Multi-objective fuzzy particle swarm optimization based on elite archiving and its convergence

A fuzzy particle swarm optimization （PSO） on the basis of elite archiving is proposed for solving multi-objective optimization problems. First, a new perturbation operator is designed, and the concepts of fuzzy global best and fuzzy personal best are given on basis of the new operator. After that, particle updating equations are revised on the basis of the two new concepts to discourage the premature convergence and enlarge the potential search space; second, the elite archiving technique is used during the process of evolution, namely, the elite particles are introduced into the swarm, whereas the inferior particles are deleted. Therefore, the quality of the swarm is ensured. Finally, the convergence of this swarm is proved. The experimental results show that the nondominated solutions found by the proposed algorithm are uniformly distributed and widely spread along the Pareto front.     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。     

同步化响应:视-脑信息处理的新进展

１９８９年猫的初级视皮层上,发现了刺激诱发的神经元群活动的γ同步振荡现象,在这之后,视－脑研究进入了一个新时期,如何理解视觉系统自然就成为一个至关重要的科学方法论问题,从信息处理,非线性动力学和神经网络的观点出发,对当前视觉研究中的由神经元群对外部世界客体的同步化响应所涉及到的几个主要方面进入深入评述,强调指出,神经表象是视觉系统作为智能信息处理的独有特点,是视觉计算理论的核心概念,子波变换是多尺     

量子连续粒子群优化算法及其应用

提出了基于量子理论的连续粒子群优化(Continuous Particle Swarm Optimization based on Quantum Methodology, CPSO-QM)算法,主要是采用了量子理论中的叠加态特性和概率表达特性.其中,叠加态特性可以使单个粒子表达更多的状态,潜在地增加了种群的多样性;概率表达特性是将粒子的状态以一定的概率表达出来.在基准函数的实验测试中,对比其它常用算法,结果显示本文提出的算法性能较好.在实际应用中,以丙烯腈反应器作为建模研究对象,提出了三种进化策略,实验结果显示,这三种策略训练的神经网络软测量模型都可以较好地预测丙烯腈的收率.     

基于MTO-MTS的钢厂合同计划方法

建立了基于MTO-MTS的钢厂合同计划的整数规划模型,模型同时考虑库存余材匹配和生产计划,以提前/拖期惩罚、交货时间窗内拖后惩罚、生产费用、库存匹配费用、合同违约惩罚总额最小为目标.根据模型特点,构造了对非可行解进行启发式修复的改进粒子群算法求解策略.仿真实验首先对参数设置进行分析,然后对多组数据进行了结果分析,并在相同条件下,对比了本文模型与分阶段考虑库存匹配/合同计划方法的实验结果,验证了本文模型和算法的有效性.     

求解二层线性规划问题的混合粒子群算法

结合粒子群优化方法和单纯形法为二层线性规划构造了一个混合粒子群优化算法.算法具有两层结构,其中粒子群算法用以求解上层规划问题,单纯形法用以求解下层规划问题.设计的粒子群在上层决策变量的可行城内搜索最优解,同时通过单纯形法求解下层规划问题得到每个粒子相应的下层规划问题的解.算法通过初始种群可行化,以及步长控制、不可行粒子淘汰等技巧避免了使用罚函数处理约束带来的困难,提高了粒子群优化算法的计算性能.最后,我们给出算法的数值例子并对该算法的计算性能加以分析.     

基于粒子群算法的资源均衡

提出了将粒子群算法运用到型号研制项目资源均衡优化问题中的构想,建立了适用于资源均衡优化问题的粒子群算法模型,设计了基于非关键活动动态时差的资源均衡优化粒子群,构建了基于资源强度和活动实际开始时间的评价函数,给出了算法流程,并通过算例的计算分析,应用该算法得到的资源强度比初始方案的降低了88.38%,比P3软件及Project2002的结果分别降低了58.42%、74.48%,验证了该算法的可行性与有效性,同时还获得了若干个次优方案.     

基于改进粒子群优化算法的虚拟企业伙伴选择

在分析基本粒子群优化算法和建立虚拟企业伙伴选择多目标决策模型的基础上,提出了一种求解供应链联盟伙伴选择的优化问题的改进粒子群算法.在优化过程中,该算法以优良适应值粒子取代部分不良适应值粒子,使算法具有过滤能力,加快了搜索速度,并保证了收敛于全局最优解.实验结果用基本粒子群算法进行了验证和比较,表明该改进粒子群算法具有较好的性能和简单快速准确等特点.     

群上亚同态的一个必要条件及由此引出的一些性质

给出了群上亚同态的一个必要条件,又由这一必要条件给出了群上亚同态的一些性质.     

调和NA群上的Hardy不确定原理

首先介绍了调和NA群的基本结构和球函数的性质.其次基于调和NA群上的Helgason-Fourier变换及相应于Laplace-Beltrami算子的热核,在NA群上建立了Hardy不确定原理.所得结论推广了Thangavelu（2002年）的部分结果.