一种求解典型JSP的改进离散粒子群优化算法
计 算 机 应 用 研 究
Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ ｓ
Ｖｏ Ｉ ． ３ ０ Ｎｏ ． ８
Ａｕ ｇ ． ２ ０ １ ３
一
种 求解 典 型 Ｊ Ｓ Ｐ的 改进 离 散粒 子 群优 化 算 法
ｔ ｙ ｐ ｉ ｃ ａ ｌ Ｊ ｏ ｂ － Ｓ ｈ ｏ ｐ ｓ ｃ ｈ ｅ ｄ ｕ ｌ ｉ ｎ ｇ ｐ ｒ ｏ ｂ ｌ ｅ ｍ
ＷＵ Ｚ ｈ ｅ ｎ ｇ — ｊ ｉ ａ ，Ｌ Ｕ Ｏ Ｙ ｕ ｅ — ｓ ｈ ｅ ｎ ｇ ， Ｚ ＨＯ Ｕ Ｙ ｕ — ｑ ｉ ｏ ｎ ｇ ， ＨＵ Ａ Ｎ Ｇ Ｓ ｈ ａ ｏ — ｘ ｉ ｏ ｎ ｇ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ ＆ Ｍａ ｔ ｅ ｒ ｉ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ，Ｃ ｈ ｉ ｎ ａ Ｔ ｈ ｒ ｅ ｅ Ｇ ｏ ｒ ｇ ｅ ｓ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｙ ｃ ｉ ｈ ａ ｎ ｇ Ｈｕ ｂ ｅ ｉ ４ ４ ３ ０ ０ ２ ，Ｃ ｈ ｉ ｎ ａ ）
ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｗ ｅ ｌ １ ．Ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｙ ｐ ｉ ｃ ａ ｌ Ｊ Ｓ Ｐ ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｕ ｓ ｉ ｎ ｇ ｔ ｈ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ａ ｎ ｄ ｓ ｔ ａ ｎ ｄ ａ ｒ ｄ ｐ ａ ｔｉ ｒ ｃ ｌ ｅ ｓ ｗａ ｒ ｍ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ，
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ｌ 一 ３ ６ ９ ５ ． ２ ０ １ ３ ． ０ ８ ． ０ ４ １
Ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｄ ｉ ｓ ｃ ｒ ｅ ｔ ｅ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗａ ｒ ｍ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｆ ｏ ｒ
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 Ｊ Ｓ Ｐ ， 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
吴 正佳 ， 罗月胜 ， 周玉琼 ， 黄绍雄
（ 三峡 大 学 机械 与材料 学院 ， 湖北 宜 昌 ４ ４ ３ ０ ０ ２ ）
摘
要 ：针 对 Ｎ Ｐ ・ ｈ ａ ｒ ｄ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
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ａｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ Ｊ ｏ ｂ ・ Ｓ ｈ ｏ ｐ ｓ ｃ ｈ ｅ ｄ ｕ ｌ ｉ ｎ ｇ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｗ ｈ ｉ ｃ ｈ ｃ ｏ ｎ ｔ ａ ｉ ｎ ｅ ｄ Ｎ Ｐ — ｈ ａ ｒ ｄ ｆ ｅ ａ ｔ ｕ ｒ ｅ， ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｄ ｅ ｓ ｉ ｇ ｎ ｅ ｄ ａ ｋ ｉ ｎ ｄ ｏ ｆ ｉ ｍ—
