文山州近10年水资源利用效率评价SLC-PP模型及应用

为科学、客观地评价区域水资源利用效率,提出足球联赛竞争(SLC)-投影寻踪(PP)水资源利用效率评价模型,以文山州2006—2015年水资源利用效率评价为例进行实例分析。通过6个典型高维测试函数对SLC算法进行验证,并将仿真结果与教学优化(TLBO)算法、灰狼优化(GWO)算法、差分进化(DE)算法、混合蛙跳算法(SFLA)、粒子群优化(PSO)算法和帝国竞争算法(ICA)的寻优结果进行比较。从综合、工业、农业、生活和生态环境用水5个方面选取23个指标构建水资源利用效率评价指标体系,应用SLC-PP模型,并基于投影系列均值z及标准差σ构造低水平、较低水平、中等水平、较高水平和高水平5个等级的水资源利用效率评价标准对实例进行评价,并分析近10年的水资源利用效率变化趋势。结果表明:(a)无论是单峰还是多峰函数,SLC算法寻优精度优于TLBO和GWO算法,远优于DE、SFLA、PSO和ICA算法,具有寻优精度高、收敛速度快、极值寻优能力强以及收敛稳定性与可靠性好等特点。(b)SLC-PP模型对实例水资源利用效率评价结果均为:2006—2007年处于低水平,2008—2012年处于中等水平,2013—2015年处于较高水平,水资源利用效率随时间呈提升趋势,且提升趋势显著。     

一种改进的粒子群优化算法

提出一种改进的粒子群算法(EDAPSO).这种改进算法结合分布估计算法的探索能力和粒子群算法的开发能力.首先利用EDAPSO算法解决无约束的问题,并且比较EDAPSO算法与其他三种经典的粒子群算法的结果.无约束问题的实验结果表明:EDAPSO算法可以找到更好的解,并且稳定性更高.然后EDAPSO算法被用来解决含有13个单元的电力系统的负荷经济分配问题.实验结果表明:EDAPSO算法所获得的解比近期文献所报道的解好.     

差分进化算法在气动力参数辨识中的应用

差分进化算法是一种新兴的优化算法,与最小二乘法等梯度类算法相比,它能够进行全局寻优且对初值不敏感,具有广泛的应用前景.建立某型飞机刚体运动的6自由度非线性动力学模型,在叠加一定比例白噪声的情况下获得其仿真数据,使用差分进化算法辨识出该型飞机的纵向运动气动力参数,辨识结果与真实值较为吻合,证明该算法是可行的.多组试验表明:对于该型飞机的动力学模型和仿真数据,使用差分进化算法的辨识结果与使用最小二乘法、普通粒子群算法的辨识结果相比,具有更高的精度和更强的鲁棒性.     

雷达海杂波反演大气折射率剖面试验分析

讨论了基于5参数法的大气折射率剖面反演技术,利用雷达海杂波携带的传播路径上的环境信息反演大气折射率剖面．通过在我国部分海区试验情况,以某天同时存在表面波导和蒸发波导为例进行验证．试验结果表明：反演值与实际测量值在有效范围内,验证了5参数法反演大气折射率剖面技术在我国海区的适应性．此方法克服了海上条件下大气折射率剖面难于测量的困难,具有实时、方便、易行的特点．     

结合PSO的PF用于雷达海杂波反演大气波导

在利用粒子滤波(PF)进行雷达海杂波反演大气折射率廓线(refractivity from clutter, RFC)时,PF的重要性采样过程中采用的是次优的重要性函数。为了优化采样过程,尝试将粒子群优化算法(PSO)融入PF中(称为PSOPF方法),并将其用于RFC。PSOPF方法是在PF的每一个预测步骤后,把由预测步骤得到的所有粒子作为PSO的初始种群,并把粒子的重要性权重作为其对应的适应度函数值。为了检验PSOPF的可行性和有效性,对PF方法和PSOPF方法分别进行了大量的RFC理想数值试验,并对每次反演的精度进行了方差估计,对所有数值试验结果的方差进行了统计分析。结果显示,基于PSOPF的RFC质量和稳定性总体上明显好于基于PF方法的RFC。     

粒子群算法的改进及其在求解约束优化问题中的应用

在用粒子群算法求解约束优化问题时, 处理好约束条件 是取得好的优化效果的关键. 通过对约束问题特征和粒子群算法结构的研究, 提出求解约束 优化问题一种改进的粒子群算法, 该算法让每个粒子都具有双适应值, 通过双适应值决定粒 子优劣, 并提出了自适应保留不可行粒子的策略. 实验证明, 改进的算法是可行的, 且在 精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等算法.     

