混合整數規劃的粒子群演算法

Ⅰ 什麼是混合整數線性規劃模型

混合整數線性規劃是整數線性規劃模型的一種。
整數線性規劃模型分類:
若i={0,1},j={1,…,n},即全部的決策變數僅取0或1,稱之為0-1規劃;
若j是{1,2…n}的非空真子集,即僅有部分決策變數要求取整數,稱為混合整數線性規劃;
若j={1,2,…n},即全部的決策變數都取整數,稱為純整數線性規劃;

Ⅱ 粒子群演算法解決實際問題時 其維度如何與實際問題相對應

要明白粒子群演算法中，粒子的位置即代表了問題的解，例如你需要求一條路徑 路徑上假定N個節點 那麼N即是這個粒子中的維度

Ⅲ pso的優化求解

PSO演算法被廣泛應用於各種優化問題，並且已經成為優化領域中的一個有效演算法。除了普通函數優化之外，還包括如下方面。
混合整數非線性規劃
很多求解整數規劃的演算法是在採用實數域的演算法進行優化後，再將結果取整作為整數規劃的近似解。這種做法常常導致不滿足約束或遠離最優解。譚瑛提出一種在整數空間中直接進行進化計算的PSO演算法。劉釗針對混合整數非線性規劃中可行解產生代價較高的問題，建立了保證都是合法解的備用微粒庫，並提出微粒遷移策略，幫助微粒跳出局部最優。
雜訊和動態環境
動態系統的狀態會經常改變，甚至可能會連續變化。許多實際系統都會涉及到動態環境。例如，由於顧客的優先順序、意外的設備維護等導致的變化，調度系統中大多數計算時間都被用來進行重新調度。在實際應用中，這些系統狀態的變化就需要經常進行重新優化。
最初使用微粒群演算法跟蹤動態系統的工作由Carlisle提出，通過周期性地重置所有微粒的記憶來跟蹤動態系統。Eberhart也採用類似想法；之後Hu提出一種自適應PSO演算法，能夠自動跟蹤動態系統中的不同變化，並在拋物線benchmark函數上對不同的環境檢測和響應技術進行了實驗，其中使用的檢測方法是監控種群中最優微粒的行為。後來Carlisle使用搜索空間中的一個隨機點來確定環境是否發生變化，但是這需要集中控制，與PSO演算法的分布式處理模型不符。為此Cui提出TDPSO演算法，讓最優歷史位置的適應值隨著時間減小，從而不再需要集中控制。Blackwell在微粒的更新公式中添加了一項懲罰項，來保持微粒處於一個擴展的群中，以應對快速變化的動態環境，該方法中不需要檢測最優點是否發生變化。
Parsopoulos等的試驗表明，基本PSO演算法就可以有效而穩定地在雜訊環境中工作，且在很多情況下，雜訊的存在還可以幫助PSO演算法避免陷入局部最優。Parsopoulos還通過試驗研究了UPSO演算法在動態環境中的性能。Pugh提出一種抗雜訊的PSO演算法。Pan將假設檢驗和最優計算預算分配（OCBA）技術引入微粒群演算法，提出PSOOHT演算法，來解決雜訊環境下的函數優化問題。
上述工作的研究對象都是簡單的動態系統，所採用的實驗函數是簡單的單模函數，並且所涉及的變化都是簡單環境下的均勻變化（即固定步長）。而事實上，實際的動態系統經常是非線性的，並在復雜的多模搜索空間中非均勻變化。Li採用四個PSO模型，對一系列不同的動態環境進行了對比研究。
上述方法均是針對僅跟蹤單個最優點的情況，

Ⅳ 用粒子群演算法求解線性約束整數規劃的Matlab程序

對粒子群的約束問題涉及的比較少。這兒摘抄下網路的內容：

PSO演算法推廣到約束優化問題，分為兩類：（http://ke..com/view/1531379.htm）
（1）罰函數法。罰函數的目的是將約束優化問題轉化成無約束優化問題。
（2）將粒子群的搜索范圍都限制在條件約束簇內，即在可行解范圍內尋優。

第一種方法有相關論文，看了下，感覺比較適合等式約束情況，比較類似於在適應度函數中加入拉格朗日乘子的做法，如果論文下不到的話，請留言。

第二種做法倒是用過。大概講下。
針對你的問題，初始化兩維向量，但是由於存在不等式約束，所以考慮先初始化向量的第一維，然後動態算出第二維的范圍，隨機出第二維變數。然後就是計算適應度值，全局、局部最優。
更新過程一樣，先更新第一維變數，然後動態計算第二維的范圍，更新第二維，如果更新後超過了邊界，則取邊界值（或者也可以再次重新更新，直到滿足條件，直覺上感覺第一種還好點，第二種可能會出現無法更新的情況），更新完畢後，計算適應度，更新全局、局部最優解。

補充兩個鏈接吧
http://download.csdn.net/detail/yinjian_2004/1567342
論文：基於改進粒子群優化演算法的約束多目標優化

Ⅳ 什麼是混合整數線性規劃(MILP)模型

混合整數線性規劃模型的含義：

線性規劃模型(Linear Programming, LP)：LP的定義比較簡單，它指的就是目標函數是線性的，所有約束也是線性的，最後，決策變數可以取任何的實數。如果在線性規劃問題中有部分決策變數要求必須是整數， 那麼這時的規劃問題就轉變成混合整數線性規劃問題了。

也就是說優化問題不止有條件約束，還有整數約束。

要了解什麼是混合整數線性規劃模型，第一步是要了解什麼是線性規劃模型(Linear Programming, LP)。LP的定義比較簡單，它指的就是目標函數是線性的，所有約束也是線性的，最後，決策變數可以取任何的實數。

舉個例子：

超市裡頭有賣3種食品，玉米，牛奶和麵包，價格，所含的維他命A和卡路里的信息見上表。現在的問題是買多少份的玉米，牛奶，麵包，使得總價格最低，而維他命A的總攝取量不小於500但不大於50000，卡路里的總攝取量不小於2000但不大於2250。

現在回到之前的問題，如果在線性規劃問題中有部分決策變數，比如上面的X_corn要求必須是整數， 那麼這時的規劃問題就轉變成混合整數線性規劃問題了。

Ⅵ 什麼是粒子群演算法

Eberhart和Kennedy於1995年提出了粒子群優化演算法(PSO)[66]｡PSO與GA有很多共同之處

Ⅶ 遺傳演算法、粒子群演算法、蟻群演算法，各自優缺點和如何混合請詳細點 謝謝

遺傳演算法適合求解離散問題，具備數學理論支持，但是存在著漢明懸崖等問題。
粒子群演算法適合求解實數問題，演算法簡單，計算方便，求解速度快，但是存在著陷入局部最優等問題。
蟻群演算法適合在圖上搜索路徑問題，計算開銷會大。
要將三種演算法進行混合，就要針對特定問題，然後融合其中的優勢，比如將遺傳演算法中的變異運算元加入粒子群中就可以形成基於變異的粒子群演算法。