基于离散粒子群算法的研制费用优化模型

首先给出了武器装备研制费用和效能的期望值模型。通过Delphifa法确定期望值。提出了费用参数矩阵的概念,根据研制武器系统效能等设计值与期望值绝对差最小原则,建立了基于离散粒子群的费用参数优化模型,并进行了仿真实现。结果表明该方法可行,为武器装备研制的性能参数设计和费用优化提供了一种新方法。     

基于细致化仿生的改进粒子群优化算法

粒子群优化(particle swarm optimization, PSO）算法基本思想是试图通过模拟鸟群觅食中的迁徙和聚集等行为获得连续非线性函数的最佳值,其仿生算法产生于对鸟群寻食过程中飞行方向与飞行速度等的隐喻。近年对粒子群算法经典算法的研究,虽然在速度及精度上有所改进,但由于缺乏细致化仿生（precise bionic metaphor, PBM）,改进效果并不太明显。通过在PSO算法中引入飞鸟寻食细致化行为特征隐喻,即在算法中同时导入满意粒子局地细致化寻优和探索粒子随机寻优过程,进而提出了一种新的基于细致化仿生的改进PSO算法;对改进算法和经典算法进行了性能比较,结果显示所提算法在收敛速度和求解精度方面较经典算法有很大程度的改善。     

基于微粒群算法的虚拟仪器参数自适应配置方法

提出了一种利用微粒群算法优化虚拟仪器参数设置的方法。微粒群算法通过模拟鸟类社会性运动的规律,利用群体智能解决组合优化问题,该算法能够迅速有效地进行最优化搜索。将其用于解决仪器参数设置中的多维空间优化问题,具有概念简单,应用方便,计算复杂性低和运算速度快的特点。     

微分进化微粒群算法及其控制

通过对微粒群优化算法的分析,提出了一种用微分方程组描述的微粒群优化算法——微分进化微粒群优化(DEPSO)算法,并利用传递函数对DEPSO算法的收敛性进行分析.在此基础上,通过引入PID控制器以控制DEPSO算法的动态进化行为,以增强微粒产生的多样性,从而改进微粒群优化算法的全局收敛性.仿真结果表明了此方法的有效性.     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

基于粒子群优化算法的USV集群协同避碰方法

针对无人水面艇(unmanned surface vessel, USV)集群在路径规划中的协同避碰问题,提出了基于滚动优化策略结合粒子群优化算法的USV集群协同避碰方法。首先,通过已有雷达、光电等传感器参数指标建立综合视域模型;其次,采取基于正切函数的惯性权重调整结合线性调整学习因子的方法来提高粒子群优化算法的全局搜索能力,同时,在适应度函数中加入转艏角控制来提高路径的平滑性;最后,利用改进后的粒子群优化算法规划出每个综合视域内的路径。仿真实验结果表明,该优化算法能实现USV集群的实时避碰,并快速为USV集群规划出平滑、安全的全局最优无避碰路径。     

资源约束的拼件维修模型与粒子群求解算法

为了获得最优的装备作战单元的拼件维修方案与任务分配方案, 建立了一种同时优化拼件维修方案与任务分配方案的非线性规划模型, 模型中同时考虑了不同任务对武器系统的具体需求、武器系统的客观情况、维修资源约束, 可以最大化地协调任务、装备群与维修资源之间的矛盾, 所以更加贴合实际. 设计了基于粒子群算法的求解算法, 包括算法框架、粒子的表示、初始化、适应度函数、更新方法等. 最后, 应用该粒子群算法对具体实例进行了求解, 分析表明模型与算法可以有效地优化任务分配方案与拼件维修方案, 提高装备作战单元任务成功概率, 为决策者制定决策提供指导.     

基于种群年龄模型的动态粒子数微粒群优化算法

针对微粒群优化算法的早熟停滞缺陷问题,提出了一种基于种群年龄模型的动态粒子数微粒群优化算法. 该算法建立了生物种群年龄模型,将每个粒子划分为不同的年龄段,动态地依据种群环境和个体信息有效地控制种群的粒子数规模;设计了较优粒子的生殖策略和较差粒子的死亡策略,增加群体的多样性和减少冗余计算量,以保证算法获得最优性能. 将此算法与其他改进算法进行比较,仿真测试结果表明,新算法具有较高的全局搜索成功率和效率,计算量显著降低,优化精度显著提高,能够有效地避免算法陷入局部停滞的缺点.     

离散粒子群优化算法研究现状综述

粒子群优化算法(PSO)是一类基于群体智能的新型全局优化方法,近年来其离散化形式和方法受到广泛关注.介绍了PSO的基本原理和更新机制,论述了离散PSO算法的研究进展和应用情况,详细介绍了两种离散化策略的机理、更新方法、计算模式和特点,讨论了离散PSO的发展趋势和进一步研究方向.     

基于粒子群规则挖掘算法的洪灾风险评价模型

运用粒子群优化算法(particle swarm optimization, PSO)进行规则挖掘是一个新的研究热点. 提出了一种基于粒子群规则挖掘算法(PSO-Miner)的洪灾风险评价模型. 基于GIS技术利用该模型对北江流域洪灾风险等级进行了评判, 结果表明: PSO-Miner算法是一种无参数评判的智能方法, 具有较强的全局收敛能力和鲁棒性; 所挖掘的If-Then评判规则能更简单和准确地描述各评价指标与风险等级之间的复杂关系; 总体精度比BP神经网络模型的更高, 而且能客观地反映北江流域洪灾风险实际情况; 与GIS技术结合, 便于分析洪灾风险的空间 格局及内在规律, 具有较好的适用性.     

