一种求解典型JSP的改进离散粒子群优化算法

大连理工大学硕士学位论文改进的粒子群优化算法（APSO和DPSO）研究姓名：张英男申请学位级别：硕士专业：计算机应用技术指导教师：滕弘飞20080601大连理工大学硕士学位论文摘要粒子群优化(PSO)算法由Kennedy和Eberhart于1995年提出，是群体智能优化方法中具典型代表性的算法，具有广泛的应用领域，例如神经网络训练，工程优化等。

PSO的基本思想是群体中的每一个成员通过学习患身和群体中其他成员的信息以决定下一步动作，即一个粒予通过追随两个目标点(分别代表离身信息和其他成员信息) 进行寻优，第一个譬标点为囊身历史最优点，第二个冒标点有两种：～种是种群最优点(称为全局版PSO)，另一种是邻域最优点(称为局部版PSO)。

PSO计算简单有效、鲁棒性好。

僵是，PSO最大弱点是在处理多峰溺数优化闯题时，容易出现晕熟收敛，并且搜索后期的局部搜索能力较差。

如何解决上述问题并进一步提高PSO的性能，～直是PSO 研究的重要开放性课题。

本文的研究目的，～是从理论方法上研究一种性能较好算法，二是从应用上将这种方法既用于高效求解函数优化又用于求解Packing问题，最终期望用它作为求解卫星舱布局设计混合方法中的有效组成部分。

由此，本文尝试从研究修改粒子搜索路径的角度，通过构造新的速度更新公式，提出了两种改进的粒子群优化算法，分别为活跃目檬点粒子群优化(APSO)算法和搽测粒子群优纯(DPSO)算法，并应用予求解匾数优化和约束布局优化问题。

本文的工作主要包括以下两个方面：(1)提出了一种活跃目标点粒子群优化(APSO)算法。

基本思想是，在标准PSO速度更新公式中引入第3个目标点，称为活跃目标点，从而构成新的基于3圈标点速度更新机制的粒子速度更新公式。

APSO的优点是较好地竞服了PSO的早熟收敛问题，并兼具复合形法射线搜索的能力；缺点是增加了一定的额外计算开销。

(2)提出了～种探测粒子群优化(DPSO)算法。

一种改进的粒子群优化算法作者：王皓来源：《山东工业技术》2013年第13期【摘要】为了避免粒子群优化算法早熟收敛，本文提出了一种改进的粒子群优化算法。

为保持解的多样性，采用种群分组策略，并根据邻域内粒子的选择概率，选择粒子。

仿真实验结果表明，本文算法优于GPSO算法。

【关键词】粒子群；多峰问题；邻域粒子群优化算法（PSO）是一种模拟鸟群社会行为的群体搜索算法[1]，是由Kennedy和Eberhart在1995年提出。

粒子群的概念的最初意图是形象地模拟鸟群的优雅而不可预测的行为，目的是发现统御鸟群同步飞行的模式，以及在最优形式重组时突然改变方向的模式。

PSO 的应用十分简单，已经广泛地应用于科学，工程等领域。

虽然PSO算法在解决多数优化问题时表现出色，但在解决复杂的多峰值优化问题时，标准PSO很容易陷入局部最优[2]。

在全连接PSO算法中（GPSO），每个粒子都可以跟其他粒子通信，算法的收敛速度快，但容易陷入局部最优。

一些学者的研究表明，LPSO中每个粒子只与最近的邻居沟通，算法需要更长的迭代次数，但是求得解得质量会更好。

因此本文将GPSO和LPSO相结合，提出基于分组策略的改进的粒子群算法，避免算法陷入局部最优。

1 标准粒子群算法一个由m粒子组成的群体在D维搜索空间中以一定的速度飞行，每个粒子在搜索时，考虑到了自己搜索到的历史最好点和群体内其他粒子的历史最好点，在此基础上进行位置的变化。

