联合SA-PSO和PDA在传感器配准中的应用

对含有系统误差的测量进行配准是准确进行数据关联的前提.实际中,许多不确定性因素导致系统误差,使其演化模型难以建立,从而导致传统配准方法不再适用.为此,提出一种基于优化SA-PSO(simulated annealing particle swarm optimization)的配准算法.由于传感器监视空域经常受到杂波的影响,在利用SA-PSO优化算法对系统误差进行配准时,不仅要考虑外界因素所引发系统误差的不确定性问题,还要考虑目标多个量测的归属问题.基于此,提出一种联合改进退火粒子群优化和概率数据关联的算法SA-PSO-PDA(simulated annealing and particle swarm optimization and probability data association),它综合考虑系统误差的随机性、寻优的最佳化和目标量测的多样性.仿真结果表明了所提算法具有可行性,且能较好地寻优系统误差参数.     

基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法

为了提高SVM分类精度与泛化能力,故提出一种基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法.用量子粒子群算法(quantum particle swarm optimization, QPSO)对SVM进行惩罚因子和核函数参数优化,并针对QPSO算法出现的早熟收敛的问题,采用Levy飞行策略与自适应变异因子对其进行修正.实验仿真结果表明,与其他的智能优化算法相比,所提出的模型具有较高的分类性能和预测精度.     

Exclusive-nor sum-of-sum逻辑及其最小化研究

对DRM(dual Reed-Muller)逻辑的非标准形表示形式和之同或和(exclusive-nor sum-of-sum,ENSOS)进行研究,并给出一种启发式的ENSOS逻辑最小化算法。该算法采用立方体覆盖表示ENSOS,对立方体迭代应用XNOR连接运算实现ENSOS逻辑的化简。为在算法结果质量与算法效率之间进行折中,该算法在进行立方体的XNOR连接时采用前瞻和回溯策略。使用基准函数进行验证的实验结果表明,所提出的算法能够获得更为精简的逻辑表达式。     

认知无线Mesh网络中一种有效的多目标优化频谱分配算法

研究认知无线Mesh网络中多目标优化的频谱分配问题,即最大化总带宽和最小化占用频谱数.利用粒子群优化算法(particle swarm optimization algorithm,PSO)在多目标优化方面的优势,提出基于PSO的多目标优化频谱分配算法PSOSA.PSOSA算法不仅考虑频谱之间的差异,而且重新定义PSO的粒子及粒子的3种运算规则.仿真结果表明:PSOSA算法能在最大化总带宽的同时,最小化频谱占用数.     

Hybrid particle swarm optimization for solving resource constrainted FMS

In this paper, an approach for resource-constrained flexible manufacturing system （FMS） scheduling was proposed, which is based on the particle swarm optimization （PSO） algorithm and simulated annealing （SA） algorithm. First, the formulation for resource-constrained FMS scheduling problem was introduced and cost function for this problem was obtained. Then, a hybrid algorithm of PSO and SA was employed to obtain optimal solution. The simulated results show that the approach can dislodge a state from a local minimum and guide it to the global minimum.     

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。     

Hybrid particle swarm cooperative optimization algorithm and its application to MBC in alumina production

An effective hybrid particle swarm cooperative optimization （HPSCO） algorithm combining simulated annealing method and simplex method is proposed. The main idea is to divide particle swarm into several sub-groups and achieve optimization through cooperativeness of different sub-groups among the groups. The proposed algorithm is tested by benchmark functions and applied to material balance computation （MBC） in alumina production. Results show that HPSCO, with both a better stability and a steady convergence, has faster convergence speed and higher global convergence ability than the single method and the improved particle swarm optimization method. Most importantly, results demonstrate that HPSCO is more feasible and efficient than other algorithms in MBC.     

光伏系统多目标粒子群优化模糊MPPT控制

针对光伏发电系统遭受部分阴影时呈现多峰值、非线性和时变不确定等特性,提出了基于多目标粒子群优化(multi-objective particle swarm optimization,MO-PSO)模糊算法,对最大功率点(maximum power point,MPP)进行追踪控制.该算法对模糊控制的模糊集、模糊规则分别进行多目标粒子群算法优化,同时最小化两个目标函数,以提高光照强度变化时系统对最大功率点跟踪(maximum powerpoint tracking,MPPT)的暂态响应速度和稳态精度.通过对干扰观察法、常规模糊控制方法和多目标粒子群优化模糊控制的仿真波形比较,验证了所提控制策略的有效性.     

