自适应变异粒子群算法在交通控制中的应用

提出了自适应粒子群算法结合实数遗传算法中变异算子的混合算法，它能提高算法的收敛性和稳定性。同时，通过对交通路口的通行情况的研究提出了一种新颖的离散交通信号控制模型。此模型以交叉路口各方向车流支路为基本单元，以各支路车流信息为输入，得出交通信号控制的各项性能指标。在此模型的基础上，应用自适应变异粒子群算法实现交通信号优化控制及验证算法。仿真结果表明自适应变异粒子群算法能够有效实现交通信号优化控制。     

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于粒子群优化算法的汽车EPS系统参数优化设计

电动助力转向系统（EPS）与汽车性能的协调是其装车时考虑的首要因素之一。应用多体动力学软件ADAMS建立电动助力转向及汽车动力学模型,提出兼顾转向轻便性和汽车侧向行驶稳定性的目标函数。基于粒子群优化算法（PSO）对EPS系统参数进行优化,得到最优解。最后,进行仿真分析和实车试验。结果表明,EPS参数全局优化后,转向盘操纵力矩峰值降低32.2%,侧向加速度峰值降低29.1%,最大超调量降低41.5%,汽车转向轻便性和侧向行驶稳定性均得到明显改善。     

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。     

基于免疫粒子群算法的飞行控制器参数寻优

提出了一种免疫粒子群混合优化算法.该方法将免疫算法中的基于浓度的抗体繁殖策略与粒子群优化算法相结合.对浓度低的粒子进行促进,对浓度高的粒子进行抑制,因而保持了粒子的多样性,克服了PSO算法易于陷入局部最优点的缺点,寻优速度快.将该方法用于飞行控制器的参数优化设计.仿真结果表明：使用该方法进行参数优化设计获得了优良的飞行控制效果,能够较大地提高飞行控制器参数的设计效率.     

基于禁忌退火粒子群算法的火力分配

火力分配问题是典型的NP完全问题,传统的求解算法存在指数级的时间复杂度。给出具体实用的防空火力分配模型,提出一种基于禁忌搜索与退火粒子群优化的新算法,并针对多种空袭规模的实例进行计算机仿真。仿真结果表明,与禁忌搜索、标准粒子群优化、退火粒子群优化等智能算法相比,新算法在解决火力分配问题时具有更优良的收敛精度和时间性能。     

双尺度变异离散粒子群算法求解背包问题

针对传统离散粒子群算法求解背包问题早熟收敛、精度低等缺点提出一种解决背包问题的双尺度变异离散粒子群算法.利用对当前最优解进行双尺度速度变异,可以实现提高算法局部最优解搜索能力的同时,保持算法的全局搜索能力和逃出局部极值的能力.在算法初期利用粗尺度速度变异可使粒子快速定位到最优解区域,算法后期则通过逐渐减小的细尺度变异可提高算法最优解的精度.粒子位置初始化过程中,把采用贫心策略所得的结果作为一个粒子的初始位置.将改进算法与其他算法比较证明该算法不仅能够有效解决其他算法搜索能力差的问题,同时还提高了最优解的精度和收敛速度.     

面向多目标的自适应动态概率粒子群优化算法

将基于动态概率搜索的粒子群优化(Particle swarm optimization,PSO)算法应用于多目标作业车间调度问题(Flexibleiob shop scheduling problem,FJSP),提出一种新算法.算法在搜索初期利用粒子近邻的平均最优代替传统的单个最优引导搜索,后期用Gaussian动态概率搜索来提高算法的局部开挖能力.然后,引入Pareto优的概念,采用精英集来存放非劣解,提出一种新的适应度值分配方法.此外,在算法中还引入了一种自适应的变异算子来增强解的多样性.最后,用新算法对多组FJSP实例进行测试,并与其他几种方法进行比较,结果表明提出的算法具有较好的搜索性能,是求解多目标FJSP的一种可行方法.     

