多惯性权重的自适应粒子群优化算法

惯性权重是粒子群优化算法重要参数之一,它能够平衡算法的全局搜索能力和局部搜索能力.为了利用已知惯性权重解决某些问题的优点,提出一种多惯性权重的自适应粒子群优化算法.首先定义了K步进化度的概念,然后基于进化度,从惯性权重集中随机选择惯性权重,使得适合解决某一问题的惯性权重在迭代过程中能够多次被使用,从而提高算法性能,把该...     

探测能力有限条件下群机器人队形的避障方法

在探测能力有限的条件下,即使群机器人队形中的跟随者有碰撞障碍的风险,领导者也常难察觉,这将导致部分机器人离队或难以保持给定队形。本文针对此问题提出一种基于局部信息的解决方法,根据局部障碍信息判断障碍对跟随者或其自身后续运动是否有潜在威胁。当有潜在威胁时,输出障碍信息,并在群机器人队形中接力传递,最终反馈给领队机器人以带领队形远离障碍。同时,对领队机器人和普通机器人的人工力矩运动控制器做出改进,保证机器人的安全,并且使避障轨迹更加顺滑。仿真实验证明,所提方法在领导者无法感知所有跟随者和障碍信息的情况下,仍能带领队形安全绕开障碍物。     

基于GAs/PSO组合算法的水轮机调速系统PID参数寻优

提出了一种基于GA s/PSO组合算法的P ID控制器参数自整定方法,这种方法兼有遗传算法(GA s)和粒子群算法(PSO)的优点。组合算法种群由GA s和PSO的最佳个体迁移形成,其中GA s采用了实数编码和变异概率自适应,PSO算法采用了带指数衰减的惯性因子的速度更新算法,以加快收敛速度。通过对水轮机调速系统P ID控制器参数寻优仿真比较表明,该组合算法寻优性能比单独的GA s和PSO表现更为优异,且所得系统具有更好的动态性能。     

《河南植物志》毛茛科增补与订正

增补报道了《河南植物志》中未记录的河南产毛茛科植物4种4变种,其中4种2变种为河南分布新记录;订正了10种1变种植物的学名.     

准晶体中十方晶系点群的对称性与矩阵表示

运用结晶学、群论、线性代数等方法,从理论上对准晶体中十方晶系各点群进行了研究.绘出了各点群的极赤投影图;列出了各点群的所有群元和生成元;填写出了最大的固有点群10 22的群乘表.在自定义的十方坐标系中,导出了十方晶系各点群所有群元的坐标变换矩阵,这40个3×3矩阵的结构是相当简洁的,它们的矩阵元只有5种可能取值:0,±1,±τ.其中,τ=(5+1)/2是反映十方晶系准晶体所具有的准周期性的特殊无理数.     

导弹武器模拟训练考评系统设计

为提高某导弹模拟训练系统中评估的客观性与准确性,确立以准确性、熟练度和操作人员状态为主的评价指标体系,构建适当的数学模型计算各子指标分值,将子指标定量化,解决由考官进行评判时存在的主观性强、标准不统一等缺点。利用专家系统,对考评过程中需要的专业知识和评价规则进行存储,实现了评分过程的自动化。针对层次分析法(analytic hierarchy process, AHP)需要多次赋值保证一致性和群组决策特征根法(group eigenvalue method, GEM)结构模糊的缺点,提出了基于AHP和GEM融合算法的权重设置方案,利用AHP-GEM算法对各子指标得分进行加权评估,最终形成了一套合理有效的模拟训练评估系统。最后,通过与考官人工评分的方法进行比较,验证了所提评分系统的合理性和准确性。     

基于粒子群优化的圆阵列波束形成方法

围绕均匀圆阵列(uniform circular array, UCA)在波束形成中存在的波束主瓣宽、旁瓣电平高的问题,提出了一种基于粒子群优化(particle swarm optimization, PSO)算法的圆阵列波束形成方法。通过对UCA的输出信号进行模式空间变换,将UCA数据转换为虚拟均匀线阵数据形式。利用PSO算法充分挖掘均匀线阵各阵元间数据信息,进行阵元拓展,从而实现阵列阵元数及孔径尺度的增加,实现降低阵列波束主瓣宽度及旁瓣电平的目的。实验结果表明,在适当增加计算复杂度的前提下,利用PSO算法对阵列进行阵元拓展可以显著地提高波束形成质量,且适用于自适应波束形成。     

基于改进的局部保持投影的战时备件分类

为提升战时合成部队备件保障效能,需对其进行有效分类,以便开展备件的预储预置。针对备件种类多、时效性强、影响分类因素复杂的现实问题,提出了基于改进的局部保持投影的备件分类方法。首先,根据战时备件分类储备的影响因素,作为备件分类的特征指标,其次,利用改进的局部保持投影的降维方法对备件原始特征数据进行特征降维,得到低维特征向量。再利用支持向量机（support vector machine,SVM）的分类器对低维数据进行分类。并通过量子粒子群对SVM的核函数参数进行寻优,提升备件分类精度,得到满足备件分类准确率最优时的降维维数和分类器参数。最后,通过对演习装备备件分类的实例分析,验证了模型的可行性和合理性,并对比分析了其他分类方法,表明该方法能够较好地解决战时备件分类的问题。     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

多目标的跟踪区域列表动态优化算法

5G移动网络要适应多样化和不断增加的用户设备(User Equipment, UE),应对终端巨大的位置管理信令开销是实现这一目标的重要保障。文中提出了一种多目标算法优化跟踪区域列表(Tracking area List, TAL)的策略,目的是寻找TAL中跟踪区(Tracking Area, TA)的最优分布以及如何将TAL分配给UE,以最小化位置管理中冲突的跟踪区更新(Tracking area update, TAU)和寻呼信令开销。在本地侧利用多目标粒子群优化算法实现TAL的最优分布,网络侧根据不同UE的移动特性来分配大小合适的TAL。通过仿真验证,所提方案可以在TAU和寻呼开销之间取得妥协,并在节省总位置管理开销方面得到了大幅度改善。