粒子的位置和速度根据如下方程进行变化：其中，第i个粒子的位置表示为：xi=（xi1，xi2，…，xiD）；第i个粒子的速度表示为：vi= （vi1，vi2，…，viD），1≤i≤m，1≤d≤D。

c1和c2为学习因子，r1j（t）和r2j（t）是[0，1]的随机数。

yi是粒子i的个体最佳位置，j 表示群内粒子所经过的最好位置。

2 改进的PSO算法在全连接PSO算法中（GPSO），每个粒子都可以跟其他粒子通信，算法的收敛速度快，但容易陷入局部最优。

一种改进的粒子群优化算法摘要： 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。

Abstract: This paper introduces the principles and characteristics of Particle Swarm Optimization algorithm ，and puts forward an improved particle swarm optimization algorithm. It adopted Opposition-Based Learning in initialization to get a better solution and adopted variation model which make some particles generate two corresponding shrink and expand particles and keep the best fitness particle iterate in later iteration to avoid getting into local minumum. The experimental results of classical function show this algorithm improves the global convergence ability and efficiently prevents the algorithm from the local optimization and early maturation. 关键词： 粒子群优化算法；相对基；变异模型Key words: Particle Swarm Optimization （PSO ）；Opposition-Based Learning ；variation model中图分类号：TP301.6 文献标识码：A 文章编号：1006-4311（2011）07-0161-020 引言粒子群优化算法（Particle Swarm Optimization ，PSO ）是一种新型的仿生算法，由Kennedy 和Eberhart 于1995年提出[1，2]。

一种改进的粒子群优化算法作者：金丽兰王志刚夏慧明来源：《价值工程》2013年第23期摘要：粒子群优化算法是由Kennedy和Eberhart[1，2]在1995年提出的一种基于群体智能的随机进化算法，是在鸟群、鱼群和人类社会行为规律的启发下提出来的。

针对粒子群优化算法容易陷入局部极小的缺陷，对粒子群优化算法的速度进化公式进行改进，将粒粒子行为基于个体极值和全局极值变化为基于个体极值的加权平均、全局极值和按概率选择其它粒子的个体极值。

新算法更符合生物的学习规律，使得粒子充分利用整个种群的信息，保证了群体的多样性。

Abstract： Particle swarm optimization algorithm is proposed by Kennedy and Eberhart[1，2] in 1995， which is a stochastic evolutionary algorithm based on swarm intelligence and is inspired by birds， fish and human social behavior. Aiming at the defect that particle swarm optimization algorithm is easy to fall into local minimum， the speed of evolution equation of particle swarm optimization algorithm is improved， the particle behavior of individual extremum and global extreme changing into individual extremum based on weighted average， the global extremum and other particles chosen by probability. The new algorithm is more consistent with the laws of biological learning， making full use of the information of the whole population of particles and ensuring the diversity of the group.关键词：粒子群优化算法；群体智能；进化计算Key words： particle swarm optimization；swarm intelligence；evolutionary computation中图分类号：TP301.6 文献标识码：A 文章编号：1006-4311（2013）23-0235-020 引言算法收敛近年来受到学术界的广泛重视，主要是由于它的速度快、设置参数少、实现简单，现在，粒子群优化算法在模糊系统控制、模式分类、神经网络训练、函数优化以及其它工程领域都得到了广泛的应用。

一种改进的粒子群优化算法粒子群优化（PSO）算法是一种进行全局最优搜索的新的优化算法。

它使用粒子的集体行为来模拟搜索过程，有效地解决了全局优化问题。

然而，现有的PSO算法存在一些缺点，例如收敛性能差，搜索能力受到环境参数限制等。

本文提出了一种改进的PSO算法，改进后的算法可以通过改变粒子群的初始位置和更新规则来提高算法的收敛性能，并增强算法的搜索能力。

关键词：粒子群优化，全局优化，改进，环境参数1论粒子群优化（PSO）算法是一种基于群体行为的全局优化算法，由Kenneth Ostrand，James Kennedy和Russel Eberhart于1995年首次提出。