基于改进粒子群算法光伏的最大功率跟踪

不断变化的外部环境对光伏列阵的输出有着特殊的影响,为减小能量损失,须对光伏阵列进行最大功率点跟踪(maximum power point tracking,MPPT)。粒子群优化算法(particle swarm optimization,PSO)在多峰值寻优中具有良好的性能,然而粒子在寻优的过程中经常出现过早收敛的现象,导致其寻优精度有所欠缺。为解决以上的缺陷,提出一种改进的自适应粒子群(improved particle swarm optimization,IPSO)与布谷鸟搜索(cuckoo search,CS)混合算法应用于最大功率点跟踪。并在MATLAB/Simulink平台中搭建仿真模型对混合算法进行验证,并与其他方法进行比较,仿真结果证明,改进算法有良好的响应速度和较高的优化精度。     

基于字级表示的多输出MPRM电路极性转换算法

针对多输出MPRM（Mixed-Polarity Reed-Muller）电路的极性转换问题,提出了使用系数矩阵在字级表示多输出布尔函数及其MPRM,并给出了一种极性转换算法。实验结果表明,与位级表示相比,所提出的基于字级表示的极性转换算法可显著缩短多输出MPRM电路的极性转换时间。     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

图像增强技术中的智能算法

提出了一种基于粒子群与模拟退火算法相结合的进化算法.该算法利用模拟退火算法全局收敛性好和粒子群算法收敛速度快等优点，通过交换这两种算法的信息得到最优解.将这种新算法应用于灰度图像的自适应增强，实例计算表明该算法稳定性好，在收敛速度和求解精度方面都优于遗传算法等一些其它进化算法.     

基于离散粒子群优化算法的块匹配运动估计

文章提出了一种基于离散粒子群优化算法的块匹配运动估计算法.该算法将块匹配运动估计的局域性搜索与离散粒子群算法的全局性搜索结合起来,并针对运动矢量的特点,采用了Gray码编码、运动矢量预测以及有效的迭代提前终止准则等策略,克服了以往快速搜索算法容易落入局部最优的问题,在获得与全搜索算法相近的搜索精度的同时,降低了平均搜索...     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题, 提出一种新的基于粒子群优化和模拟退火的混合算法. 该算法将问题规模作为启发式信息, 通过对模拟退火算法引入新的邻域搜索机制--多粒度搜索, 并加入选择优化和淘汰更新机制, 提高了算法的自适应性和自学习能力, 降低了粒子群算法陷入局部最优的可能性. 实验结果表明, 该算法在最优解的求解能力上优于其他算法.     

改进的粒子群优化算法在云计算任务调度中的应用

针对粒子群优化算法在求解云计算任务调度问题中存在的收敛速度慢、精度低、易陷入局部极值等缺陷,综合考虑最大完成时间最少、任务执行总时间最优两个优化目标,提出一种多策略融合的粒子群优化(multi-strategy particle swarm optimization, MSPSO)算法,并将其应用于求解云计算任务调度问题。该算法融合模拟退火算法、饥饿游戏搜索和双重变异限制策略。首先,通过模拟退火算法动态更新惯性权重,平衡粒子群优化算法的全局搜索和局部搜索,帮助粒子跳出局部极值。其次,引入饥饿游戏搜索算法优化粒子位置更新策略,在算法后期加快粒子收敛速度,提高结果精度。最后,采用双重变异限制策略,同时限制粒子速度和位置,避免粒子发生越界。与其他3种粒子群优化算法进行对比实验,在适应度平均值、最小值、标准差3个方面,MSPSO都有更好的表现。通过仿真,在求解不同任务量的云计算任务调度问题中,MSPSO在总成本、适应度值最小化两方面均表现出明显优势。尤其当任务量为40时,MSPSO总成本比其他算法分别降低了14.4%、15.3%、11.2%,适应度值分别降低了10.5%、10.6%、7.6%,...     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

一种改进的求解TSP的粒子群算法

针对粒子群算法解决离散问题时效率较低的问题,提出一种改进算法,通过置换序列实现粒子位置和速度的更新.用TSP问题库内的基准问题进行仿真实验,证明了该算法是有效的.     

基于熵的混合粒子群算法在柔性调度中的应用

为了更好地求解大规模柔性车间调度问题,提高柔性车间调度算法的寻优性能,提出一种基于熵的混合粒子群算法.该算法把粒子群算法、遗传算法和模拟退火算法相结合,同时用种群熵自适应调节惯性系数和变异概率,以增强算法的寻优能力和克服算法的过早收敛.典型实例仿真结果表明,该算法能更好地求解柔性车间调度问题,与传统的优化算法相比,在优化精度上具有明显的优越性.     

Hybrid Intelligent Approach for the Selection of Third-Party Reverse Logistics Provider under Uncertainty

A hybrid intelligent approach is proposed to help the decision maker to select the appropriate third-party reverse logistics provider. The following process is included： firstly,the evaluation team is established to determine the selection criteria and evaluate them by triangular fuzzy numbers; secondly,calculate the weight of criteria by the proposed hybrid algorithm integrating particle swarm optimization（ PSO） and simulated annealing（ SA）; then, the performance evaluation for each supplier is predicted by the proposed self-feedback neural network（ SFBNN） based on the historical data. A numerical example is also presented to interpret the methodology above.