两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法(TSSPSO),并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群,其中一分群微粒朝着最优微粒飞行,另一分群微粒朝着相反方向飞行;飞行时,每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响,还受到全群最优微粒的影响。搜索时,每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较,结果表明:两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量,建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型,通过与实际工业数据的比较,表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

女权社会主义视域中的现代女性解放问题探论

在置换流水加工环境下,以最小化生产流程时间为目标制定的初始加工方案,由于新工件的到达变得不再最优或不可行,为了降低对原始加工方案的影响,在权衡生产成本和扰动成本的情况下,建立双目标重调度干扰管理模型,对初始最优方案进行调整。针对该模型的特点和问题复杂度,结合微粒群算法强大的全局搜索能力,以及非支配排序遗传算法（NSGA Ⅱ）获得的Pareto解优良的综合性能,提出了一种混合微粒群算法来对问题求解。通过求解经典文献中置换流水车间双目标问题和随机生成的置换流水车间新工件到达问题,结果表明混合算法要优于NSGA Ⅱ和多目标微粒群算法（MOPSO）,同时验证了求解置换流水车间干扰管理问题的有效性。     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

基于GA的工程项目时间-成本均衡理论实证研究

用一个实例验证了基于遗传算法(GA)的工程项目时间-成本均衡优化理论的有效性.作为算法验证的起点,文中先引入一个整数规划模型,用以描述工程项目的时间-成本均衡问题,接着给出一个网络图及其中各项活动的历时和成本选项,作为算法验证的初始数据,最后给出了优化结果.优化结果表明:工程项目的时间-成本均衡优化算法是一种精确、高效、快速的算法,有很好的适用性和推广价值.     

用微粒群算法求解含交易费用的组合投资模型

针对国内证券交易的具体情况，提出了含交易费用的投资组合优化模型。利用微粒群算法对问题进行了求解，并结合实际数据进行仿真。结果表明，利用微粒群算法可以较高的效率求解该模型，且从结果上表明模型的合理性。     

资源约束项目计划资源转移成本优化方法

资源约束项目计划因更接近管理实际而得到广泛应用,但目前的研究未将活动间的资源转移成本纳入优化范围内.实际上,不同资源分配方案产生的资源转移成本差别会很大.在严格区分并清楚定义前、后项活动基础上,考虑资源转移成本的资源约束项目计划模型能优化资源转移总成本,并且求解算法明确、步骤少.     

基于微粒群算法的半导体炉管区调度应用研究

提出了用微粒群算法来解决半导体炉管区的调度问题.给出了算法的具体过程及参数设置方案.实例计算的结果表明,该算法是解决半导体炉管区调度问题可行且高效的方法.     

基于GA的工程项目时间-成本均衡理论研究

在简要介绍遗传算法机理和基本控制参数的基础上,就如何构造工程项目时间-成本均衡遗传算法的染色体、适应值和群体规模等参数进行了分析,并就如何进行交叉和突变操作作了介绍.构建了工程项目时间-成本均衡遗传算法.发展了现有工程项目资源优化理论,根据文中理论编制的计算机软件,可在工程项目管理实践中推广使用.     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

免疫接种粒子群的聚类算法

将粒子群优化算法和K均值算法结合进行聚类分析,同时引入了免疫系统中的免疫接种和免疫选择机制来指导粒子的迭代过程,提出了一种基于免疫接种粒子群的聚类算法,在粒子群迭代的过程中加入免疫接种机制指导粒子的飞行方向,再通过免疫选择机制对接种的结果进行选择,确保粒子种群向更优的方向移动。实验结果证明,基于免疫接种粒子群的聚类算法基本克服了K均值算法容易受初始聚类中心影响的缺点,聚类结果稳定,而且比基于粒子群优化的聚类算法取得了更好的聚类效果。