一种新的混合聚类算法

聚类是数据挖掘的主要技术之一,是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。K-平均算法是经典的聚类算法。蚂蚁聚类算法是近来涌现的新的聚类算法,它通过模拟蚁群的智能行为进行聚类分析,已经在数据挖掘中得到应用。通过分析蚂蚁聚类算法和K-平均算法两种不同聚类算法的基本思想,将两种算法结合得到混合聚类算法,仿真实验证明混合聚类算法的算法性能优于蚂蚁算法和K-平均算法。     

基于递归小波网络的直升机动力学模型研究

提出一种基于递归小波网络建立直升机动力学模型的方法,给出了模型结构并利用粒子群优化算法对小波网络权参数进行调整。这种网络模型利用内部状态反馈来描述系统的非线性动力学特性,不必事先确定系统模型的类别和阶次,直接建立操纵量与加速度、角速度等变量之间的对应关系,从而避免了建立复杂的气动系数、气动导数模型的过程。与传统的机理模型相比,该模型具有结构简单、并行解算程度高、运算速度快的特点。在某型直升机飞行模拟器中取得了良好的应用效果。     

一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

改进的粒子群优化算法结合人工神经网络用于有机物毒性的QSAR研究

介绍了粒子群优化算法和Alopex-B算法的基本原理,提出了一种用Alopex-B算法改进的粒子群优化算法,并将其应用于函数优化和有机物毒性的QSAR研究。结果表明:改进型粒子群算法对复杂的测试函数搜索效率明显提高,应用于有机物毒性的QSAR研究能提高计算的精确度,降低预测误差。     

粒子群优化算法在柔性边缘检测方法选取中的应用

边缘检测是图像处理中很重要的组成部分,其效果好坏直接影响到后面的图像分析。柔性形态变换用于图像边缘检测的方法有多种,粒子群优化(PSO)算法是一种有效的全局优化方法,广泛应用于函数优化,神经网络训练以及模糊系统控制等领域。该文将粒子群算法引入柔性形态学用来选取最佳图像边缘检测方法。实验结果证明,该文所提方法行之有效,值得推广。     

Stability Analysis of Stochastic Swarm Systems

In this paper,we present a model of stochastic swarm system and prove the stability of this kind of systems. We establish the stable aggregating behavior for the group using a coordination control scheme. This individual-based control scheme is a combination of attractive and repulsive interactions among the individuals in the group,which ensures the cohesion of the group and collision avoidance among the individuals. The dynamics of each individual depends on the relative positions between the individuals and the influences of the random disturbances. Under the influences of the noises,this position-based control strategy still generates the stable aggregating behavior harmoniously for the group and the self-organized swarm pattern is formed.     

一种求解属性约简优化的协同粒子群算法

针对粗糙属性约简优化问题,利用粒子群寻求最优解的优势,提出一种改进的粗糙集属性约简优化的协同粒子群算法(AR-CPSO)。在最优属性寻求过程中,该算法使粒子群在属性空间通过约简集向量的分解和邻域簇的协同学习提高其寻优能力,并利用自适应约束强化罚函数较好地收敛到最优目标属性约简集。该算法能始终保持种群的多样性、协作性,并避免过早地陷入局部最优。相关仿真实验表明,AR-CPSO算法能有效地找到全局最优属性约简集,具有较强的属性协同约简优化性能。     

基于影响矩阵及粒子群算法的斜拉桥自动调索

给出一种基于影响矩阵法和粒子群智能优化算法的调索计算方案,能够针对斜拉桥有限元分析或者施工监控索力计算问题实现自动化的索力调整,以替代冗余反复的计算工作.利用编制的程序,对某斜拉桥有限元模型的索力进行了自动调索,结果表明,该方案可以快速地获得合理的群索初始拉力,并使得相对误差控制在2％以内.该自动调索方法为斜拉桥建模分析和施工监控索力计算提供了一种新的高效解决思路.     

嵌入隔离小生境技术的混沌粒子群算法

针对标准粒子群算法(standard particle swarm optimization,SPSO)无法很好平衡全局与局部搜索能力,且收敛速度较慢、易于早熟收敛等问题,提出了嵌入隔离小生境技术的混沌粒子群算法(isolation niches em-bedded in chaos particle swarm optimization,INCPSO)。利用隔离小生境技术,保证了解的多样性,同时,引入混沌搜索策略,提高了解的搜索精度和收敛速度,且避免早熟收敛。仿真试验结果表明,与标准粒子群算法和只嵌入隔离小生境技术的粒子群算法(isolation niches particle swarm optimization,INPSO)相比,嵌入隔离小生境技术的混沌粒子群算法对复杂问题的求解能力较强,寻优性能较好。     

多UCAV协同目标攻击决策

针对多无人作战飞机(unmanned combat aerial vehicle, UCAV)攻击多目标,研究了多UCAV协同攻击决策问题。建立了目标毁伤模型、UCAV损耗模型和时间协同模型,并通过加权求和将三者转化为单一目标函数,进而转化为单目标问题进行求解。提出了一种离散微粒群优化(discrete particle swarm optimization, DPSO)算法,在微粒群优化算法框架内重新定义了微粒的位置、速度及相关操作。建立了微粒与实际问题的映射关系,进而使DPSO算法适合于求解多UCAV协同目标攻击决策问题。仿真结果表明,DPSO算法易于实现,能够较好地解决基于时间协同的多UCAV目标攻击决策问题。