下载文档原格式
基于改进粒子群算法的烟草物流优化方案程倩【摘要】为了减少烟草物流网络成本,设计了基于改进粒子群算法的物流网络优化方案.基于现行的烟草物流网络拓扑结构,在打破行政区域限制的条件下,给出了优化的烟草物流网络拓扑结构;从存储成本、运输成本、服务惩罚成本3个方面考虑,建立了优化后物流网络的数学模型;提出了融合神经网络算法、使用模拟退火控制收敛速度的粒子群算法,将交叉变异引入到粒子群更新,防止其陷入局部最优,使用模拟退火算法控制粒子群收敛速度,并将物流优化方案和改进的粒子群算法应用到广西省烟草物流网络.结果表明,物流成本下降了7.51％,每周节省金额约为￥2100万.【期刊名称】《兰州工业学院学报》【年(卷),期】2018(025)001【总页数】5页(P73-77)【关键词】烟草物流;拓扑结构;交叉变异;改进粒子群算法【作者】程倩【作者单位】桐城师范高等专科学校,安徽桐城 231400【正文语种】中文【中图分类】F2520 引言选址是物流系统高效运行最关键的决策.对于选址的研究，国内外学者都取得了一定成果.Aikensch[1]根据条件不同给出了9种选址模型，包括简单选址、动态选址、需求变动等；Erlebacher S J, Meller RD[2]在考虑库存的条件下，建立并求解了选址模型；黄敏镁[3]在研究选址问题时，目标函数设置为物流成本最小，使用粒子群算法进行求解；杜秀婷[4]等使用贪婪算法求解了计算物流中心数量的覆盖模型.当前在此问题上的研究大多局限于对算法的局部改进，且改进方案使用的适用条件多，使得各种物流配送方案无法推广.本文致力于研究总成本较小且具有可推广性的烟草物流配送方案，从3个方面进行了研究:一是确定了适用于烟草物流的拓扑结构；二是建立了以运输成本、储存成本、服务水平为优化目标的烟草物流模型；三是将粒子群算法、遗传算法、模拟退火算法进行融合，得到改进粒子群算法对物流网络优化模型进行求解.此烟草配送方案不仅减少了物流成本，而且限制条件少，具有较高的可推广性.1 烟草物流网络层级优化与改进模型1.1 烟草物流网络拓扑结构为了使通用的物流网络拓扑结构专业化,构造专用于烟草物流的拓扑结构，就需要考虑烟草物流的特殊性.烟草物流的特殊性[5-6]主要体现在4个方面：1) 烟草配送具有行政区域性，烟草行业由烟草局统一管理，烟草配送不允许跨地级市进行；2) 库存量控制要求高，烟草很容易找到替代品，当某一品牌烟草缺货时，烟民很容易选择另一品牌代替，所以要努力实现不缺货，但是烟草密度小，存储成本高，因此也不能存货过多；3) 配送网点多而杂，所有的烟草零售点都是配送网点，包括超市、便利店、夫妻店等；4) 工商分离.烟草工业和烟草商业的分离，从物流角度讲，增加了从工业仓库到商业仓库的物流过程，从拓扑结构上讲，增加了拓扑结构层级. 本文研究的烟草物流网络地域跨度较大，地域内包含的中转站较多，因此本文以中转站作为物流配送的末端节点.首先介绍在烟草物流网络中使用的关键节点：1) 烟草生产公司(记为Factory)，这是烟草物流网络的起点；2) 区域烟草配送中心(Regional Distribution Center, RDC)，此配送中心是在打破行政区域限制的前提下，根据经济区域设置的配送中心； 3) 市级烟草配送中心(City Distribution Center, CDC)，此配送中心是在当前行政区域限制下设置的配送中心，它是烟草进入本市区域的唯一入口，负责对烟草进行存储、分拣和配送等； 4) 县级配送中转站(County Distribution Center, CTDC)，将烟草在县区范围内配送给零售商，在本文研究中是物流配送的最末端.在当前行政区域限制下，烟草物流网络的拓扑结构如图1所示.图1 有行政区限制的物流拓扑结构在有行政区域限制的情况下，A市的配送中心只能给A市辖区的县级配送中心保障烟草，那么如果把A、B、C市看成一个经济系统，在这个系统内，由于行政区域的限制，就会出现整体存货量大、配送路线出现迂回的问题，使得整个物流系统的存储成本和运输成本居高不下.为了降低存储成本和运输成本，实现物流的规模效益，就需要打破烟草配送的行政区域限制，按照经济中心划分区域烟草配送中心，按照经济区域进行配送，其拓扑结构如图2所示.图2 打破行政区限制的物流拓扑结构从图2中可以看出，打破行政区域限制后，以整个经济区域作为一个整体进行烟草配送，可以获得规模效益，可以市场需求为准则在整个区域内配送烟草.1.2 烟草物流网络的改进模型烟草物流网络优化的目标是烟草从生产厂家到县级配送中心的总成本最低.总成本可以分为3类：运输成本、存储成本和服务惩罚成本.1.2.1 运输成本运输过程包括从生产厂家到区域配送中心、区域配送中心到县级配送中心2个阶段.记生产厂家数量为F，区域配送中心的数量为R，县级配送中转站的数量为D，则从生产厂家到区域配送中心的运输成本为(1)式中,k为生产厂家到区域配送中心的运输距离;Vf为生产厂家配送的烟草总量;w为运输费率;Rfr为生产厂家运输到不同区域配送中心的烟草量.同样的，从各区域配送中心到县级配送中心的运输成本为(2)式中,xr表示第r个配送中心的选择决策变量，取值为0,1；δrd为第r个配送中心到第d个县级中转站的连接决策变量，也是0，1取值；krd、wrd、Rrd的意义与式(1)中相应字母相同.所以烟草物流网络的运输成本为(3)1.2.2 存储成本物流配送中心的存储成本包括配送中心的建设成本、设备成本和运营成本.建设成本表达式为(4)式中,Sr为烟草配送中心的平均存储量；λi为单位面积存储量；θ为储存面积与总面积的比例；ci为单位面积的建设费率；fr为固定建设成本.设备分为存储设备和分拣设备2种，因此设备成本也按这2种进行分类.