粒子群优化算法改进研究及其在码头调度中的应用

论文摘要

智能算法是一种受自然界中的自然现象或者生物体自身或群体间特性的各种原理和机理而提出具有自适应、自我繁殖和进化能力的计算方法。智能算法具有并行、简易和鲁棒性强等特点,许多学者对此类方法进行了研究和分析,同时也提出了多种改进算法。“没有免费午餐”的计算定理虽然指出没有兼顾计算性能和时间复杂性的算法,但是众多学者的研究表明现在的算法仍然存在很大提升空间,因此如何提高智能算法性能和扩大其应用领域是现在优化算法研究中的重要内容。本文的主要研究内容和成果如下：（1）对粒子群优化算法的研究进行了文献综述,介绍了基本算法的机理、实现方式和问题求解流程,而后对算法的多种改进方式和策略进行了分类介绍,包括基于形式的改进、粒子状态的控制、领域拓扑结构的研究及离散版本的形式。（2）以种群的拓扑结构重建为主要内容,从增加种群多样性和信息交流能力为目的,结合K-means聚类算法和Ring型拓扑结构的特点,提出一种动态的拓扑结构的改进算法（Based on K-means clustering method PSO, KPSO）。在粒子信息交流中,提出两种位置和速度更新方式,并通过Benchmark函数测试比较了KPSO算法与经典PSO的多项性能。在改进框架上,对KPSO重要参数聚类数K和种群规模N的选择进行了组合实验测试。（3）在KPSO的基础上,提出根据形成的各簇在种群中所处的搜索阶段对粒子进行参数自适应调整的算法（Adaptive PSO based on Clustering with Multi-clusters and Heterogeneity, APSO-C）,并从理论上对该算法的收敛性进行了分析和证明。采用标准Benchmark测试函数,将APSO-C算法与基本PSO、 KPSO在种群分布度、寻解能力、收敛性以及参数敏感性等方面进行了实验比较。（4）以船舶靠泊位置最优和在港时间最短为优化目标,在连续泊位划分模式下,同时考虑了泊位分配和岸桥分配问题,提出了针对船舶靠泊时泊位和岸桥分配策略和对于在港船舶进行岸桥分配的策略,并运用本文提出的改进算法对问题进行了求解。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 选题背景及意义
• 1.2 国内外研究现状
• 1.2.1 智能优化技术的研究现状
• 1.2.2 集装箱码头前沿调度研究现状
• 1.3 课题来源和主要工作内容
• 1.3.1 课题来源
• 1.3.2 论文主要工作内容及结构
• 1.4 小结
• 第2章 粒子群优化算法
• 2.1 基本粒子群优化算法
• 2.1.1 粒子群算法的基本原理
• 2.1.2 基本粒子群算法求解流程
• 2.2 粒子群优化算法的研究发展
• 2.2.1 形式上改进
• 2.2.2 粒子状态改进
• 2.2.3 邻域拓扑结构
• 2.2.4 离散版本粒子群算法
• 2.3 小结
• 第3章 具有动态拓扑结构的聚类粒子群算法
• 3.1 算法改进的主要思想
• 3.2 改进算法的设计与实现
• 3.2.1 聚类算法的引入及处理
• 3.2.2 KPSO算法的流程
• 3.3 改进算法的性能测试与分析
• 3.3.1 实验设计
• 3.3.2 实验结果分析
• 3.4 小结
• 第4章 具有多簇异构性质的自适应粒子群优化算法
• 4.1 算法改进的主要策略
• 4.1.1 渐进聚类策略
• 4.1.2 自适应策略
• 4.2 改进算法的求解流程
• 4.3 算法的收敛性数学分析
• 4.4 改进算法的性能测试与分析
• 4.5 小结
• 第5章 集装箱码头前沿联合调度研究
• 5.1 问题描述
• 5.2 泊位-岸桥联合调度数学模型
• 5.2.1 模型参数
• 5.2.2 目标函数
• 5.2.3 约束条件
• 5.3 泊位岸桥联合调度策略
• 5.3.1 泊位分配策略
• 5.3.2 岸桥分配策略
• 5.3.3 泊位岸桥联合调度
• 5.4 调度模型的粒子群算法求解设计
• 5.4.1 问题的求解流程
• 5.4.2 问题的粒子表达
• 5.5 算例研究
• 5.5.1 算例介绍
• 5.5.2 实际案例的优化求解
• 5.6 小结
• 第6章 总结与展望
• 6.1 全文工作总结
• 6.2 未来研究展望
• 致谢
• 参考文献
• 攻读硕士期间发表的论文与参加的科研项目