针对利用粒子群优化算法进行多极值函数优化时存在早熟收敛和搜索效率低的问题，提出混合的PSO-BFGS算法，并增强了混合算法的变异能力使算法能逃出局部极值点。通过对三种Benchmark函数的测试结果表明，PSO-BFGS算法不仅具有有效的全局收敛性能，而且还具有较快的收敛速度，是求解最优化问题的一种有效算法。

请引用这些论文： [1] S. Mukherjee和R. Guddeti，“使用加速框架在立体图像中基于深度的选择性模糊”，Springer-Verlag杂志“ 3D研究”，第1卷。 5，没有。 2014 年 3 月。 [2] S. Mukherjee 和 R. Guddeti，“基于立体视觉的稀疏视差估计的视差计算混合算法”，IEEE 第 10 届信号处理和通信国际会议 (SPCOM)，2014 年 7 月。 我的算法采用了一种快速的混合方法（基于块和区域的混合）从校正后的立体图像对进行立体视差估计。 对于来自 Middlebury 立体视觉数据集的三个标准基准图像（Tsukuba、Sawtooth 和 Venus），其错误率分别低至 7.8%、5.3% 和 4.7%，尺寸分别为 384x288、434x380 和 434x383 像素。 该算法在具有 Intel i7-2600 CPU

用蚁群算法进行函数优化时，存在收敛速度慢且易于陷入局部最优解的问题。针对这一现状，提出了一种微粒群和蚂蚁算法相结合的混合连续优化算法，该算法引入微粒群优化操作进行全局搜索牵引，采用网格法进行细密度的蚂蚁局部搜索，从而能很好地应用于求解连续对象优化问题。对若干典型复杂连续函数的实验测试结果表明，该混合算法跳出局部最优解的能力较强，能较快地收敛到全局最优解，并能适于高维空间的优化问题。与最新的有关研究成果相比，该算法不仅寻优精度高，而且收敛速度大幅提高，效果十分令人满意。

一种基于金鹰优化器和灰狼优化器的混合算法

针对标准粒子群算法在优化过程中受初始值影响较大且容易陷入局部极值的缺陷，将鱼群算法中聚群行为的基本思想引入粒子群算法中，据此建立了粒子中心的基本概念，并利用粒子的聚群特性调整粒子的飞行方向与目标位置，从而提出了一种新的混合粒子群算法，旨在改进原粒子群算法的全局收敛能力。为了检验混合粒子群算法的优化特性，采用三种典型的标准函数对五种现行智能算法进行了多方面的测试和比较。实验结果表明，新算法具有良好的搜索精度与速度，有效弥补了标准粒子群算法局部收敛和鱼群算法精度不高的双重缺陷，适用于解决复杂函数优化问题。

护士排班问题（nurse rostering problem，NRP）是多约束条件下的NP难优化问题，目前大多数算法难以在计算时间和求解质量之间达到较好的平衡。针对此难题，提出一种基于整数规划（integer programming，IP）与演化优化（evolutionary optimization algorithm，EA）混合的一种算法机制，分两步对护士排班问题进行求解。第一步采用IP算法求解简化后的NRP，得到一个高质量的初始解；第二步则在初始解的基础上采用演化算法进一步优化而得到更优的结果。实验结果表明，以中国式护士排班问题为例，对比IP VNS（variable neighborhood search）和hybrid EA等四类主流算法，IP EA混合算法能求得更高质量的解。因此，在此类NP难问题的求解上，IP EA混合算法比其他四类算法具有更明显的优势和效果。

样片切割是影响数控皮革裁床皮革加工效率的重要因素,为了提高加工效率,应优化切割路径。样片切割路径受到样片遍历顺序和刀具加工起始位置的影响。将样片切割路径优化归结为广义旅行商问题,用贪婪算法确定刀具加工起始位置,结合模拟退火和蚁群算法对皮革裁床样片切割路径进行优化。仿真实验验证了算法的有效性。

旅行商问题（TSP）是最古老而且研究最广泛的组合优化问题。针对TSP问题，提出一种蚁群与粒子群混合算法（HAPA）。HAPA首先将蚁群划分成多个蚂蚁子群，然后把蚂蚁子群的参数作为粒子，通过粒子群算法来优化蚂蚁子群的参数，并在蚂蚁子群中引入了信息素交换操作。实验结果表明，HAPA在求解TSP问题中比传统算法和同类算法更具优越性。

混合PSO-GA算法的实现。 该存储库是Hsu-Chih Huang和Ching-Chih Tsai在论文“使用混合元启发式GA-PSO算法进行自主机器人导航的全局路径规划”中描述的算法的实现。 指示 如果尚未安装，请安装[PyGame库]（ ） 将所有源文件放在同一目录中。 如果在Windows操作系统下： 使用IDLE打开__main__.py并运行它 如果在类UNIX系统下： 打开一个终端 移至正确的目录 使用python __main__.py运行程序 去做 允许用户选择起始位置和目标位置 允许用户在其他搜索算法之间切换

在高校的教务管理中，排课问题是复杂又关键的环节，科目数量众多，教学资源有限等等因素都制约着排课的复杂程度和结果.排课本质就是将课程、班级在合适的时间段安排到合适的教学位置，是一个NP问题的求解.随着规模的不断扩大，问题求解难度呈指数形式增加，当规模达到一定程度的时候就很难在短的时间内求出最优解.鉴于此，本文提出了遗传-蚁群混合算法，将两种算法混合使用，依靠遗传算法生成信息素分布，利用蚁群算法求最优解.实验结果表明，混合算法提高了排课的效率和课表的合理度.