设备成本表达式为(5)式中,前2项为存储设备成本，后2项为分拣设备成本；(SP)r为第r个配送中心的库数；μi为库位成本；dr为存储设备的固定成本；ceiling()为取整函数；δ为波动函数，取值为0.8～1.2；Rr为配送中心的平均库存量；η为分拣设备利用系数，一般取0.8；Cr为单位时间分拣量；T为日工作时间；φ为日分拣成本；er为分拣设备固定成本.运营成本即分拣工作消耗的成本，其表达式为(6)式中,ψr为单位数量烟草的分拣成本.经过以上分析可知，存储成本W的表达式为(7)1.2.3 服务惩罚成本由于物流网络的整合，使得配送中心的数量减少，这就可能导致列县级中转站的相应时间增加，在这种情况下就要设置服务惩罚费率ρ(每车每公里).换个角度，将对县级中转站的响应时间转化为区域配送中心的服务半径来考虑，对超过服务半径的配送服务进行惩罚.服务半径的确定方法为：在当前8 h工作制前提下，当天需要返回，不考虑装卸时间、堵车时间等因素，单向最远为4 h车程，平均车速为60 km/h时，服务半径为240 km.那么服务惩罚成本为(8)式中,qrd为0～1变量，中转站在配送中心服务半径内时取0，否则为1；krd为从配送中心到中转站的运输距离；Dcov为服务半径；ζ为单个车的运输量.式(8)中xr和qrd配合完成对配送中心的扫描，选取能够满足某县级中转站响应时间需求的配送中心.1.2.4 总成本通过以上分析，可以给出烟草物流系统的总成本为G=T+W+P.(9)所以烟草物流网络目标函数为(10)2 混合粒子群算法2.1 基本粒子群算法粒子群算法[7-8]是模仿动物觅食行为提出的算法，是一种人们所熟悉的智能算法.以鸟群觅食为例，每只鸟位置的移动主要受2个方面的影响：一是鸟自身经历的最好位置；二是鸟群中其它鸟找到的觅食位置.为了模仿这个过程，将每只鸟看成1个粒子，假设群体中有m个粒子，粒子维度为D，粒子i的当前位置为速度为粒子i经历的最优位置为所有粒子的历史最优为粒子的位置和速度更新公式为式中,w为惯性因子，是一个非负数；c1,c2为学习因子，控制粒子向历史最优和全局最优运动；r1,r2为[0,1]内随机数且相互独立.2.2 融合遗传算法的模拟退火控制的粒子群算法本文将遗传算法中的杂交和变异思想引入到粒子群算法中，对陷入局部最优的粒子进行干扰，使其脱离局部最优向全局最优继续运动，同时融入模拟退火算法控制算法的收敛速度.记粒子群的粒子数为m，当前粒子群为D1，从D1中以一定概率Pc选取粒子，让选取的粒子两两配对，对配对的粒子xi,xj进行杂交形成新粒子即(11)式中,p为[0,1]内的随机数，它代表粒子的杂交程度.计算粒子的适应值使用模拟退火算法[9]对杂交前后粒子的优化程度进行比较，根据模拟退火算法中Metropolis接受准则[10]，粒子在温度t时的稳定概率为e-ΔE/kt，其中ΔE表示粒子内能的变化量，k为Boltzmann常数.将粒子内能看成优化问题中的目标函数，温度t看成收敛控制参数，就可以使用模拟退火算法解决优化问题.需要特别说明的是，对于收敛控制参数t，可以使用t=Ct进行更新.使用模拟退火算法对杂交前后的粒子优化度比较，若(12)说明杂交后的粒子比原粒子更优化，则使用代替xi进入粒子群.对于粒子xj也需要进行同样的判断.使用杂交粒子代替原粒子后的速度更新公式为(13)记变异后的粒子群记为D2，从D2中以一定概率Pm选取粒子进行高斯变异，即(14)对变异后的粒子计算其适应值然后按照式(12)进行判断，若变异后粒子更优，则使用代替xi.将上述推导的理论代入到粒子群迭代算法中，直到达到最高迭代次数或得到满足精度的结果为止，就实现了改进的粒子群算法.2.3 混合粒子群算法在烟草物流中的参数设置1) 编码方式.粒子群算法中的每个粒子都是一个可行解，按照1.2.1节的规定，区域物流配送中心的数量为R，县级中转站的数量为D，那么可以构造一个R+D维的向量作为粒子，其中前R维向量为0,1变量，表示区域配送中心的选择信息，后D维向量表示对应位置的县级中转站由哪个配送中心服务.2) 粒子速度和位置的更新.粒子编码的前R维与后D维不是相互独立的，如果使用基本粒子群算法的更新方式，就会产生越来越多的非可行解.经分析可知，后D维向量信息中包含着前R维信息.因此本文算法只对后D维向量进行粒子更新.D维向量的初始化位置为[1,D]的随机整数，初始化速度为[1-D,1+D]的随机实数.3) 算法的收敛控制.模拟退火算法已经证明具有很好的鲁棒性和渐近收敛性，因此本文使用模拟退火算法控制粒子群算法的收敛速度.3 实验验证3.1 实验设计本文选择广西省的烟草物流网络为优化对象，广西省含有14个市级烟草配送中心，县级烟草中转站达84个.优化过程分为2步：一是从14个市级配送中心选择一部分作为区域配送中心；二是确立区域配送中心与县级中转站的服务关系，最终达到物流总成本最低的目标.经过实验测试，算法的参数设置为：粒子数m=80，惯性因子w=0.73,学习因子c1=c2=1.49,交叉概率Pc=0.5,变异概率Pm=0.05，模拟退火初始温度T=10 000. 根据市场实际，烟草物流系统的业务参数设置为：服务惩罚费率ρ=4元/(车·公里)，存储运营费率ψr=7.19元/件，高架库建设费率ci=115.4元/平米，平库建设费率ci=36.87元/平米，油价6.15元/升，高架库位成本μi=509.5元/库位，平库库位成本μi=180.4元/库位.3.2 数据处理及结论使用本文设计的融合神经网络算法的使用模拟退火法控制的粒子群算法对广西省烟草物流网络进行优化.算法程序共运行了76 085 ms，选出了6个市级烟草配送中心作为区域配送中心，分别是钦州市、桂林市、柳州市、南宁市、百色市、贵港市.其中钦州市配送的中转站为6个，桂林市配送15个中转站，柳州市配送21个中转站，南宁市配送17个中转站，百色市配送15个中转站，贵港市配送13个中转站，也就是说每个县级中转站都有对应的区域配送中心进行物流服务.