基于注意力机制的GRU神经网络安全态势预测方法

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit, GRU)编码预测方法,该方法利用GRU神经网络挖掘网络安全态势数据之间的时间相关性;引入注意力机制计算安全指标的分配权重并将其编码为网络安全态势值;利用改进的粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,以加速GRU神经网络的训练。仿真分析表明,所提方法具有更快的收敛速度和较低的复杂度,并且在不同的预测时长下具有较小的均方误差和平均绝对误差。     

基于在线归档技术的多目标粒子群算法

提出一种基于在线归档技术的新型多目标粒子群优化算法. 使用外部集归档,在归档粒子中采用适应值共享技术选出全局最优位置,使得种群多样性得以维持;在粒子群的进化过程中,使用在线归档策略,将归档的粒子合理地引入下一代的种群,淘汰原种群中的不良粒子,从而保证进化过程中种群的优良性. 用Zitzler的两个多目标测试函数评价算法的性能. 结果表明,该算法能快速收敛到Pareto非劣最优目标域,并且解集沿着Pareto非劣最优目标域有很好的扩展性.     

基于执行器能量消耗的并联机器人优化

并联机器人在执行任务过程中的能量消耗特别严重,为此本文以其3个主动执行器的电能消耗最小化为目标对3-RRR平面并联机器人进行尺度优化。在3-RRR机构运动学分析的基础上推导出机构的逆运动学方程,分析了3-RRR机构常见的4种工作模式。采用粒子群算法确定3-RRR机构的连杆和平台质量的最优值。根据优化结果进行仿真和对比分析,结果表明,在4种工作模式下,优化后执行器的力矩值均较小,消耗的电能得以降低,其中工作模式2的性能最佳,在执行相同的轨迹跟踪任务时,其执行器跟踪误差收敛较快,消耗的能量最少。     

一种基于 Pareto 云隶属度的 MOPSO 算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法（multi-objective particle swarm optimization,MOPSO）的收敛性和多样性,提出了一种基于 Pareto 云隶属度的 MOPSO 算法。利用 Logistic 混沌映射优化种群的初始空间分布并融合布谷鸟搜索（cuckoo search,CS）指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价 Pareto 最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集 ZDT 的实验结果表明,改进算法在收敛性和多样性方面较 MOPSO 和 NSGA-Ⅱ有一定优势。     

基于自适应模拟退火的改进混合粒子群算法

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。     

基于分维与粒子群的裂纹扩展在线监测

采用分形计盒维数计算模拟裂纹扩展信号的分维数,运用改进的能量差法自动拾取断裂信号的初至时间,依据时间差定位方法(TDOA)的原理和适应度函数,采用粒子群优化算法(PSO)得到最终的定位结果。试验采用均质的有机玻璃,用铅笔芯断裂信号来模拟裂纹扩展信号,通过在3个已知坐标点做若干次铅笔芯断裂试验,最终得到的定位结果显示,依据时差法原理,采用分形计盒维数与粒子群优化算法的定位方法有其可行性,准确度较好。此方法给结构损伤的定位提供了一个新的思路。     

基于惯性权重自适应改变的混沌粒子群算法

粒子群算法是美国学者受鸟类觅食行为启发提出的一种群体优化算法,在迭代后期易早熟收敛.为此利用混沌运动的随机性、规律性和遍历性的特点对粒子群算法进行优化,提出了一种惯性权重自适应改变的混沌粒子群算法.在算法中对惯性权重进行调整加快算法前期收敛速度,而且加入了变异操作以帮助粒子后期跳出局部极小.最后用测试函数进行仿真实验,结果表明该算法收敛快,寻优能力强,寻优精度高.     

基于多目标离散粒子群的产品服务系统方案配置规则提取

为有效辅助工程师将顾客需求转化为产品服务系统方案,针对其技术特征,提出一种离散粒子群优化算法(DPSO)与帕累托(Pareto)结合的配置规则提取方法.该方法包括建立产品服务系统配置规则模型及构造Pareto-DPSO算法模型.Pareto-DPSO算法基于Sobol序列的频率初始化方法及离散化粒子更新方式,将连续粒子映射到十进制离散空间;并利用Pareto进行多目标下粒子优劣性评价,以获取非支配的最优规则集.以汽车产品服务系统方案配置设计为例,经与常规多目标粒子群算法及DPSO算法对比,验证了该方法对于解决多维空间内产品服务配置规则挖掘的可行性及有效性.     

基于改进量子粒子群算法的无分流换热网络综合

用数学规划法求解换热网络优化问题,当换热网络模型考虑所有分流情况时,会包含大量的连续和离散优化变量,因此对大规模换热网络的优化求解非常困难。相比有分流模型,无分流的网络模型结构简单,变量少,求解难度低。本文以分级超结构模型为基础,建立了无分流换热网络模型,以年综合费用为优化目标,提出用单层改进量子粒子群算法综合无分流换热网络,即在生成无分流换热网络结构变量的同时,生成换热负荷变量。相比有分流同步综合模型,不考虑分流的同步综合模型的复杂度和求解时间显著降低。采用两个典型算例对该方法的有效性进行了验证。     

组合优化策略的改进协同优化方法

为克服传统协同优化方法一致性约束造成的收敛困难和局部最优问题,提出将粒子群优化算法和修正可行方向法结合并引入协同优化.应用粒子群算法获得全局最优解近似,在此基础上应用修正可行方向法进行局部精确搜索.分别以一个典型的二次函数优化问题和一个减速器设计优化问题作为测试实例,优化结果表明,所提出组合优化策略是有效的,同时兼顾了优化效率和精度.