微粒群优化算法的改进与应用

论文题目: 微粒群优化算法的改进与应用

论文类型: 硕士论文

论文专业: 控制理论与控制工程

作者: 李军军

导师: 王锡淮,肖健梅

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

文献来源: 上海海事大学

发表年度: 2005

论文摘要: 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间，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问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，该算法可以更有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，易发散的缺点，有较高的搜索效率。实验仿真证明了该算法的有效性。

论文目录:

摘要

Abstract

第一章 绪论

1.1 最优化问题

1.1.1 最优化问题分类

1.1.2 局部极小和全局最小

1.1.3 计算复杂性与 NP完全问题

1.2 最优化方法

1.2.2 经典精确算法

1.2.3 智能优化算法(Intelligent Optimization Algorithms)

1.3 微粒群优化算法

1.4 本文的研究内容与结构安排

第二章 微粒群优化算法

2.1 引言

2.2 PSO的算法原理

2.2.1 基本原理

2.2.2 参数分析

2.2.3 基本PSO算法的流程

2.3 算法的发展

2.3.1 离散二进制 PSO算法

2.3.2 混合 PSO算法

2.3.3 Lbest模型

2.4 PSO算法的应用

第三章 函数优化问题

3.1 引言

3.2 函数优化问题

3.3 自适应 PSO算法

3.4 基于模拟退火的微粒群优化算法

3.5 优化实例

3.5.1 本文SAPSO和 APSO算法比较

3.5.2 本文SAPSO和文献[46]遗传混沌优化组合方法比较

3.6 结论

第四章 改进的微粒群优化算法求解旅行商问题

4.1 受约束问题

4.2 组合优化问题

4.3 旅行商问题

4.4 交换子和交换序

4.4.1 交换子和交换序

4.4.2 文献[52]的速度位置算式

4.5 改进的微粒群优化算法

4.5.1 改进 PSO的速度位置算式

4.5.2 改进 PSO的步骤

4.5.3 优化实例

4.6 结论

第五章 PSO算法在 VRP问题上的应用

5.1 引言

5.2 物流车辆路径问题概述

5.2.1 车辆路径问题概况

5.2.2 车辆路径问题的数学模型

5.3 物流车辆路径问题研究现状

5.3.1 车辆路径问题型态

5.3.2 VRP策略与方法解决

5.3.3 VRP问题研究现状的总结

5.4 现有算法存在的问题

5.5 求解 VRP问题的改进 PSO算法

5.5.1 车辆路径问题的微粒群优化算法

5.5.2 算例分析

5.6 总结

第六章 基于混合 PSO算法的配送中心选址问题求解

6.1 引言

6.2 配送中心选址问题

6.2.2 配送中心在物流系统中的主要职能

6.2.3 配送中心选址问题的描述

6.3 混合微粒群优化算法

6.4 配送中心选址的混合 PSO算法

6.4.1 构造微粒表达方式

6.4.2 混合 PSO算法的步骤

6.5 算例分析

6.6 结论

第七章 结论与展望

致谢

参考文献

附录 攻读硕士学位期间发表的论文

发布时间: 2007-01-16

参考文献

• [1].微粒群优化算法的改进研究与应用[D]. 刘斌.西南交通大学2009
• [2].基于微粒群优化算法的聚类分析及应用[D]. 吴变样.中北大学2011
• [3].蚁群算法及其在广义旅行商问题求解中的应用[D]. 徐东镇.合肥工业大学2007
• [4].群集智能算法在不确定旅行商问题中的应用研究[D]. 胡平.吉林大学2007
• [5].随机存储下的有容量限制的广义旅行商问题[D]. 王玲丽.上海交通大学2012
• [6].动态环境中微粒群优化算法研究及应用[D]. 逄金梅.山东师范大学2012
• [7].多旅行商近似算法研究与应用[D]. 刘冠佳.长沙理工大学2011
• [8].基于微粒群优化算法的聚类分析及其在学生成绩管理中的应用[D]. 刘梦琳.山东师范大学2007
• [9].基于遗传算法的连续函数优化技术研究[D]. 敖友云.上海师范大学2006
• [10].量子蚂蚁算法及其应用研究[D]. 王洪刚.上海理工大学2009

相关论文

• [1].粒子群优化算法的改进与应用[D]. 刘晶晶.武汉理工大学2007
• [2].改进微粒群算法在多目标优化问题中的应用[D]. 刘栋.山东师范大学2008
• [3].粒子群算法及其应用研究[D]. 方峻.电子科技大学2006
• [4].蚁群优化算法的改进及应用[D]. 付宇.上海海事大学2006
• [5].人工鱼群算法的改进及应用[D]. 郑晓鸣.上海海事大学2006
• [6].微粒群算法的若干改进及应用[D]. 熊鹰.武汉理工大学2006
• [7].粒子群优化算法的分析及改进[D]. 孙建英.大连海事大学2007
• [8].并行微粒群算法研究[D]. 王元元.太原科技大学2007
• [9].免疫微粒群算法的研究[D]. 胡春霞.太原科技大学2007
• [10].基于微粒群算法生成分类规则[D]. 延丽平.中北大学2006

标签：微粒群优化算法论文;  函数优化论文;  旅行商问题论文;  车辆路径问题论文;  配送中心选址论文;