基于均匀设计和惰性变异的改进微粒群算法

微粒群算法(PSO)是一种随机群体优化算法,相对于遗传算法等其它的进化算法,它模型简单、操作参数少、智能程度高、运算速度快,已受到许多相关领域学者的关注与研究。但是,标准微粒群算法在寻优过程中往往陷入局部最优解,而不是全局最优解。在研究均匀设计与惰性变异的基础上,提出了改进的微粒群算法(UMPSO)。该算法利用均匀设计的思想来确定算法的初始粒子,以使其均匀分布于解空间,从而使算法以更高的概率、更快的速度找到全局最优解;在进化过程中,对惰性粒子以概率为1进行随机变异,则能够更好地保证微粒群的多样性。仿真结果表明,与标准的PSO相比,UMPSO的寻优精度更高、寻优速度更快。     

基于子群混合与变异的微粒群算法及其应用

提出一种子群混合与变异的微粒群算法(SSMPSO),按适应值大小将微粒均匀分为两个子群分别进行目标优化,当子群在一定进化代数内未满足收敛条件时重新混合为一个种群.对混合种群中部分适应值差的微粒实施变异,用适应值好的微粒替代.微粒群反复进行分群进化、子群混合和种群变异操作,直至算法满足终止条件.SSMPSO算法通过几种典型高维非线性函数进行了测试,结果表明其性能明显优于基本微粒群算法.将SSMPSO算法用于常压塔汽油干点软测量,实验表明SSMPSO算法建立的汽油干点软测量模型比用基本微粒群算法所建软测量模型有了很大提高.     

基于激光扫描测距和视频图像处理的集卡定位方法

利用基于激光扫描测距与视频图像处理相结合的方法检测港口集装箱卡车位置,排除了环境变化的干扰,提高了定位精度,并且通过图形处理计算集装箱体之间的距离和夹角,准确的指导集装箱卡车停车以及预调双吊具的状态,从而加快装卸速度,提高了运行效率.     

动态环境下基于种群多样性的微粒群算法

针对现有环境检测和环境响应方法存在的不足,提出了改进的基于微粒自身信息的检测方法,不仅降低了的算法复杂度,而且弥补了常用检测方法的局限性。同时还提出了种群多样性和微粒逃逸行为相结合的新型响应方法,将改进的检测和响应方法应用于各种复杂变化的抛物线函数中,结果表明该算法在动态环境中的有效性。     

基于粒子群优化算法的自抗扰控制器设计

针对自抗扰控制器参数难以整定的问题,提出了基于粒子群优化算法的自抗扰控制器优化设计方法。该设计方法的实质就是选择合适的适应度函数,利用粒子群优化方法对自抗扰控制器的可调参数进行优化。设计方法运算简单,易于实现。对某炮控伺服系统的仿真研究表明,这种方法是可行的。     

正交微粒群算法

基于正交试验设计的最优性以及微粒群中微粒的记忆特征，提出了一种新型的微粒群算法——正交微粒群算法。其主要思想是：利用正交设计的方法产生初始微粒群，以便粒子能够均匀分布在整个解空间上；充分利用微粒的记忆能力，对微粒群进行更新，从而达到对可行解空间进行开发和探索的目的。将该算法应用于四个常见的测试函数，试验结果表明本算法的性能比较优越，并且具有很强的并行性和较大的灵活性。最后，讨论了不同的初始速度和扰动对算法性能的影响。     

基于虚拟标定场的数码相机内参数标定方法

建筑物表面纹理数据获取与真实纹理映射一直是数字城市亟待解决的难点问题,也是真实感图形学研究的重点内容。结合相机成像理论,提出一种基于虚拟标定场的数码相机标定方法,通过一组图像构建虚拟标定场,解算数码相机内部参数,快速自动纠正图像畸变,为实现真实纹理映射奠定基础。并对该方法获得的标定参数进行了实验,证明满足纹理映射的要求。     

基于Metropolis准则的微粒群算法

通过对微粒群算法的分析,指出其早熟收敛的原因,并提出利用Metropolis准则更新微粒的个体经验位置,从而增强了算法的全局探索能力。该算法也可以认为是模拟退火算法中利用微粒群算法的进化公式作为一种新的状态产生函数。通过理论分析阐明了该算法以概率1收敛于全局最优解。实例仿真验证了其有效性。