以1周的烟草物流为标准，将优化后的物流模式成本与现存的物流模式成本进行比较，结果如表1所示.表1 物流网络优化前后成本对比总成本/元车辆数/辆人员数/人优化前274321472.18170597优化后253730701.03136520减少比例7.51%20.00%12.90%从表1中数据可以看出，使用本文优化的物流模式相比于现存模式，在车辆上少使用了20%，人员也节省了12.90%，物流总成本减少了7.51%，节省金额约为￥2 100万左右，这充分说明了本文优化方案的有效性.而且本文设计的优化方案没有设置过多前提条件，此方案不仅可用于广西省物流优化，也完全适用于其他省份，具有很好的可推广性.4 结语本文介绍了当前烟草物流网络拓扑结构，在打破行政区限制的假设条件下，给出了物流网络优化的拓扑结构；从存储成本、运输成本、服务惩罚成本3个方面建立了物流网络优化后的数学模型；改进了粒子群算法，将遗传算法中的交叉变异引入到粒子中，使粒子脱离局部最优，再使用模拟退火对其收敛速度进行控制；使用改进算法求解建立的物流模型，得到了物流优化方案，结果表明优化后的方案大大节约了人力、物力和财力.参考文献：[1] Aikens C H. Facility location models for distribution planning[J]. European Journal of Operational Research, 1985, 22(3):263-279.[2] Erlebacher S J, Meller R D. The interaction of location and inventory indesigning distribution systems[J]. Iie Transactions, 2000, 32(32):155-166.[3] 黄敏镁. 粒子群算法在物流中心选址中的应用[J]. 计算机工程与应用, 2011, 47(4):212-214.[4] 杜秀亭, 董晓民. 烟草物流配送中心选址优化问题研究[J]. 中国管理信息化, 2009, 12(21):59-61.[5] 李萌. 烟草物流多级配送中心选址优化模型与方法研究[D]. 北京：北京交通大学, 2013.[6] 张小勇. 从供应链角度谈烟草物流建设的合理规划[J]. 物流技术与应用, 2009, 14(5):92-96.[7] 温涛, 盛国军, 郭权,等. 基于改进粒子群算法的Web服务组合[J]. 计算机学报, 2013, 36(5):1031-1046.[8] 黄平. 粒子群算法改进及其在电力系统的应用[D]. 广州：华南理工大学, 2012.[9] 刘爱军, 杨育, 李斐,等. 混沌模拟退火粒子群优化算法研究及应用[J]. 浙江大学学报：工学版, 2013, 47(10):1722-1730.[10] 谢云. 模拟退火算法综述[J]. 微计算机信息, 1998(5):7-9.。
第33卷第4期2017年7月齐齐哈尔大学学报（自然科学版）Journal of Qiqihar University(Natural Science Edition)Vol.33,No.4July,2017云计算中基于改进离散粒子群优化的任务调度方案郑建秋(厦门城市职业学院，福建厦门361009)摘要：针对云计算中现有智能任务调度算法容易陷入局部最优的问题，提出一种基于改进型离散粒子群优化(D P S0)算法的任务调度方案。
对传统DPS0算法中的粒子位置更新公式中的惯性权重进行改进，使其根据迭代次数非线性递减，提高算法的搜索能力；另外，融入了随机扰动操作，避免算法陷入局部最优。
实验结果表明，与传统遗传算法和粒子群算法相比，该方案能够获得最优的调度策略，有效降低任务的完成时间。
关键词：云计算；任务调度；离散粒子群优化；惯性权重；随机扰动中图分类号：TP306.1 文献标志码：兴文章编号：1007-984X(2017)04-0006-05云计算代1]是一种新的计算技术，用户可以利用云计算租借软件、硬件、基础设施和计算资源作为每个 用户的基础资源，并将他们的工作提交给云计算处理或者云存储。
云计算中的用户任务通常以工作流方式 进行。
科学工作流代2以是指将一系列在科学研究中遇到的数据管理、计算、分析等工作变成一个个独立的服 务，再把这些服务通过数据链接组合在一起，满足研究人员科学实验和数据处理中的需要，从而实现相应 的处理与科学计算'传统的计算环境已很难满足科学工作流的需要。
云计算以高性能的计算资源与海量 的存储资源为科学工作流应用提供了一种全新的部署和执行方式'目前，云计算环境下工作流任务调度方案作为云计算工作流技术的重要组成部分，已经成为该领域内 的研究热点。
工作流任务调度的主要目标是减少任务执行的总时间，减少资源的空闲时间，提高了资源利 用率代4]。
任务调度是一个组合NP-完全问题，启发式智能算法是解决这种问题的一种有效手段，常用的智 能算法有遗传算法（GA)、粒子群算法（PS0)、蚁群算法（AC0)等。
离散控制系统中的粒子群算法优化离散控制系统（Discrete Control System）是一种针对离散动态系统的控制方法。
离散动态系统是指系统的状态或输出在离散的时间点上进行更新或变化。
在离散控制系统中，粒子群算法（Particle Swarm Optimization，PSO）被广泛应用于参数优化的问题上。
本文将重点探讨粒子群算法在离散控制系统中的优化应用。
一、离散控制系统及其优化问题离散控制系统是一个由离散时间步组成的系统，其状态在每个时间步内以离散的形式进行更新。
离散控制系统通常由状态变量、输入变量和输出变量组成，并通过控制算法来确定输入变量以实现对输出变量的优化控制。
