面向组合优化问题的粒子群算法的研究

【摘要】：组合优化问题是典型的NP-hard问题,本文将改进的粒子群算法分别应用于无序组合优化和有序服务组合优化领域。现有的改进粒子群算法存在一些不足,大多数是针对某一具体场景提出不具有普适价值;粒子群算法在搜索最优解的过程中,具有随机性,不能保证组合方案的多样性;大多数算法没有提供个性化接口,且粒子群算法随着粒子的维数变大,其计算量是成指数增长,求解粒子维数大的组合优化问题效率低等问题。本文在面向无序组合优化问题时,在粒子群算法中引入混沌搜索方法,提出一种新型混沌粒子群算法(Chaos Particle Swarm Optimization,CS-PSO)。通过在粒子群算法中引入混沌理论,改进算法的初始化阶段和更新阶段,使用一套全新的初始化和更新规则,使得算法整体搜索效率提高,具有良好的全局搜索能力和适应性,有效的解决粒子早熟问题,并保证最终组合方案的多样性。在算法的适应度函数中,引入个性化约束和一般约束的概念,使算法具有个性化接口,可以用来求解具有个性化的组合优化问题。本文在面向有序服务组合优化问题时,所选择的应用场景是Web服务组合优化领域。Web服务组合优化不仅是NP-hard问题,服务和服务之间还需要考虑逻辑顺序关系,因此要找到最佳服务组合方案是难上加难。本文针对具有逻辑顺序关系的Web服务组合优化问题提出一种基于捕食搜索的混沌粒子群算法(Predatory Search-Based Chaos Particle Swarm Optimization,PS-CTPSO),通过在粒子群优化算法中引入捕食搜索策略和具有混沌性质的余切序列方法,根据Web服务的特点,进一步优化初始化和更新阶段,并且通过逻辑优化,确保了算法的搜索效率和Web服务组合的多样性。最终,本文针对两个算法,分别构建个性化早餐推荐系统(Friend)和最佳Web服务组合推荐系统(Best Web Service Combination Recommendation System,BestWS),并通过和主流算法进行实验对比,实验表明,本文算法推荐的组合方案更高效、合理,本文算法在组合优化领域具有一定的应用价值。