ｐ ｒ ｏ ｖ ｅ ｄ ｄ ｉ ｓ ｃ ｒ ｅ ｔ ｅ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗ ａ ｒ ｍ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ．Ｉ ｔ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｔ ｈ ｅ ｃ ｒ ｏ ｓ ｓ ｏ ｖ ｅ ｒ ｏ ｐ ｅ ｒ ａ ｔ ｏ ｒ ａ ｎ ｄ ｔ ｈ ｅ ｍｕ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｐ ｅ ｒ ａ ｔ ｏ ｒ ｏ ｆ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｔ ｏ ｒ ｅ ａ ｌ ｉ ｚ ｅ ｔ ｈ ｅ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｕ ｐ ｄ ａ ｔ ｉ ｎ ｇ ．Ｉ ｔ ｅ ｍｂ ｏ ｄ ｉ ｅ ｄ ｔ ｈ ｅ ｔ ｈ ｏ ｕ ｇ ｈ ｔ ｏ ｆ ｔ ｈ ｅ ｖ ａ ｉａ ｒ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｓ ｉ ｍｕ ｌ ａ ｔ ｅ ｄ ａ ｎ ｎ ｅ ａ ｌ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｉ ｎ ｔ ｏ ｔ ｈ ｉ ｓ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｔ ｏ ａ ｃ ｈ ｉ ｅ ｖ ｅ ｌ ｏ ｃ ａ ｌ ｓ ｅ ａ ｒ ｃ ｈ ｆ ｏ ｒ ｔ ｈ ｅ ｇ ｌ ｏ ｂ ａ ｌ ｏ ｐ ｔ ｉ ｍａ ｌ ｐ ａ ｔ ｒ ｉ ｃ ｌ ｅ ｎ ｅ ｉ ｇ ｈ ｂ ｏ ｒ ｈ ｏ ｏ ｄ ，ｗ ｈ ｉ ｃ ｈ ｐ ｒ ｅ ｖ ｅ ｎ ｔ ｅ ｄ ｐ ｒ ｅ ｍａ ｔ ｕ ｒ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｏ ｆ ｔ ｈ ｅ
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 。 关 键 词 ：改进 离散粒 子群 ； 作 业 车间调度 ； 遗 传 算法 ； 模 拟退 火 ； 局 部搜 索 中图分 类号 ：Ｔ Ｐ １ ８ ； Ｔ Ｐ ３ ０ １ ． ６ 文献标 志码 ：Ａ 文章 编号 ：１ ０ ０ １ ． ３ ６ ９ ５ （ ２ ０ １ ３ ） ０ ８ — ２ ４ ０ ５ ． ０ ５
粒子群优化算法的改进
粒子群优化算法的研究方向
• 参数的选择与优化. • 参数w 控制了粒子的全局搜索能力与局部搜索能
力之间的平衡,为此如何构造一个惯性权重的自适 应调整模型,达到控制粒子的全局搜索能力与局部 搜索能力之间的平衡是今后研究的一个重要方向. 同时,加速因子c1 和c2 协同控制着算法朝最优解 方向的进化,决定了收敛精度和早熟的平衡问题, 因此如何构造一个加速因子的协调模型同样十分 重要.
• w0-0.5<w<w0+0.1。试验证明该方法提高了 粒子群收敛的精度，加强了全局搜索的能力。
常见粒子群优化算法的改进
• 速度上限选择 • 粒子的最大速度Vmax 控制粒子绝对速度上限，以免
粒子的位置坐标越出搜索空间。标准PSO 算法中， Vmax 取固定值，在大范围搜索 之后，应有细致的局部区域搜索过程。因此，较好的 做法应该是，在PSO 算法的开始Vmax 取较大值，以 利于算法的大范围搜索； 在算法的后期Vmax 取较小 值，以利于算法的局部搜索。例如，给Vmax 引入一 个权重λ=（runmax-run）/runmax，λ 从1 到0 线性递 减。应该说明，通常可以设置Vmax 为整个搜索空间 大小， 例如位置矢量分量-5≤xi≤5， 则可取Vmax=10。 有些研究者认为，已经在速度更新公式中使用了收缩 因子或惯性权重， 最大速度的限制是多余的，至少没 有它也能保证算法收敛。但是， 在许多情况下， Vmax 对最优值的搜索仍有改善作用。
结果显示对单峰函数繁殖法虽略加快了收敛速度却不如基本pso和ga找到的解好而对于多局部极值的函数繁殖pso不仅加快了收敛速度而且找到了同样好或更目前大多数研究者主要还是致力于pso算法的应用研究很少涉及对算法内部机理的数学分析表现pso算法中位置和速度的构造及参数的设计理论不成熟
改进的粒子群优化算法(APSO和DPSO)研究【精品文档】(完整版)
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
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快速聚类算法
