基于Prüfer数的离散粒子群优化算法在TSP问题中的应用

通过引入Prüfer数编码、归一化运算、粒子的位置矩阵进行模糊化等操作,将连续型粒子群优化算法改造为离散化PSO.并通过构造旅行商问题的度约束最小生成树,利用DCMST的模糊离散粒子群算法求出最优解.采用TSP的测试实例进行仿真实验,证明算法的有效性与实用性.     

几乎Prüfer整环的反向极限

Prüfer整环是交换环理论中一种重要的环类,它在代数数论、同调代数和乘法理想理论等的研究中起着重要的作用.主要研究了Prüfer整环的一种推广―几乎Prüfer整环的性质,给出了如下2个结果:几乎赋值整环的反向极限是几乎赋值整环;几乎Prüfer整环的反向极限在riding假设的条件下是几乎Prüfer整环.但在一般条件下,给出例子说明几乎Prüfer整环的反向极限未必是几乎Prüfer整环.     

基于Prüfer编码的随机图模型生成算法

根据图模型的结构特征和参数特征等要素设计生成随机的模型,根据顶点数与度的大小生成随机结构的CP-nets,其原理是通过改进Prüfer编码得到DAG编码,又建立DAG编码与图结构的一对一映射实现图模型的随机生成。通过设计的占优查询算法与典型的占优查询相结合验证了占优查询算法的时间消耗严重依赖于图拓扑结构的随机性和参数数量的随机性。     

基于粒子群聚类算法的大坝安全监控模型

将粒子群算法与模糊聚类算法相结合,建立了基于粒子群聚类算法的大坝安全监控模型.该算法将分类矩阵作为粒子的编码形式,依据粒子的个体极值和全局极值,充分利用正反馈计算信息,自适应性地确定模糊分类矩阵和聚类中心.工程算例表明:粒子群聚类算法进一步提高了聚类算法的区间预报能力;对于高维优化问题,粒子的搜索过程比较复杂,该算法的收敛速度较慢.     

由正则理想确定的凝聚性研究

设R是交换环,M是R-模,T表示R的有限生成正则理想的集合.引入正则平坦模和正则余平坦模的概念,并利用正则平坦模和正则余平坦模刻画正则凝聚环,证明正则凝聚环刻画的Chase定理.特别地,证明Prüfer环是一类典型的正则凝聚环,证明R是Prüfer环当且仅当可除模是正则余平坦模,当且仅当正则余平坦模的商模是正则余平坦模...     

改进遗传算法在分布式电源选址定容中的应用

提出了基于节点号的Prüfer数编码遗传算法用于分布式电源的选址定容和配电网结构协同优化规划。利用图论生成配电网运行时理论上可行的树型拓扑结构对其按Prüfer数原理编码;用整数编码方式对分布式电源的接入节点和安装容量进行编码使配电网的结构优化和分布式电源选址定容合并为同一染色体基因的进化问题。此编码方法使染色体长度比支路开关二进制编码方式缩短;利用Prüfer数编码的优点对算法中交叉、变异操作进行一定的限制和改进解决了其他编码方式在交叉、变异过程中容易产生非法解及修复难的问题提高了算法效率和收敛速度。最后通过实例计算验证了此算法的可行性和优越性。     

UMV整环的一些性质

证明了若R是Noether整环,则R是UMV整环当且仅当对任意的U∈UTZ(R),有U-1≠R[X],且R中的每个素v-理想高度为1.证明了若R是UMV整环,且R中的极大理想都是v-理想,则R的整闭包R′是Prüfer整环.同时,也给出如果P是R[X]的任意UTZ,且P-1≠R[X],R的整闭包R′是Prüfer整环,则R是UMV整环.     

一类常型Sturm-Liouville问题的渐近分析

考虑[0,π]上一类分离型边界条件的常型S-L问题特征值的渐近表示,利用Prüfer变换,对特征值进行精细的分析,清楚地给出了方程系数q(x)及边界条件中常数sinα,cosα,sinβ,cosβ对特征值的影响.     

一种围数为八的低密度校验码校验矩阵设计

提出了一种低密度校验（IDPC）码的规则校验矩阵设计算法．首先设计3个不同的子矩阵,每个子矩阵通过对单位矩阵进行不同的移位运算后组合生成,然后将这3个子矩阵组合生成所需要的低密度校验矩阵,最后利用文中提到的短环检验算法搜索出使得生成的校验矩阵四环数、六环数均为零的移位算子．用该校验矩阵所对应的生成矩阵对随机信息进行编码,AWGN信道下的仿真结果表明,具有逼近MacKay随机码的误码率性能．     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法（APSO）较强全局寻优、快速收敛的特点和模糊C-均值算法（FCM）对初始值敏感、容易陷入局部最优的缺点,提出一种基于自适应粒子群优化算法的模糊聚类算法（APFM）。新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力。实验表明：新算法与单一的FCM和APSO算法相比聚类更准确,效率更高。     

基于粒子群优化与模糊聚类的社区发现算法

针对现有基于改进的K-means模糊聚类的社区发现算法(k-means algorithm for community structures detection based on fuzzy clustering,NKFCM)执行效率较差的问题,将粒子群算法与模糊聚类算法相结合提出了基于粒子群优化与模糊聚类的社区发现算法(community detection algorithm based on particle swarm optimization and fuzzy clustering,PFCM).该算法首先进行迭代运算,找出初始聚类核心,利用以云模型为运行条件的粒子群优化算法确定最优聚类核心与最佳社区个数,最后利用模糊聚类算法(fuzzy c-means algorithm,FCM)进行具体的社区划分.理论解析与测试结果表明:该算法发现网络社区的准确性较高,且与NKFCM算法相比,PFCM在处理网络数据时执行效率获得了极大地提升.     