该算法借鉴了群体寻找粮食的行为，可以实现全局最优搜索。

该算法应用范围广泛，可用于经济、工程、科学等多个领域。

然而，现有的PSO算法存在一些问题，例如收敛性能低，高维搜索的效率较低等。

为了解决这些问题，本文提出了一种改进的PSO算法。

2理粒子群优化算法以群体寻找粮食的行为为基础，以形状及空间位置描述参与优化的搜索单元，在较短的时间内可以完成较大规模的优化搜索。

算法的改进包括以下两个方面：(1)变粒子群的初始位置。

一般来说，PSO算法将所有粒子群初始化在全局搜索区域之内。

改进的PSO算法将粒子群初始化在全局搜索区域的多个子区域中，从而可以有效地改善算法的收敛性能，提高搜索速度。

(2)变更新规则。

粒子群优化算法的粒子在全局视角下进行搜索，但现有的PSO算法的搜索能力有限，无法满足使用者的高维搜索要求。

为了解决这个问题，本文提出了一种改进的更新规则，该规则将原来仅有的全局更新规则和局部更新规则结合在一起，改进后的搜索能力可以超过现有算法。

3验为了验证算法的效果，本文进行了一系列仿真实验，采用DeJong 函数、Rastrigin函数以及Griewank函数进行实验，模拟多维空间中的最优搜索。

实验结果显示，改进的PSO算法比现有算法具有更高的收敛速度和更好的最优性能，这说明改进后的算法可以满足用户对高维最优搜索的需求。

一种改进的粒子群优化算法徐仙伟;杨雁莹;曹霁【摘要】标准粒子群算法能够解决各类优化问题,得到了广泛的应用,也引起很多研究人员的关注.为了提高全局搜索能力,使其不易陷入局部最优,提出了一种新的优化策略.首先,采用了佳粒子的概念,每次更新时,对所有粒子进行排序;然后,在此基础上,对所有的粒子进行评估,衡量每个粒子是否可以保留;最后,删除那些不符合保留要求的粒子,同时生成相应数目的新的粒子,以保持种群的规模,从而提高种群的整体适应性能.实验数据表明,新算法提高了算法的性能,具有更好的全局性能.【期刊名称】《长春工程学院学报（自然科学版）》【年(卷),期】2015(016)004【总页数】4页(P100-103)【关键词】粒子群算法;优化;淘汰【作者】徐仙伟;杨雁莹;曹霁【作者单位】南京森林警察学院信息技术系,南京210023;南京森林警察学院信息技术系,南京210023;南京森林警察学院信息技术系,南京210023【正文语种】中文【中图分类】TP3011995年，受到自然界鸟群运动模型的启发，Kennedy和Eberhart[1]提出了一种基于鸟群运动的优化搜索算法——粒子群优化算法(Particle Swarm Optimization， PSO)。

这种算法的思路是把所求的解在问题空间中可能的位置，视为鸟群在运动模型中的栖息地，然后通过个体之间的信息传递，逐步把求解过程中较好的解出现的可能性提高，并且引导群体中所有的粒子都向着可能的解的位置不断靠拢聚集[1-4]。

经典PSO算法是一种基于智能群体方法的计算技术，优势在于简单而又容易实现，同时又有深刻的生物背景，更进一步而言，也包括其没有许多参数需要调整，具有较高的使用价值。

大量的研究表明经典PSO算法对于单目标优化问题而言，与其他演化算法相比较，其收敛速度更快，需要设置的参数更少，数学描述更加简单[4]。

因此，经典PSO算法得到了很多学者的广泛研究，在很多领域得到了应用，产生了很多研究成果。

改进的粒子群优化算法（APSO和DPSO）研究的开题报告一、选题背景与意义随着计算机技术的不断进步，优化算法在工业、经济、科学和技术等领域中的应用越来越广泛。

粒子群优化算法（Particle Swarm Optimization，PSO）是一种基于群体行为的全局优化算法，由Eberhart和Kennedy于1995年提出。

