微粒群优化算法的改进与应用

《微粒群优化算法的改进与应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要如今，随着计算机科学与技术的迅速发展，人类生存空间的扩大以及认识与改造世界范围的拓宽，人们对科学技术提出了新的和更高的要求，其中高效的优化技术和智能计算的要求日益迫切。微粒群优化算法是一种新兴的智能优化算法，其概念简单，实现容易，自从kennedy和Eberhart于1995年提出以来，在短短几年之内便获得了很大的发展，并在一些领域获得了成功应用。微粒群优化算法具有较强的全局搜索能力，但同时也有易陷入局部极值的缺点。本文主要研究了微粒群优化算法的改进与应用，并进行了仿真研究。主要研究内容如下：模拟退火算法具有较强的局部搜索能力，并能避免陷入局

2、部最优解，但它的全局搜索能力不强。本文将微粒群优化算法和模拟退火算法结合，提出一种基于模拟退火的微粒群优化算法。该算法能克服微粒群优化算法容易陷入局部极值的缺点，且不断缩小优化变量的搜索空f副，有较高的搜索效率。应用该算法对测试函数进行优化计算，得到了满意的效果。对旅行商问题、车辆路径问题、物流配送中心选址问题这三种受约束的、离散的组合优化问题，本文采用微粒群优化算法分别进行了应用研究。对微粒群优化算法的速度位置算式进行了改进，提出一种改进的微粒群优化算法，该算法符合组合优化问题的特点，在求解旅行商问题上有较高的搜索效率。将此改进微粒群优化算法分

3、别应用于14个点的TSP问题以及中国旅行商问题中，都在较短时间内获得了目前已知的最好解。设计了求解车辆路径闽题的一种新的实数编码方案，将车辆路径问题转化成准连续优化问题，并采用罚函数法处理约束条件。应用该微粒群优化算法求解了多个车辆路径问题的算例，并与遗传算法和双种群遗传算法进行了比较。计算结果表明，该算法可以更膏效地求得车辆路径问题的优化解，是解决车辆路径问题的有效方法。构造了微粒表达方法，提出了物流配送中心选址问题的一种混合微粒群优化算法。通过整数规范化，微粒群能在整数空间内对问题进行优化求解。该算法能克服基本微粒群优化算法精度较低，易发散的

4、缺点，有较高的搜索效率。实验仿真证明了该算法的有效性。关键词微粒群优化算法，函数优化，旅行商问题，车辆路径问题，配送中心选址lIAbstractNowadayswiththerapiddevelopmentofthecomputerscienceandtechnology，people’slivingspacehasbeenenlarged．andthefieldinwhichpeoplerecognizeandchangetheworldhasbeenbroaden．Thedemandforscienceandtechnologyisininc

5、rease．Thereforehigh—performanceoptimizingtechnologyandintelligenceoptimizationisinurgentneed．Particleswarmoptimizationalgomhmisakindofrisingintelligenceoptimizer．Itsconceptissimpleanditiseasytobeimplemented．AfterbeingpresentedbykennedyandEberhartin1995，Ithasachievedgreatdevel

6、opmentinseveralyearsandhasbeensuccessfullyappliedtosomefields．Particleswarmoptimizationalgorithmhasastrongabilitytoachievethemostoptimisticresult．MeanwhileithasadisadvantageSOfarasitslocalmlnimumjsconcerned，Inthisdissertation，improvementandapplicationofparticleswarmoptimizati

7、onalgorithmaremainlydiscussed．ThemajorinnovationsinthisarticleareasfoIlows：Simulatedannealingalgorithmhasastrongabilitytoachievethelocaloptimisticresult．Anditcanavoidlocalminimum．Butontheotherhanditsabilitytoachievetheglobaloptimisticresultisquiteweak．Ahybridparticleswarmopti

8、mizationisproposed．Thismethodintegratestheparticleswarmoptimizationw