在离散控制系统中，常常涉及到优化问题。
优化问题的目标是找到使得系统性能指标最优的一组参数。
这些参数可能代表控制器的增益、滤波器的截止频率或其他系统变量。
优化问题的求解非常复杂，需要考虑参数空间的维度、非线性约束和噪声干扰等因素。
二、粒子群算法简介粒子群算法是一种基于群体智能的优化算法，灵感来源于鸟群或鱼群等群体在搜索食物或栖息地时的行为。
其基本思想是通过模拟粒子在解空间中的搜索过程，寻找到最优解。
粒子群算法的每个粒子代表一个候选解，其位置表示候选解在解空间中的位置。
候选解的优劣通过适应度函数进行评估。
粒子在解空间中根据自身的历史最优位置和群体中最优位置进行位置更新。
通过多次迭代更新，粒子逐渐向全局最优解靠近。
三、粒子群算法在离散控制系统中的优化应用由于离散控制系统中存在着大量的参数需要优化，传统的优化算法在求解效率和精度上面临一定的挑战。
粒子群算法作为一种全局优化算法，具有计算简单、易于实现等优点，在离散控制系统中得到了广泛应用。
离散控制系统中的参数优化问题可以转化为一个多维优化问题。
通过将离散参数映射到连续空间，并定义适应度函数来衡量优化目标的性能，可以将粒子群算法应用于离散参数优化问题。
粒子群算法通过多个粒子的协同搜索，能够在搜索空间中找到近似最优解。
基于改进型离散粒子群优化的云计算资源分配方案谢辅雯;张敏【摘要】针对云计算中资源有效分配的问题,提出一种基于改进型离散粒子群优化(IDPSO)算法的云资源分配方案.首先,将传统PSO算法中的运算进行离散化,使其能够应用于资源分配问题.然后,对传统PSO粒子位置更新公式中的惯性权重进行改进,根据当前粒子位置、局部最佳和全局最佳位置的适应度来确定这些权重系数,以此加快粒子的收敛速度.最后,将资源分配方案编码为一个二维粒子,利用IDPSO算法求解最优解.实验结果表明,该方案能够有效降低资源浪费率,具有可行性和有效性.%For the issue of the resource allocation in cloud computing,a cloud computing resources allocation scheme based on improved discrete particle swarm optimization (IDPSO) algorithm is proposed.Firstly,the operation of the traditional PSO algorithm is discretized,so that it can be applied to the resource allocation.Then,the inertia weight in particle position update formula of traditional PSO is improved,which is determined by the adaptation of the particle current,local best and global best position,in order to speed up the convergence speed ofparticle.Finally,the resource allocation scheme is coded as a two-dimensional particle,and the optimal solution is solved by the IDPSO algorithm.Experimental results show that the proposed scheme can effectively reduce the waste of resources,and it is feasible and effective.【期刊名称】《湘潭大学自然科学学报》【年(卷),期】2017(039)003【总页数】5页(P89-93)【关键词】云计算;资源分配;改进型离散粒子群优化;二维粒子编码【作者】谢辅雯;张敏【作者单位】赣南师范大学科技学院,江西赣州341000;江西理工大学应用科学学院,江西赣州341000【正文语种】中文【中图分类】TP393云计算是一种并行分布式计算模式，为用户提供数据计算、存储、访问等服务[1].其中，资源分配的有效性直接影响云计算的性能.资源分配是指根据用户提交的任务，合理的分配计算资源[2].由于云基础设施依赖于虚拟技术，其将计算资源虚拟化成多个虚拟机(Virtual Machine, VM)[3].所以，资源分配问题可以定义为将VM 集合合理分配到多个物理机(Physical Machine, PM)上，用于降低资源浪费率，节约成本.资源分配是一个NP困难问题，目前，现实应用的资源分配方案主要为基于提取预留算法的分配.其中，最常用的有最佳适应算法(Best-Fit)、首次适应算法(First-Fit)和最坏适应算法(Worst-Fit)[4].另外，学者也提出了多种基于智能优化算法的分配方案，例如基于遗传算法[5]、粒子群算法[6]、蚁群算法[7]等.然而，这些方案都存在一些缺陷，例如容易陷入局部最优、收敛速度慢等.另外，这些方案中都没有明确说明如何将优化算法进行离散化，使其能够应用于离散的资源分配问题，具有一定的局限性.为此，本文提出一种基于改进型离散粒子群优化(Improved Discrete Particle Swarm Optimization, IDPSO)的资源分配方案.给出了传统PSO算法离散化的具体方法，使其能够更好地适用于资源分配问题.同时，对传统PSO粒子位置更新中的权重系数进行改进，使其能够快速的向最优位置移动，提高算法的收敛性和寻优能力.