应用改进微粒群算法求解Job-shop调度问题

针对微粒群算法在求解实际问题过程中会出现早熟的现象,提出一种改进的微粒群算法。该算法利用记忆库来动态调整惯性权重值,增快了算法的收敛速度。同时结合进化、灾变机制避免了算法陷入局部极值的问题。在列出改进算法的具体步骤基础上,通过实际的车间调度仿真实例证明了算法的有效性,可以得到比启发式、遗传算法更佳的调度效果。     

基于自适应量子粒子群算法的FIR滤波器设计

针对量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法的参数控制方式,提出了一种自适应调节方法,该方法根据粒子之间的位置关系来设定参数值,给出了具体的设计思想与实现步骤。然后针对有限脉冲响应(finite impulse response,FIR)数字滤波器的优化设计实质,即多参数优化问题,通过适当的编码方式将改进的QPSO算法(adaptive QPSO,AQPSO)应用在其优化设计中,设计了低通和带通FIR数字滤波器。实验结果表明,AQPSO在收敛速度、鲁棒性及优化效果等方面都优于遗传算法(genetic algorithm,GA)、PSO算法及QPSO算法,说明了AQPSO算法的有效性和可行性。     

基于改进粒子群优化的广义K-分布杂波模型参数估计方法

在杂波建模、仿真和分类识别研究中,杂波模型参数估计是一个重要的内容。广义K-分布杂波模型的散斑分量和幅度调制分量均服从广义Gamma分布,参数估计存在高维、非线性等问题。将改进的粒子群优化算法应用于广义K-分布杂波模型参数估计,采用均匀设计方法初始化粒子群,利用交叉变异策略改善粒子群优化的全局收敛性,该方法能准确地估计杂波模型各参数,计算简单,收敛速度较快,稳定性较好。仿真实验结果表明该方法具有良好的适应性和估计精度,验证了其有效性和准确性。     

基于粒子群算法的同步时序电路初始化

针对同步时序电路的初始化问题,提出了一种新的实现方法。当时序电路中有未确定状态的触发器时,就不能顺利完成该电路的测试生成,因此初始化是时序电路测试生成中的关键问题。时序电路初始化的核心就在于寻找一个测试序列,把电路引导到一个确定的状态。利用粒子群优化算法生成最短的初始化序列,使最优粒子最大限度地初始化电路中的触发器。针对ISCAS’89标准时序电路的仿真结果表明,与其他现有初始化方法相比,该算法能在初始化触发器数量和序列长度上取得更好的结果,证明了该算法的有效性。     

基于改进粒子群算法的系统辨识新方法

提出了一种利用改进的粒子群优化算法对系统进行辩识的方法.该方法是将典型的数学模型的相互组合而构成系统模型的新辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步增强粒子群优化算法的辨识性能,提出了利用一种改进的粒子群优化算法.最后,给出了仿真示例,结果验证了所给的系统辨识方法的合理性和有效性.     

基于粒子群优化的波束空间广义旁瓣相消算法

针对广义旁瓣相消(generalized sidelobe canceller, GSC)算法运算量大, 在波束形成中存在旁瓣较高、稳健性差的问题, 提出一种基于粒子群优化(particle swarm optimization, PSO)的波束空间GSC算法。首先, 建立一种优化自适应转换矩阵将信号处理过程由阵元空间转换到波束空间, 通过减小自由度来降低算法的运算量。其次, 构建最小均方误差适应度函数, 在波束空间中利用压缩因子PSO算法充分利用接收数据的相关性, 缩减与期望信号误差并降低波束旁瓣。所提算法在降低算法运算量的同时, 解决了波束旁瓣过高的问题, 并在低快拍、强干扰条件下具有较好波束形成能力, 算法稳健性好。     

基于最优评价的改进自适应粒子群算法

在求解高维空间中复杂多峰函数的优化问题时,传统的粒子群算法在收敛速度和局部搜索能力等方面表现出严重不足。针对这些问题,提出了一种基于最优评价的改进自适应粒子群算法(IAPSO),引入了改进的速度迭代公式,利用对每次迭代后种群的一系列最优值的评价来控制惯性权重的增幅,并设置对速度和位置的变异机制来防止搜索陷入局部最优。相关实验表明,在对高维空间中的复杂多峰函数进行优化求解时,改进粒子群算法IAPSO的表现比常规粒子群算法更加优越。     

基于改进粒子群优化的非线性最小二乘估计

针对测量数据处理中非线性模型参数估计理论广泛使用的传统牛顿类算法对初值的敏感性问题,提出了一种求解非线性最小二乘估计的改进粒子群优化算法。该算法利用均匀设计方法在可行域内产生初始群体,无需未知参数θ的较好的近似作为迭代初值,而具有大范围收敛的性质;通过偏转、拉伸目标函数有效地抑制了粒子群优化算法易收敛到局部最优的缺陷。给出应用该方法到NLSE的具体步骤,通过仿真实验证明该算法的有效性。     

一种基于粒子群优化的信息隐藏方法

针对以灰度图像为掩体信号的数据隐藏,提出了一种基于粒子群优化技术的空间域信息隐藏方法。该方法首先运用粒子群优化算法快速搜索到一个较优的映射矩阵,然后将待隐藏的信息通过该映射进行置换;最后,将置换结果嵌入到掩体图像灰度信息中。实验结果表明,与基于遗传算法的信息隐藏方法相比,该算法花费时间少,嵌入信息后的图像质量好。