基于模糊推理的粒子群优化算法

针对无约束优化问题,提出了基于模糊推理的粒子群优化算法,该算法针对粒子群优化算法搜索能力的不足,先引入平均粒子,然后引入模糊推理来改进粒子群的速度更新公式,再利用模糊推理动态地改进算法惯性权重和速度更新公式的权重因子,再结合混沌扰动增加算法后期的局部搜索能力.数值试验采用12个测试函数并有5个算法进行对比,数值试验证明,改进算法的搜索能力有较大的提高.     

差分变异本质粒子群的模糊熵图像分割

基本本质粒子群算法存在易陷入局部最优以及过早收敛的缺点。在基本本质粒子群算法的基础上,借鉴差分进化中利用差分量对种群进行变异操作的思想,提出了差分变异本质粒子群优化算法。结合图像模糊熵,得到了基于差分变异粒子群优化的模糊熵图像分割算法。算法利用差分变异本质粒子群来搜索使图像模糊熵最大的参数值,得到分割阈值对图像进行分割。通过与其它两种本质粒子群算法的分割结果比较表明该算法取得了令人满意的分割结果,算法运算时间很小,能够满足对煤尘浓度实时精确测量的要求。     

模糊控制在钢缆拖动系统中的应用

建立了钢缆拖动系统的数学模型,并在此基础上生成了对该系统运动控制的模糊控制算法．计算机对误差信号进行计算,输出控制信号操纵滚动圆盘,使机具沿着预定的路径运动．实验结果证明,该模糊控制算法具有较好的控制精度和响应速度．     

Optimization of Unbalanced Multi-stage Logistics Systems Based on Prüfer Number and Effective Capacity Coding

Unbalanced multi-stage logistics systems are optimized using an improved genetic algorithm based on the Prüfer number and the effective capacity coding. The improved decoding procedure uses the node capacity of the logistics system as an important factor, which influences the decoding procedure. As a result, any Prüfer number produced stochastically can be decoded to a feasible logistics pattern, which matchs the node capacities of the logistics system. With effective capacity coding, an unbalanced logistics system can be converted to a set of balanced systems. The effective capacity coding was combined with the Prüfer number to construct the chromosome for the new method to search the whole solution space of the unbalanced multi-stage logistics system. Simulation results show that the new method finds a better solution with less computational time than st-GA. Although using a little more memory, the new method is still an efficient and robust method for optimizing unbalanced multi-stage logistics systems.     

基于模糊粒子群算法的非线性函数优化

针对非线性函数优化问题,提出一种新型的模糊粒子群算法.该算法基于模糊控制器中输入输出的模糊化处理和粒子群寻优的特点.算法在Matlab 2008环境下编程实现,针对几个典型复杂的非线性函数进行优化测试.实现结果表明:模糊粒子群算法是一种简单有效的算法,具有良好的有效性和鲁棒性.     

基于直觉模糊熵的粒子群模拟退火算法

针对智能算法在解决大规模0-1背包问题时易陷入局部最优解、收敛速度慢的问题,提出一种基于直觉模糊熵的粒子群-模拟退火算法(IFEPSO-SA)。采用交换操作和模拟退火机制对粒子群算法中的局部最优解二次优化;然后,以种群直觉模糊熵(IFE)为测度,自适应改变惯性权重,并对种群进行变异操作。测试结果表明,IFEPSO-SA在解决大规模0-1背包问题时有较好的求解质量;仿真实验结果表明,IFEPSO-SA与基于直接模糊熵的粒子群算法(IFEPSO)相比,熵值波动较小,反映出IFEPSO-SA有更好的局部搜索能力,并且IFEPSO-SA在算法收敛速度和求解质量方面都优于IFEPSO以及经典的粒子群算法和模拟退火算法。     

基于粒子群优化的马氏距离模糊聚类算法

为解决传统模糊聚类迭代算法对初始化敏感,易陷入局部最优及处理高维数据时精度下降的问题,对基于马氏距离的模糊聚类算法(fuzzy c-means algorithm based on Mahalanobis distance,M-FCM)进行优化。将马氏距离代替欧氏距离,通过构造类内紧致度、类间分离度与类间清晰度结合的适应度函数,利用粒子群优化算法(particle swarm optimization,PSO)对马氏距离模糊聚类进行研究,提出了基于粒子群优化的马氏距离模糊聚类算法(Mahalanobis distance fuzzy clustering algorithm based on particle swarm optimization,DPSOM-FCM),并将此新算法与FCM(fuzzy c-means algorithm),M-FCM,PSO-FCM,IFPSOFCM(importance for fuzzy clustering algorithm based on particle swarm optimization)算法,在UCI(university of californiairvine)数据库的6个标准数据集上进行实验对比分析。结果表明,DPSOM-FCM算法具有算法收敛性和聚类有效性,并且聚类精确度优于其他算法,对高维数据的聚类识别能力强,即该算法具有全局优化作用。