实验结果表明，与Best-Fit、First-Fit和Worst-Fit策略相比，本文方案获得了最高的资源利用率.在云环境中，计算资源会被虚拟化成VM，这些VM部署在物理服务器上，所有的应用程序都运行在VM上.VM主要具有2个资源性能参数，即CPU处理能力和内存大小[8].一个服务器的CPU使用率定义为：该服务器上正在运行的所有VM 的CPU使用量占总CPU资源的比例.同样，内存使用率也类似定义.在云计算中，会根据任务的资源需求来分配VM资源，并将其部署到各物理服务器上.在部署过程中，经常会出现服务器资源未得到充分利用的情况，导致资源浪费.所以，需要有效的资源分配策略.VM分配策略是以最小化VM资源浪费为目标进行部署.下式给出了资源浪费的计算模型：其中Wj代表第j个服务器的资源浪费参数，代表第j个服务器所使用的CPU资源占总CPU资源的比例，代表所使用内存占总内存的比例.变量yj表示该服务器是否启动.假设有N个VM要被放置在M个服务器上.令和分别表示第i个VM的CPU和内存需求，和Tmj分别表示第j个服务器的CPU和内存阈值.二值变量xij表示第i 个VM是否在第j个服务器上运行.如果是，则xij为1，否则为0.那么等式(1)中的比例参数可表示为：因此，资源分配问题的目标函数(最小化总的资源浪费)可表示为：约束于：∀∀∀j∈M; yj,xij∈{0,1} ∀j∈M and ∀i∈N.PSO算法是一种基于种群的元启发式计算方法，其中，每个粒子的位置表示一个问题的候选解.传统PSO中，每个粒子在每次迭代中向吸引子所引导的位置移动，即从一个解跳跃至另一解.如果结果是一个较优解，则其会吸引其他粒子向这个解移动，最终获得最优解[9].PSO算法中粒子速度和位置更新公式为：其中为第i个粒子在第t代中第d维空间上的速度；相应表示为第i个粒子的位置；pi为第i个粒子的个体最优解；pg为全局最优解；c1和c2为学习因子，表示粒子向个体最优解和全局最优解靠近的程度，通常取值为2；r1和r2为[0,1]内的随机数；w为惯性权重，决定当前粒子速度继承的程度.较大的惯性权重w有利于跳出局部最优，进行全局寻优；较小的w值有利于局部寻优，加速算法收敛.为了平衡算法的全局和局部搜索能力，惯性权重w的值通常会随着迭代次数的增加而线性递减[10].3.1 离散PSO算法(DPSO)在将传统PSO应用到资源分配问题之前，需要对其进行离散化修改，这是因为资源分配问题是一个离散优化问题，但传统PSO仅适用于解决连续问题[11].为此，本文构建了一种离散PSO算法(DPSO).将传统PSO的粒子编码方案、位置和速度更新策略进行调整，对其中的运算符和参数进行重新定义，使其能够解决离散化的资源分配问题.其主要是将粒子位置编码为二进制形式，将粒子速度变为概率表示.(1) 编码方案.为了很好地适应离散资源分配，本文将粒子编码成一个二维二进制形式.粒子的第一维是一个n位向量，n表示物理服务器的数量，第二维是分布在这些服务器上的VM子集.在第一维中，每一位对应一个服务器.如果该位是1，则意味着该服务器是启动的，即至少有一个VM正在该服务器上运行.如果该位为0，则意味着该服务器是关闭的.图1给出了一个二维粒子编码的例子.(2) 位置与速度更新策略.本文对传统PSO中的运算符进行重新定义，如下所示：(a) 减法运算符：减法运算符用来计算两个可行VM分配方案之间的差异，用同或符号⊙来表示.对于给定的两个方案和如果两个方案的相应位相同，那么减法的结果为1，否则为0.例如，(1,0,1,0)⊙(1,1,0,0)=(1,0,0,1).(b) 加法运算符：加法运算符用于计算粒子的速度修正量.一个粒子的速度更新由三个因素决定：当前速度惯性、局部最佳位置惯性和全局最佳位置惯性.这里，用异或符号⊕来代表加法运算符.那么表示一个粒子根据惯性权重(概率)P1来继承根据P2来继承根据P3来继承从而更新它的速度.例如，0.4(1,1,0,0)⊕0.6(1,0,1,0)=(1,#,#,0)，其中第二位为0的概率为0.4，为1的概率为0.6.(c) 乘法运算符：乘法运算符用于更新粒子位置，用符号⊗表示.⊗代表基于位置向量和速度向量的粒子位置更新.如果速度向量中的一个位值为1，那么位置向量中的相应位不发生改变，否则将会被调整.例如，(0,0,1,1)⊗(1,0,0,1)为位置向量⊗速度向量.根据位置更新策略，位置向量的第二位和第三位将会被改变.这意味着在第二个和第三个服务器上运行的VM应该重新评估，检测它是否为VM的最优分配方案.3.2 改进型离散PSO算法(IDPSO)PSO算法中，粒子速度的更新取决于当前速度、局部最佳位置和全局最佳位置3个因素外，还取决于所对应的惯性权重系数，如式(1)所示.在传统PSO算法中，这些系数为定值或随机值(w、c1·r1和c2·r2).然而这不能很好地使算法快速收敛.为此，本文提出一种改进型DPSO算法(IDPSO)，分别设定这3个权重系数为P1i、P2i和P3i.根据当前粒子位置、局部最佳和全局最佳位置的适应度来确定这些权重系数，以此加快粒子往最优位置移动.所以，本文IDPSO中的粒子速度和位置更新公式如下：其中权重系数P1i、P2i和P3i的表达式分别为：其中表示第i个粒子当前位置的适应度.一个VM分配方案的适应度f()为该方案下集群中所有服务器的总资源浪费量的倒数.方案的资源浪费越高，它的适应度值则越小.因此，适应度值越大的方案将具有更大的惯性权重系数值.那么，选择具有大适应度方案的概率将会很高，以此来获得较优方案.3.3 基于IDPSO求解资源分配的流程本文IDPSO算法求解VM分配方案中，首先随机初始化粒子种群，即通过随机分配VM到服务器来生成初始方案.在初始化后，粒子遍历解空间并在迭代中向全局最优解移动.算法的各个步骤如下所示.步骤1：VM的资源需求集合、具备资源阈值的服务器集合作为算法的输入.