论文部分内容阅读
随着计算机科学与技术的迅速发展,人们对科学技术提出了新的更高的要求,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(PSO)是一种新兴的智能优化算法,由于其概念简单、收敛速度较快、没有很多参数需要调整且不需要梯度信息,在工程实践中表现出巨大的潜力,并在诸多领域获得了成功应用。但其应用大多是连续优化问题,很少被用来解决离散问题,而现实生活中的许多工程实例只能抽象出离散模型。为此本文在对PSO算法原理进行深入分析的基础上,研究了其在各类离散问题中的应用。首先,采用线性离散时间系统的研究方法对PSO算法的收敛性作了分析,导出了PSO算法的收敛条件。在定性分析PSO参数基础上,提出了一种惯性权重非线性下降策略,并通过仿真实验,得到惯性权重和加速系数的参数确定的指导性规律。其次,以氧化铝生料浆优化调配问题为例研究了PSO算法在0-1组合优化问题中的应用。为提高算法的自适应性,引入收敛率和进化率,自适应动态地调整惯性权值使其非线性下降。将离散二进制PSO和惯性权重改进策略相结合对生料浆优化调配问题进行了求解,仿真结果证实了改进算法的优越性。然后,以交通运输领域中的装卸货任务分配问题为例研究了PSO算法在随机组合优化问题中的应用。提出了一种求解该类问题的离散微粒群算法,通过对标准PSO所求得的微粒位置进行反正切函数变化再取整,保证算法寻优的公平性与合理性。求解实例证实了所提算法有效可行。最后,以企业铁路取送车作业优化问题为例研究了PSO算法在排序问题中的应用。采用引入交换子和交换序的PSO对该类问题求解,由于该算法在求解大规模问题时易陷入局部最优,提出了一种PSO-SA混合算法,通过使用SA对PSO算法的全局最优位置进行优化调整来引导算法跳出局部最优,实例求解比较证实了所提PSO-SA求解大规模问题时切实有效。