PSO算法以群体的方式来寻找最优解，具有简单易实现、求解速度快、不需要导数信息等优点，在大多数实际问题的求解中都表现出了较好的性能，因而受到了广泛的关注。

传统PSO算法中存在一些问题，如算法收敛速度慢、易陷入局部最优解等。

为了克服这些问题，许多学者对PSO算法进行了改进，提出了许多变体算法，其中包括自适应粒子群优化算法（Adaptive PSO，APSO）和动态粒子群优化算法（Dynamic PSO，DPSO）。

APSO算法通过根据迭代次数和粒子适应度值等参数自适应调整粒子的速度和位置来增强算法全局搜索能力。

DPSO算法中，每个粒子被分配到不同的环境中，使得粒子能够在更长的时间内探索多样性，从而有效避免陷入局部最优解。

因此，对PSO算法的改进研究对于优化算法的进一步发展和实际应用具有重要的意义。

二、研究内容本课题将对APSO和DPSO算法进行研究，具体工作如下：（1）对PSO算法进行介绍，包括算法原理、框架和基本流程。

（2）阐述APSO算法的原理和流程，并对改进的效果进行分析和比较。

（3）介绍DPSO算法的原理和流程，并对改进的效果进行分析和比较。

（4）通过算例和实验验证两种算法的优化效果。

三、研究方法本研究将采用文献调研和实验分析相结合的方法，具体工作如下：（1）文献调研查阅相关文献，包括PSO算法及其改进算法的原理、研究成果和应用案例等，了解算法的优点和不足，并对改进方法进行分析和比较。

（2）算例分析通过具体的优化问题，验证APSO和DPSO算法的优化效果，分析其相对优缺点，并对算法的参数进行调整和优化。

西京学院《Java Web开发技术》项目报告题目：学生成绩查询系统院系： _____________ 机电技术系________________专业： ___________ 计算机应用技术______________姓名： ________________ 马進___________________学号： _____________________________指导教师： _______________ 张茗芳 __________________20 年月目录一、设计目的 (1)二、 ................................ 设计思路2三、 ................................ 具体实现3四、 ...................................... _项目体会和小结. (6)五、参考文献 (6)一、设计目的1.通过开发具体系统，了解并熟悉JSP2.通过设计并实现系统，逐渐提高自己的开发能力二、设计思路rs二sql.executeQuery(c on ditio n1);查询是否有学号是 number 的学生if(n um>0) returntrue; %>catch(SQLExcepti on e) { retu rn false;} } <%! Stri ng del(Stri ng number) // 删除学号是number 的学生"删除失败";} } else rs 二sql.executeQuery(c on diti on);catch(SQLExcepti on e) { return rs; } }%> 5.数据库信息删除代码 <%! boolea n query(Stri ng n umber)//Conn ecti on con=n ull;Stateme nt sql 二nu ll;ResultSet rs=null;catch(ClassNotFo un dExcepti on e) {}try{ co n 二DriverMa nager.getCo nn ectio n("jdbc:odbc:grade","sa","123456");sql=c on .createStateme nt();Stri ng co nditio n 二"SELECT * FROM stude nts where numbe r = "+ ""'+number+""'rs=sql.executeQuery(c on diti on); i nt nu m=0;while(rs. next()) n um++ ; con .close();else return false ;if(query (nu mber)) { Conn ecti on con 二n ull;Stateme nt sql 二n ull;ResultSet rs=null;catch(ClassNotFo un dExcepti on eve nt) { try{ con 二DriverMa nager.getCo nn ecti on ("jdbc:odbc:grade");sql=c on .createStateme nt();//删除操作Stri ng deleteALL 二"DELETE FROM stude nts WHEREnumber"+" = "+""'+number+""';sql.executeUpdate(deleteALL); con .close();return "删除成功";}catch(SQLExcepti on eve nt){ returnelsereturn "没有这个学号"； }%> 6.数据库获取信息代码 (1) 管理员和登录获取信息 SQL 语句:Stri ng strSQL="select * from logi nwhere xm="+""'+UserNm+"“'+"a nd pw="+"“'+UserPasswd+"“';(2)教师登录获取信息 SQL 语句：Stri ng strSQL="select * from logi n2 where xm="+""'+UserNm+"“'+"a nd pw="+"“'+UserPasswd+"“';(3)学生登录获取信息 SQL 语句：Stri ng strSQL="select * from logi n1 where xh 二"+"'"+xuehao+"'"+"a nd pw 二"+"'"+UserPasswd+"'四、项目体会和小结1.项目体会：本次设计中，我做的题目是：学生成绩管理系统，这个系统对我们来说可 以说是相当的熟悉了，因为在我们的生活中很多时侯都用到这个系统。