步骤2：设置粒子种群大小为P，最大迭代次数为max Iter.对粒子进行编码，并采用一个随机策略来生成初始可行方案集合，即初始种群，每一个粒子代表一个可行VM分配方案.步骤3：通过评估粒子的适应度，获得粒子的局部最佳位置和种群的全局最佳位置.步骤4：根据式(2)更新粒子速度与粒子位置.步骤5：通过计算适应度值更新粒子的局部最佳位置.同时，更新整个种群的全局最佳位置.步骤6：重复迭代步骤4～5，直到达到max Iter次.最终返回代表全局最佳的VM分配方案.4.1 实验设置构建仿真实验，评估本文方案的性能，并将结果与三种经典的分配策略：Best-Fit、First-Fit和Worst-Fit进行比较.在配备Intel Core i5 处理器、2.27 GB主频的PC 机上，使用版本为Kepler service Release 2的eclipse 平台构建实验环境.实验中，随机生成具有不同CPU需求和内存需求的VM请求，VM数量范围为50～250个.构建20种类型的服务器，其CPU和内存阈值在0.7到0.9间变化，变化间隔为0.01.不同实验中，设定服务器数量与VM数量相同.对于IDPSO算法，设定最大迭代次数为100次，种群大小为200.对于Best-Fit策略，其首先得到一个可以部署特定VM集合的服务器，然后选择资源浪费最小的服务器用于该VM.对于First-Fit策略，其从第一个服务器开始搜索，将VM分配到它遇见的第一个满足需求的服务器上.对于Worst-Fit策略，其与Best-Fit策略相反，即选择资源浪费最大的服务器用于该VM.4.2 IDPSO算法的收敛性分析图2显示了本文IDPSO算法的收敛性.其中，VM和服务器数量都为150，粒子数量为200，程序运行200次迭代.可以看出本文IDPSO算法在迭代过程中的收敛速度非常快，大约在50代后几乎收敛到最优解.为了保证算法收敛，同时考虑算法执行时间，在之后的实验中，设置最大迭代次数为100次.4.3 不同VM数量下的资源浪费首先，在不同VM请求数量下，评估4种方案产生的VM分配方案的性能，结果如图3所示.可以看出，随着VM数量的增加，总的资源浪费也会增加.其中，本文提出的IDPSO资源分配方案的性能最好，在所有情况下资源浪费最小.Worst-Fit方案获得了最高的资源浪费，随着VM的增加而急剧恶化，Best-Fit方案略微优于First-Fit方案.这是因为First-Fit、Best-Fit和Worst-Fit都是基于简单贪婪算法的方案，且缺少全局信息.因此，用这些方法可以得到局部最优，但很难获得全局最优.而本文IDPSO方法中，遍历了一个巨大的解空间，基于资源浪费感知的适应策略得到了一个最优的VM分配方案.4.4 不同VM数量下的服务器使用数量在不同VM请求数量下，观察4种方案产生的VM分配方案中所开启的服务器数量，当一个服务器中存在至少一个VM正在执行，则该服务器为开启状态，否则会被关闭以节省能源.实验结果如图4所示.可以看出，相比于其他方法，本文IDPSO方法始终使用最小数量的服务器.另外，Worst-Fit算法总是激活最大数量的服务器.而First-Fit和Best-Fit方法中使用的服务器数量几乎相等.本文提出了一种IDPSO算法，对传统PSO算法中的参数和运算符进行重新定义，使其离散化；对位置更新中的权重系数进行改进，使其快速收敛.将云资源分配方案编码成一个二维粒子，通过IDPSO获得最优分配方案，尽可能少地开启服务器，以此最小化资源浪费.与现有Best-Fit,、First-Fit 和 Worst-Fit策略相比，本文方案获得了优越的性能.另外，本文方案给出了算法离散化的具体方法，可为其他研究提供有力参考.【相关文献】[1] 蒋本立. 基于“微课”建设的移动云平台的设计[J]. 湘潭大学自然科学学报, 2016, 38(1): 120-122.[2] 王倩, 石振国, 孙万捷,等. 基于PEPA的云计算资源分配算法性能评价[J]. 计算机应用研究, 2015, 32(4):1179-1183.[3] WANG Z, SU X. Dynamically hierarchical resource-allocation algorithm in cloud computing environment[J]. Journal of Supercomputing, 2015, 71(7):2748-2766.[4] 刘加海, 杨茂林, 雷航,等. 共享资源约束下多核实时任务分配算法[J]. 浙江大学学报:工学版, 2014, 48(1):113-117.[5] JIANHUA G U, JINHUA H U, ZHAO T, et al. A new resource scheduling strategy based on genetic algorithm in cloud computing environment[J]. Journal of Computers, 2012,7(1):42-52.[6] LIU J, LUO X G, ZHANG X M, et al. Job scheduling algorithm for cloud computing based on particle swarm optimization[J]. Advanced Materials Research, 2013, 66(2):957-960.[7] HU X X, ZHOU X W. Improved ant colony algorithm on scheduling optimization of cloud computing resources[J]. Applied Mechanics & Materials, 2014, 67(8):75-78.