A Hybrid Differential Evolution Algorithm Integrated with Particle Swarm Optimization

To implement self-adaptive control parameters, a hybrid differential evolution algorithm integrated with particle swarm optimization （PSODE） is proposed. In the PSODE, control parameters are encoded to be a symbiotic individual of original individual, and each original individual has its own symbiotic individual. Differential evolution （ DE） operators are used to evolve the original population. And, particle swarm optimization （PSO） is applied to co-evolving the symbiotic population. Thus, with the evolution of the original population in PSODE, the symbiotic population is dynamically and self-adaptively adjusted and the realtime optimum control parameters are obtained. The proposed algorithm is compared with some DE variants on nine functious. The results show that the average performance of PSODE is the best.     

基于改进微粒群算法的飞机纵向飞行轨迹优化

为提高飞机纵向飞行轨迹优化的精度和收敛速度,提出了用改进的微粒群算法对飞机纵向飞行轨迹进行优化的新方法。基于质点动力学和能量状态方程,建立了飞机质点运动数学模型;利用庞特里亚金最小值原理,给出了飞机纵向飞行过程优化的目标方程;引入自适应惯性因子,采用罚函数法对轨迹寻优问题进行无约束化处理,基于改进的微粒群算法对纵向飞行轨迹进行了优化,并给出了算法优化流程。使用改进的微粒群算法,得到了Boeing 737-800飞机纵向飞行最优轨迹。优化结果与试验结果的比较表明,该算法可使纵向飞行轨迹快速收敛于最优解,算法具有收敛速度快、精度高的优点。     

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性.     

基于自适应网格混合机制的多目标粒子群算法

当粒子群算法(PSO)解决多目标优化问题时,由于PSO有较快的收敛效果,使得种群在寻优过程中多样性不足,易使算法早熟收敛.为有效设计多目标粒子群算法,提出基于自适应网格混合机制的多目标粒子群算法(ammmMOPSO).该算法采用自适应网格和混合机制的一种双重维护策略,以保证外部存档中的非劣解分布均匀,避免种群快速退化,...     

基于粒子群优化粒子滤波的SC-FDE系统信道估计方法

信道估计是SC-FDE系统中接收机对信道进行补偿的前提,针对该系统经典估计算法PF算法存在的粒子权值退化问题,结合粒子群算法,提出了基于粒子群寻优的改进PF算法的SC-FDE系统时变信道估计方法。在分析SC-FDE系统通信原理和建立信道估计动态空间模型的基础上,分析粒子滤波原理,引入粒子群寻优的思想,通过Logistic映射获得随机粒子序列,并利用PSO算法改善粒子分布区域。利用MATLAB软件将PSO PF算法与LS算法、EKF算法、DFT算法进行仿真对比,仿真结果表明,与其他传统信道估计算法相比,PSO PF算法在高斯噪声与非高斯噪声信道环境中均能有较低的误码率与归一化均方误差,并且在慢时变信道环境中性能更好。     

基于差异演化的粒子群优化算法

针对粒子群优化算法由于缺乏种群多样性而导致早熟收敛的不利因素.提出了一种把差异演化算法中的后代产生机制引入粒子群优化算法的更新规则中以保持粒子群的种群多样性和加快收敛速度的算法.这种思想能有效改善摆脱极值点的能力.基于几个高维测试函数的试验结果显示,该算法在收敛速度快和精度方面都优于粒子群优化算法.     

基于改进的粒子群算法实现阶梯幅度量化相控阵天线的低副瓣

 从统计意义上逼近传统的连续加权分布,利用无约束优化方法求出一组最优量化台阶.在此基础上,提出处理加权宽度的改进约束整数粒子群优化(particle swarm optimization,PSO)算法,实现阶梯幅度量化加权.设计了处理量化幅度权值的Powell PSO混合算法,进一步降低峰值副瓣电平.首次设计星载降水测量雷达(precipitation radar, PR)相控阵天线的低副瓣,改进的PSO算法在寻优能力、算法鲁棒性方面都得到了增强.     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

多交界面热传导方程模型的数值解与参数估计

本文研究了多交界面热传导模型的数值解以及参数估计. 首先,本文运用有限差分法对传热方程和交界面条件进行离散化,将其转换为三对角型线性方程组.然后,基于追赶算法所给出的线性方程组数值解,本文建立了方程参数的非线性规划模型,并设计自适应粒子群优化算法（Particle Swarm Optimization,PSO）. 本文提出的自适应PSO算法对惯性因子实施一种自适应的非线性递减调整策略,以避免群体过早陷入局部极值、提升粒子的寻优精度. 最后,本文以仿真实验比较了自适应PSO算法、标准PSO算法及经典的非线性优化算法如AS（Active Set）算法,IP（Interior Point）算法和SQP算法在参数估计时的性能差异.     

求解非线性约束优化问题改进的粒子群算法

采用粒子群算法处理约束优化问题时，由于约束条件使得解空间成为非凸集合，粒子容易陷入局部最优，因此在搜索过程的不同阶段，提出变步长因子的粒子群算法，实验证明改进的算法在精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等其他一些算法。     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

PSO高斯诱导核模糊c均值聚类算法*

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊c均值聚类算法(PSO Gauss-induced kernel fuzzy c-means clustering algorithm, PSO-GIKFCM)。首先将高斯核函数应用于模糊c聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。