４０７４２００９，３０（１７）计算机工程与设计ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＤｅｓｉｇｎ・人工智能・改进的粒子群优化算法靳雁霞１，韩燮２，周汉昌２（１．中北大学电子与计算机科学技术学院，山西太原０３００５１；２．中北大学仪器科学与动态测试教育部重点实验室，山西太原０３００５１）摘要：为改善基本粒子群的全局、局部搜索能力和收敛速度以及计算精度，基于经典ＰＳＯ方法和量子理论基础之上，提出了一种改进的基于量子行为的ＰＳＯ算法１ＱＰｓｏ算法。

新算法中，采用全同粒子系更新粒子位置，并引用混沌思想，对每个粒子进行混沌搜索，试图改善粒子的全局．局部搜索能力和收敛速度以及计算精度。

对经典函数的测试计算表明，改进算法的性能优于经典的ＰＳＯ算法、基于量子行为的ＰＳＯ算法．关键词：粒子群优化算法；量子行为；混沌思想；局部搜索；全同粒子系中图法分类号：ＴＰ３０１．６文献标识码：Ａ文章编号：１０００．７０２４（２００９）１７－４０７４．０３ＩｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍＪＩＮＹａｈ．ｘｉａｌ．ＨＡＮＸｉｅ．ＺＨＯＵＨａｎ．ｃｈａｎｇ（１．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＮｏｒｔｈＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ，Ｔａｉｙｕａｎ０３００５１，Ｃｈｉｎａ；２．ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎＫｃｙＬａｂｏｒａｔｏｒｙｏｆＩｎｓｔｒｕｍｅｎｔａｔｉｏｎＳｃｉｅｎｃｅａｎｄＤｙｎａｍｉｃＭｅａｓｕｒｅｍｅｎｔ，ＮｏｒｔｈＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ，Ｔａｉｙｕａｎ０３００５１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｏｉｍｐｒｏｖｅｆｕｌｌｓｅａｒｃｈｉｎｇａｂｉｌｉｔｙ，ｌｏｃａｌｓｅａｒｃｈｉｎｇａｂｉｌｉｔｙ，ｃｏｎｖｅｒｇｅｎｃｅｒａｔｅａｎｄｃａｌｃｕｌａｔｉｎｇｐｒｅｃｉｓｉｏｎｏｆｅｌｅｍｅｎｔａｒｙｐａｒｔｉｃｌｅｓｗａｒｍ，ｂａｓｅｄｏｎｃｌａｓｓｉｃａｌＰＳＯａｌｇｏｒｉｔｈｍａｎｄｑｕａｎｔａｔｈｅｏｒｙ，ａｎｉｍｐｒｏｖｅｄＰＳＯａｌｇｏｒｉｔｈｍｗｉｔｈｑｕａｎｔｕｍｂｅｈａｖｉｏｒ－一ｃＱＰＳＯａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄ．Ｉｄｅｎｔｉｃａｌｐａｒｔｉｃｌｅｓｙｓｔｅｍｉｓｉｎｔｒｏｄｕｃｅｄｔｏｕｐｄａｔｅｔｈｅｐｏｓｉｔｉｏｎｏｆｐａｒｔｉｃｌｅａｎｄｃｈａｏｓｔｈｏｕｇｈｔｉｓｉｎｔｒｏｄｕｃｅｄｔｏｃｈａｏｔｉｃｓｅａｒｃｈｅｖｅｒｙｐａｒｔｉｃｌｅ，ａｃｃｏｒｄｉｎｇｌｙｉｍｐｒｏｖｉｎｇｔｈｅｆｕｌｌｓｅａｒｃｈｉｎｇａｂｉｌｉｔｙ，ｌｏｃａｌｓｅａｒｃｈｉｎｇａｂｉｌｉｔｙ，ｃｏｎｖｅｒｇｅｎｃｅｒａｔｅａｎｄｃａｌｃｕｌａｔｉｎｇｐｒｅｃｉｓｉｏｎｏｆｅｌｅｍｅｎｔａｒｙｐａｒｔｉｃｌｅｓｗａｒｍ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆｃｌａｓｓｉｃａｌｆｕｎｃｔｉｏｎｓｈｏｗｔｈａｔｃａｐａｂｉｌｉｔｙｏｆｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｉｓｓｕｐｅｒｉｏｒｔｏｃｌａｓｓｉｃａｌＰＳＯａｌ・ｇｏｒｉｔｈｍａｎｄＰＳＯａｌｇｏｒｉｔｈｍｗｉｔｈｑｕａｎｔｕｍｂｅｈａｖｉｏｒ．Ｋｅｙｗｏｒｄｓ：ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＰＳＯ）；ｑｕａｎｔｕｍｂｅｈａｖｉｏｒ；，ｃｈａｏｓｔｈｏｕｇｈｔ；ｌｏｃａｌｓｅａｒｃｈｉｎｇ；ｉｄｅｎｔｉｃａｌｐａｒｔｉｃｌｅｓｙｓｔｅｍ０引言粒子群优化（ｐａｒｔｉｃｌｅＳｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）是一种进化迭代技术，是由Ｋｅｎｎｅｄｙ博士和Ｅｂｅｒｈａｒｔ博士发明的。