[8] 许波, 赵超, 祝衍军,等. 云计算中虚拟机资源调度多目标优化[J]. 系统仿真学报, 2014, 26(3): 592-595.[9] 杨建辉, 吴聪. PSO结合SA优化算法的无线传感器网络路由协议[J]. 湘潭大学自然科学学报, 2015, 38(4): 98-104.[10] DASHTI S E, RAHMANI A M.Dynamic VMs placement for energy efficiency by PSO in cloud computing[J]. Journal of Experimental & Theoretical Artificial Intelligence, 2015,28(1):1-16.[11] YANG Z, QIN X, LI W, et al. Optimized task scheduling and resource allocation in cloud computing using PSO based fitness function[J]. Information Technology Journal, 2013, 12(23): 7090-7095.。
改进型离散粒子群优化算法在函数优化中的应用研究引言：随着计算机技术的飞速发展，函数优化问题在工程、经济和科学等领域中变得愈发重要。
为了解决这些函数优化问题，离散粒子群优化算法被提出并取得了良好的效果。
然而，传统的离散粒子群优化算法也存在一些局限性和问题。
为了进一步提升算法的性能，研究人员提出了改进型离散粒子群优化算法，并在函数优化问题中应用。
本文将探讨改进型离散粒子群优化算法在函数优化中的应用研究。
一、传统离散粒子群优化算法的概述离散粒子群优化算法是基于自然界的鸟群觅食行为提出的一种启发式优化算法。
该算法采用群体优化的思想，通过模拟粒子在解空间中的搜索和迭代过程，寻找最优解。
传统离散粒子群优化算法的基本步骤包括初始化种群、更新每个粒子的速度和位置、更新最优解和全局最优解等。
二、传统离散粒子群优化算法的优点与不足传统离散粒子群优化算法具有以下优点：1.算法思想简单，易于实现。
2.具有全局搜索能力，能够找到全局最优解。
然而，传统离散粒子群优化算法也存在以下不足之处：1.算法收敛速度慢，在处理复杂函数优化问题时，需要较长的时间才能达到较优的解。
2.易陷入局部最优，由于算法只具有全局搜索的能力，而缺乏局部搜索的能力，容易陷入局部最优解。
三、改进型离散粒子群优化算法的研究进展为了克服传统离散粒子群优化算法的不足，研究人员提出了多种改进型离散粒子群优化算法。
以下是几种常用的改进算法：1. 增强的局部搜索能力为了解决传统离散粒子群优化算法易陷入局部最优的问题，研究人员引入了增强的局部搜索能力。
具体而言，可以使用变异操作、局部搜索算子等方法来增强算法的局部搜索能力，使得算法更容易跳出局部最优解。
2. 改进的权重更新策略传统离散粒子群优化算法中，权重更新策略是一个关键因素。
研究人员提出了改进的权重更新策略，例如线性递减权重更新策略、自适应权重更新策略等。
这些策略可以提高算法的搜索能力和收敛速度。
3. 引入混沌搜索策略混沌搜索策略是一种随机搜索策略，可以在搜索空间中进行无序的搜索。
采用粒子群算法优化配置限流电抗器的研究及应用茅嘉毅;蒋平;胡伟【摘要】随着电网规模的扩大,母线短路电流不断增大.目前常采用加装限流电抗器的方法来限制500kV电网的三相短路电流.文中提出一种采用粒子群算法优化配置限流电抗器的方法,在满足限制短路电流的前提下,加装电抗器的数量和总阻抗最小,同时保证系统正常运行.通过在IEEE30节点系统的测试,以及与枚举法结果的比较,验证了该方法的实用性和可靠性.采用该方法限制江苏电网短路电流,取得很好的效果,达到设计的要求.【期刊名称】《江苏电机工程》【年(卷),期】2010(029)005【总页数】5页(P21-25)【关键词】粒子群算法;优化配置;限流电抗器;限制短路电流【作者】茅嘉毅;蒋平;胡伟【作者单位】东南大学电气工程学院,江苏,南京,210096;东南大学电气工程学院,江苏,南京,210096;江苏省电力公司调度通信中心,江苏,南京,210024【正文语种】中文【中图分类】TM471随着我国电力系统负荷的迅速增长以及大容量发电机的不断投入，电网规模进一步扩大，500 kV枢纽变电站高压侧三相短路电流已经面临着超过断路器遮断电流的威胁，严重降低了系统抗风险能力和调度灵活性。
目前，可以用来限制500 kV超高压系统三相短路电流的方法分为两类，一类是调整电网结构，另一类是加装限流设备。
调整电网结构的措施包括：发展更高电压等级电网、采用直流输电、电网分层分区、母线分段运行、环网解环等[1]。
其中前2种措施能从根本上解决短路电流过大问题[2，3]，但是这些措施从开始设计到实际应用需要较长时间，而且投资巨大。
后3种措施相对简单，易于应用，但是会对系统供电可靠性和稳定性带来不利影响。
基于以上原因，现在主要采用加装限流设备的方法限制短路电流。
限流设备包括：限流电抗器（也称串联电抗器，后简称串抗器），电力电子故障限流器和超导故障限流器[4]。
采用加装限流电抗器限制短路电流的技术已经非常成熟，并成功应用在巴西、美国、中国上海等地[5，6]。
基于改进粒子群算法的电力工程数据多目标优化方法
杨宝杰;石凯元;陈佳凯;梁富军;梁悦
【期刊名称】《电子设计工程》
【年(卷),期】2024(32)5
【摘要】针对电力工程项目信息处理过程中存在的计算精度低、处理速度慢等问题,文中提出了基于改进粒子群算法的电力工程数据多目标优化方法。
在综合考虑
多方面影响因素的基础上构建了电力工程数据多目标优化模型,提出了非支配排序
