,它具有混沌的随机性、遍历性、规律性等特性引导粒子及其组成的群落搜索全局最优解。

简介：针对矿井结构复杂,井下未知节点定位存在信标节点布置冗余、定位精度低等问题,提出了一种基于粒子群优化算法的井下目标定位方法。根据矿井环境特点区块化布置信标节点,通过引入线性递减权重的粒子群算法对未知节点与信标节点的测量距离和估计距离的误差进行优化,降低定位误差。与四边测量法、加权最小二乘法和RSSI加权质心算法进行Matlab仿真对比实验。仿真结果显示：信标节点为5个,节点总数为15时,平均定位误差为0.877m。高斯白噪声标准差取值范围从5递增到20,平均定位误差由1.21m增长到4.65m,增长幅度最小,抗噪性最好。信标节点密度由10%增加到40%,平均定位误差从2.82m下降到0.76m,定位精度明显好于其他三种算法,稳定性好于RSSI加权质心算法。定位精度更高,抗噪性更好,可靠稳定,在井下巷道环境中适应性更强。

简介：摘要针对PSO算法易早熟、收敛精度差、迭代后期收敛速度慢等问题，提出了一种基于算法参数变化的简化粒子群算法。该算法惯性权重和学习因子分别随迭代次数呈指数函数变化和正弦三角函数变化，使用4个经典Benchmark测试函数进行仿真测试。结果表明本算法能较好收敛到全局最优值，且收敛速度快，收敛精度高，优化性能好。

简介：排课问题是一个有约束的、多目标的组合优化问题.在针对遗传算法在求解该问题时搜索效率较低的情况下,提出了一个基于粒子群的排课算法.在算法设计过程中,考虑排课过程中所出现的各种时间、空间资源的冲突情况,设计了一种基于粒子群优化算法来实现时间和空间两种资源的优化.利用C#程序设计语言实现了基于粒子群算法的排课系统,实验和测试结果也验证了其有效性和系统的可用性.

简介：布谷鸟搜索算法和粒子群优化算法都属于仿生优化群算法,它们的原理简单、实现方便,在诸多领域得到应用。虽然这两种算法优点明显,但是它们在全局搜索能力、收敛速度等方面存在不同程度的不足,当它们应用于复杂优化问题时,需要采用改进措施来提升其性能。把布谷鸟搜索算法和粒子群优化算法进行混合,在两种算法平行进化的基础上引入共享机制,使两种算法优点互补。仿真证明,混合算法提升了算法的全局搜索能力和收敛速度,适应性更强,可以应用于复杂的优化问题。

简介：摘 要：针对传统粒子群优化算法易早熟收敛的问题，提出一种基于混沌思想的改进粒子群优化算法。该算法利用混沌运动的随机性、遍历性和规律性等特征，综合了混沌初始化、惯性权重的混沌调节、位置的边界处理、陷入早熟时的混沌遍历搜索等改进措施, 改善了粒子群的随机性与多样性，较好解决了算法的早熟收敛问题。通过3个典型高维测试函数的实验测试表明：改进的混沌粒子群算法在收敛速度、寻优精度和稳定性等方面明显优于传统的粒子群算法。

简介：摘要对基于粒子群算法的电网无功规划进行了研究，建立了有功网损和设备投资综合费用最低的目标函数。通过对IEEE30节点系统的仿真分析，验证了该方法的可行性与实用性。

简介：摘要介绍基本粒子群优化算法的原理、特点，并在此基础上提出了一种改进的粒子群算法。通过在粒子初始化时引入相对基的原理使粒子获得更好的初始解，以及在迭代过程中引入变异模型，部分粒子生成相对应的扩张及收缩粒子，比较其适应度，保留最佳粒子进行后期迭代，使算法易跳出局部最优。通过经典函数的测试结果表明，新算法的全局搜索能力有了显著提高，并且能够有效避免早熟问题。

简介：为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。

简介：摘 要：城市交通的出行者是交通网络分析的对象，本文针对固定需求随机用户平衡问题，提出了粒子群优化算法并进行数值实验分析，通过构造初始解；设置约束条件控制迭代步长，根据适应度函数求出粒子自身历史最优位置和群体全局最优位置并更新速度和位置向量；同时在迭代更新过程中保证同一OD对各有效路径上流量之和等于其交通需求，最后达到设置的迭代次数，输出OD对各路径流量。结果表明用粒子群算法求解随机用户平衡问题有效可行，迭代收敛较快。

简介：摘 要：城市交通的出行者是交通网络分析的对象，本文针对固定需求随机用户平衡问题，提出了粒子群优化算法并进行数值实验分析，通过构造初始解；设置约束条件控制迭代步长，根据适应度函数求出粒子自身历史最优位置和群体全局最优位置并更新速度和位置向量；同时在迭代更新过程中保证同一OD对各有效路径上流量之和等于其交通需求，最后达到设置的迭代次数，输出OD对各路径流量。结果表明用粒子群算法求解随机用户平衡问题有效可行，迭代收敛较快。

简介：PSO组播路由算法,杜明辉基于粒子群优化的QoS组播路由算法[J]. ,路由A中的第2个节点7在路由B中不存在

简介：PSO组播路由算法,杜明辉基于粒子群优化的QoS组播路由算法[J]. ,路由A中的第2个节点7在路由B中不存在