一种改进的粒子群优化算法袁琳;苑薇薇【摘要】When the PSO algorithm optimization is used in complex problems,it is likely to be trapped at local minima phenomenon, the exploration and exploitation ability of the algorithm were regulated through introducing two criteria in the evolutionary process, the population-fitness-variance and the population-position-variance to preserve population diversity , which can effectively overcome the problem of premature convergence encountered by PSO. In the middle-end of the algorithm, based on the different expression of the particle, the inertia weight adapted by itself , so it can keep the inertia weight diversity. Finally, in this paper, to test four basic math function can improve the optimization capability of it.%针对基本粒子群算法在处理复杂问题时有可能陷入局部极小的现象,引入群体适应度方差及群体位置方差,协调算法的种群多样性,使之能有效地克服基本粒子群算法容易陷入局部收敛的问题.在算法的中后期,根据粒子的表现不同,自适应调整惯性权重,保持群体惯性权重的多样性.通过选取4个基准函数进行测试,验证了改进算法可提高粒子群算法的优化性能.【期刊名称】《沈阳理工大学学报》【年(卷),期】2012(031)003【总页数】4页(P15-18)【关键词】粒子群算法;种群多样性;惯性权重多样性;基准函数测试【作者】袁琳;苑薇薇【作者单位】沈阳理工大学信息科学与工程学院,辽宁沈阳110159;沈阳理工大学信息科学与工程学院,辽宁沈阳110159【正文语种】中文【中图分类】TP18粒子群优化算法是一种基于种群搜索的群智能进化计算技术［1－2］，在标准PSO(Particle Swarm Optimization，粒子群优化)算法中，惯性权重是非常重要的参数。