改进粒子群(NSIPSO)算法。
其针对传统粒子群算法初期搜索能力弱、后期收敛速
度较慢的不足之处,将惯性权重、飞行时间与学习参数加以改进,同时还结合非支配排序算法和精英保留策略,实现了多目标模型的快速、精准求解。
仿真算例结果表明,与NSPSO算法相比,所提NSIPSO算法仅迭代27次即可达到计算精度为0.01%的收敛指标,且多目标优化模型得到决策结果的综合模糊隶属度达3.2,能够为电力
工程项目提供更合理、均衡的策略。
【总页数】5页(P95-99)
【作者】杨宝杰;石凯元;陈佳凯;梁富军;梁悦
【作者单位】国网北京市电力公司电力建设工程咨询分公司
【正文语种】中文
【中图分类】TP277;TN99
【相关文献】
1.基于改进混沌粒子群算法的多源独立微网多目标优化方法
2.一种基于改进多目标粒子群算法的脱硫系统优化运行策略方法
3.浅析大数据产业下智慧经济发展模式
4.基于改进的粒子群算法的多目标混合流水车间调度研究——评《粒子群优化算法及其在电力电子控制中的应用》
5.基于改进粒子群算法的火电机组锅炉燃烧多目标优化
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进粒子群算法的路径优化问题研究路径优化问题是指在给定的网络或图中找到最短路径或最优路径的问题。
而基于改进粒子群算法（Improved Particle Swarm Optimization，IPSO）的路径优化问题研究，主要是通过引入一些改进策略，提高传统粒子群算法的能力和优化效果，以更快、更准确地找到最优路径。
首先，IPSO算法通过优化粒子的初始化方式，提高了算法的能力。
传统粒子群算法的粒子初始化往往是随机的，而IPSO算法可以根据问题的特点进行设计，使得粒子初始位置更接近最优解，减少空间，提高算法的收敛速度。
其次，IPSO算法引入了改进的粒子更新策略，以提高收敛性。
传统粒子群算法中，粒子的速度更新是通过全局最优和个体最优位置进行计算的，而IPSO算法中，除了考虑全局最优和个体最优位置外，还引入了历史最优位置和当前最优位置，通过综合考虑多个位置信息，更好地引导粒子朝着最优解靠近，提高算法的收敛性。
另外，IPSO算法还采用了多个种群的策略，以增加算法的多样性和能力。
传统粒子群算法只有一个种群，而IPSO算法通过划分多个种群，每个种群中的粒子按照特定规则进行，可以从多个方向同时，增加了算法的全局能力，避免陷入局部最优解。
最后，IPSO算法还引入了自适应的惯性权重机制，以进一步提高算法的收敛性和优化效果。
传统粒子群算法中，惯性权重往往是固定的，而IPSO算法中，根据算法的过程动态调整惯性权重，使得算法在初期注重全局，在后期注重精确局部，提高了算法的优化效果。
综上所述，基于改进粒子群算法的路径优化问题研究，通过优化粒子初始化、改进粒子更新策略、引入多个种群和自适应的惯性权重等策略，可以更快、更准确地找到最优路径。
这些改进策略不仅提高了算法的能力和收敛性，而且增加了算法的多样性和全局能力，是路径优化问题研究领域具有潜力的一种算法方法。
基于改进粒子群优化算法的排课问题王念桥;姚四改【摘要】深入分析了排课问题,提出一种基于离散粒子群的排课算法,构建了相应的解题框架.针对粒子群算法有后期收敛速度慢、易收敛于局部最优的缺点,结合排课问题的特点,对粒子群算法作了改进.在三维空间中建立模型,采用避免冲突的种群初始化加快收敛,并且引入变异操作避免陷入局部最优等.实践表明改进后的粒子群算法能有效地解决排课问题.%After analyzing the problems of curriculum scheduling, an algorithm based on discrete particle swarm algorithm for the curriculum scheduling was proposed, with a framework for solving the problem. Because the particle swarm algorithm has a slow convergence speed during late period of its iterations and can easily be trapped in local optimal solution, an improved algorithm was applied with fully considering the features of curriculum scheduling. The algorithm was modeled in three-dimensional space, its particles were initialized with avoiding conflicts, and mutation was introduced to avoid being trapped in optimal solution, etc. The application makes it clear that the proposed algorithm can solve the curriculum scheduling problem effectively.【期刊名称】《计算机应用》【年(卷),期】2013(033)001【总页数】4页(P207-210)【关键词】排课问题;粒子群优化算法;组合优化;变异【作者】王念桥;姚四改【作者单位】武汉职业技术学院电子信息工程学院,武汉430074;武汉职业技术学院电子信息工程学院,武汉430074【正文语种】中文【中图分类】TP301.60 引言排课是教务工作中一项基本工作，其内容是根据授课计划制定出一个合理的、可行的课表。
