随机装卸工问题的新型混合粒子群算法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (24): 192-196.

随机装卸工问题的新型混合粒子群算法

王红1，赵培怡2

1.山东轻工业学院财政与金融学院，济南 250100
2.山东省教育招生考试院，济南 250011

出版日期:2012-08-21 发布日期:2012-08-21

New hybrid particle swarm optimization algorithm for stochastic loader problem

WANG Hong1, ZHAO Peiyi2

1.School of Finance, Shandong Polytechnic University, Jinan 250100, China
2.Shandong Provincial Academy of Education Recruitment and Examination, Jinan 250011, China

Online:2012-08-21 Published:2012-08-21

摘要/Abstract

摘要： 提出随机装卸工问题并将其转化为确定性问题，给出了其求解策略。针对粒子群算法简便实用但易过早收敛的问题，提出了一种结合人工免疫算法的新型混合粒子群算法，将该算法运用于求解随机装卸工问题。数值算例的计算结果表明：与基本粒子群算法相比，改进的粒子群算法在求解随机装卸工问题上表现出的求解精度和速度都十分理想。

关键词: 随机装卸工问题, 粒子群算法, 人工免疫

Abstract: The stochastic loader problem is proposed and converted to a deterministic program. As a new computational method for the combinatorial optimization problem, the Particle Swarm Optimization algorithm is simple and effective, but it does suffer from the premature convergence. In order to overcome this problem, a new hybrid Particle Swarm Optimization algorithm combined with Artificial Immune Algorithm is proposed and used to solve the stochastic loader problem. Numerical examples show that compared with the basic Particle Swarm Optimization algorithm, the new hybrid particle swarm optimization algorithm has higher efficiency and reliability.

Key words: stochastic loader problem, Particle Swarm Optimization（PSO）, artificial immune

王红1，赵培怡2. 随机装卸工问题的新型混合粒子群算法[J]. 计算机工程与应用, 2012, 48(24): 192-196.

WANG Hong1, ZHAO Peiyi2. New hybrid particle swarm optimization algorithm for stochastic loader problem[J]. Computer Engineering and Applications, 2012, 48(24): 192-196.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[7]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[8]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[9]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[12]	刘喜梅，潘立军. 求解公共自行车再平衡问题的克隆选择算法[J]. 计算机工程与应用, 2020, 56(11): 252-258.
[13]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[14]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[15]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.