基于约束的粒子群聚类算法 ， 利用粒子群的特征在数据集中有指导地随机搜索聚类中心向量 ． 已有的粒子群 优化聚类算法都直接对 ｍ 个聚类中心的ｄ 维样本向量进行编码 ， 当样本维数较大时 ， 计算量也较大 ， 且在进 可能会取到不符合样本实际情况的数值 ． 化过程中 ｄ 维样本的值在一定范围内变化时 ， 在此基础上 ， 笔者提出了一种简化但有效的粒子编码方式 ， 通过计算经过样本属性规范化处理的数据集 的相异度矩阵 ， 结合新的粒子编码方式和相异度矩阵进 行 基 于 粒 子 群 的 Ｋ 均 值 ， 采用了最小化所有样本与 取得了较好的聚类效果 ． 类簇中心距离作为适应度函数 ，
通过直接用样本编号进行编码消除了样本属性维数对算法复杂度的影响如样本数据集含有6个类每类有10个属性按照原算法的编码规则则每个粒子维数为60维而按文中方法编码只有6维减少了计算复杂度文中方法还避免了现有粒子群聚类算法在聚类过程中出现空类簇的情况
２ ０ １ ２年１ ０月 第３ ９卷 第５期
西安电子科技大学学报（ 自然科学版）
聚类作为数据挖掘的一个重要研究分支 ， 被广泛应用于模式识别 、 决策支持 、 图像处理等领域 ， 是最重要 的数据分析方法之一 ． 聚类是根据数据集中样本之间的相关性将其划分为若干类簇的过程 ． 聚类的目的是使 不同类簇之间样本的相似度较小 ． 同一类簇内样本的相似度较大 ， 聚类算法大体上可以分为划分方法 、 层次方法 、 基于密度的方法 、 基于网格的方法和基于模型的方法 ， 其 中划分方法和层次方法最为常用 ． 基于划分的聚类算法主要为 Ｋ －Ｍ 如 Ｋ 中心点方法以及二 ｅ ａ ｎ ｓ及其变种 ， 分划分聚类 ； 层次聚类方法主要有 Ｕ 如利用层次方法的平衡迭代规约和聚类的 Ｐ ＧＭＡ 以及 一 些 改 进 算 法 ， 基于簇间的互联性进行合并的 ＲＯ Ｂ Ｉ Ｒ ＣＨ 算法 、 Ｃ Ｋ 方法以及探查层次聚类动态建模的 Ｃ ｈ ａ ｍ ｅ ｌ ｅ ｏ ｎ 方法 １ ． 基于划分的方法具有简单 、 快速 、 能有效处理大数据集 的 优 点 ， 但 Ｋ 均 值 等 划 分 算 法 对 初 始 质 心 敏 感， 不同
一种改进的粒子群优化算法
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
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
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。
改进元胞粒子群算法求解JSP问题
信 息 通 信
Ｉ ＮＦ ＯＲＭ ＡＴ Ｉ ＯＮ ＆ Ｃ０Ｍ Ｍ ＵＮＩ Ｃ ＡＴＩ ＯＮＳ
２０１ ５
（ 总第 １ ４ ５期）
（ Ｓ ｕ ｍ ．Ｎ ｏ １ ４ ５ ）
改进 元胞粒子群算法求解 Ｊ Ｓ Ｐ问题
吴正佳 ， 蔡保 健 ， 查 靓， 孟荣华， 何 海 洋
２ 元胞 粒子 群 优化 算法
２ ． １元胞 空 间及 邻居 模型
２ ． １ ． １元胞空 间
．
＝ ｃ ａ （ Ｐ ￣ ｂ ｘ ） ＋ ｃ ２ ６ ｆ × ）
．（ ３ ）
元 胞 自动机 中 最 为 常 见 的 空 间 结 构 为 二 维 空 间 ，一 般 有
其中， 表示 粒子 ｉ在第 ｔ代 的位置 ； Ｐ ｂ ， 表示 粒子 ｉ 的历 史 最 优 位 置 ； Ｌ ｉ ｂ 表 示粒 子 ｉ 的邻居 最优位 置 ； “ ＋ ”表
（ １ ）
（ ２ ）
Ｚ件 ＝Ｚ － Ｉ － 件
１作 业 车 间调 度 问题 描述
作 业车间 调度 问题 （ Ｊ ｏ ｂ ． ｓ ｈ ｏ ｐ Ｓ ｃ ｈ ｅ ｄ ｕ ｌ ｉ ｎ ｇ Ｐ ｒ ｏ ｂ ｌ ｅ ｍ， Ｊ Ｓ Ｐ ）
其中 ， ｗ 为惯 性权 重； ｒ 和ｒ ２ 为【 ０ ， １ ］ 上的均匀分布的随机
（ 三峡 大学 机械 与动力学院 ， 湖北 宜昌 ４ ４ ３ ０ ０ ０ ）
摘要 ： 为求解 离散 Ｊ Ｓ Ｐ （ 作业车 间调度 ） 问题 ， 设计 了基 于四方形 网格 的元胞 粒子群 算法。引入 变异 策略增 强 了算法跳 出 局部最优的能 力， 对每代 粒子群引入变邻域搜 索提 高了算 法的局部搜 索能力。 数值 实验表明 ， 改进 的元胞粒子群优化 算
一种改进的粒子群优化算法
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
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。