改进双群交换微粒群算法提升离散制造业生产批量计划效果

本文主要探讨了离散制造业中生产批量计划问题的模型与算法，聚焦于改进的双群交换微粒群优化算法（TSE-PSO）。原始的粒子群优化（PSO）算法由Kennedy和Eberhart在1995年提出，作为一种基于群体智能的演化计算方法，因其简单、参数少、速度和鲁棒性受到广泛青睐，特别是在智能计算领域占据显著位置。 TSE-PSO算法针对标准PSO的局限性，即容易陷入局部极值，提出了一种创新策略。该算法将微粒群分为两个子群，第一分群采用标准PSO模型进行进化，而第二分群则采用Cognition Only模型，这种模型只关注认知，不涉及全局搜索。在每个迭代周期，算法会从第一分群中选择适应度值较差的粒子与第二分群中最优秀的粒子进行交换。这样的设计旨在结合两种模型的优点，第一分群保持全局探索，第二分群则提供深度开发的能力，从而降低陷入局部最优的风险。 实验部分展示了这种改进算法在求解复杂优化问题时展现出更好的全局寻优性能和更高的达优率。作者将其应用于Shearlet图像去噪技术，这是一种利用Shearlet变换的特性来处理图像噪声的方法。Shearlet变换允许针对图像的不同尺度和方向特性进行自适应处理。通过改进的TSE-PSO，算法能够根据图像内容动态确定各个尺度和方向的最佳阈值，有效地去除噪声，同时尽可能保留图像边缘信息。 实验结果表明，改进后的TSE-PSO在Shearlet图像去噪方面表现出色，去噪后的图像具有较高的峰值信噪比（PSNR），证明了其在实际应用中的实用性和有效性。该研究不仅提升了PSO算法的性能，也为离散制造业中的生产批量计划问题提供了新的解决策略，对于优化生产过程、提高效率具有重要意义。