一种改进的粒子群优化算法
王德强;罗琦;祁佳
【期刊名称】《计算机工程与应用》
【年(卷),期】2008(44)9
【摘要】粒子群优化算法(PSO)是一种生物进化技术.依据粒子间的相互影响发现搜索空间中的最优解.通过分析基本PSO算法的进化方程,研究了一种具有更好收敛速度和全局收敛性的改进PSO算法.5个典型测试函数的仿真实验表明该改进算法是行之有效的.
【总页数】3页(P80-81,121)
【作者】王德强;罗琦;祁佳
【作者单位】南京信息工程大学,信息与控制学院,南京,210044;南京信息工程大学,信息与控制学院,南京,210044;南京信息工程大学,信息与控制学院,南京,210044【正文语种】中文
【中图分类】TP18
【相关文献】
1.一种改进的粒子群优化算法及其在无人机航路规划中的应用 [J], 李鹏; 李兵舰; 亓亮; 陈凯翔; 李迪
2.一种改进惯性权重的混沌粒子群优化算法 [J], 谷晓琳; 黄明; 梁旭; 焦璇
3.一种改进粒子群优化算法在车辆路径问题的应用研究 [J], 文展;唐康健;李文藻
4.一种改进粒子群优化算法的多机器人地图拼接方法 [J], 陈超;张志昂;丁丽君
5.一种改进的粒子群优化算法 [J], 胡建华;熊伟利
因版权原因，仅展示原文概要，查看原文内容请购买。

一种求解典型JSP的改进离散粒子群优化算法吴正佳;罗月胜;周玉琼;黄绍雄【期刊名称】《计算机应用研究》【年(卷),期】2013(030)008【摘要】According to the Job-Shop scheduling problem which contained NP-hard feature,this paper designed a kind of improved discrete particle swarm optimization algorithm.It introduced the crossover operator and the mutation operator of genetic algorithm to realize the particle updating.It embodied the thought of the variation and simulated annealing algorithm into this algorithm to achieve local search for the global optimal particle neighborhood,which prevented premature convergence of the algorithm well.To solve typical JSP through using the improved algorithm and standard particle swarm optimization algorithm,the calculation results showed that the improved algorithm had a strong capability of global optimization.As for the quality and computation efficiency of integrated solution,the improved algorithm was better than the standard particle swarm optimization algorithm.At the same time,comparing the result of the improved algorithm with other related algorithms in literature,it verified the effectiveness of the improved algorithm.This algorithm can solve the JSP in high quality and effectively.%针对NP-hard性质的作业车间调度问题,设计了一种改进的离散粒子群优化算法.引入遗传算法交叉算子和变异算子来实现粒子的更新,并将变异思想和模拟退火算法思想融入该算法中对全局最优粒子的邻域进行局部搜索,很好地防止了算法出现早熟收敛.通过将该算法和标准粒子群优化算法用于求解典型JSP,计算结果对比表明,改进的算法具有很强的全局寻优能力；就综合解的质量和计算效率而言,改进算法优于标准粒子群优化算法.同时,将该算法结果与文献中其他相关算法结果进行比较,验证了该改进算法的有效性.该算法能够有效地、高质量地解决作业车间调度问题.【总页数】5页(P2405-2409)【作者】吴正佳;罗月胜;周玉琼;黄绍雄【作者单位】三峡大学机械与材料学院,湖北宜昌443002;三峡大学机械与材料学院,湖北宜昌443002;三峡大学机械与材料学院,湖北宜昌443002;三峡大学机械与材料学院,湖北宜昌443002【正文语种】中文【中图分类】TP18;TP301.6【相关文献】1.求解Job-shop问题的改进混合离散粒子群优化算法 [J], 王书锋;肖小城;冯冬青2.一种求解SLA等级感知服务组合问题的多目标离散粒子群优化算法 [J], 尹浩;张长胜;张斌;孙若男;刘婷婷3.一种求解背包问题的改进离散粒子群优化算法 [J], 杨晓燕;温振华4.求解旅行商问题的改进局部搜索混沌离散粒子群优化算法 [J], 程毕芸;鲁海燕;徐向平;沈莞蔷5.改进离散粒子群优化算法求解广义指派问题 [J], 王一川;单甘霖;童俊因版权原因，仅展示原文概要，查看原文内容请购买。