军事信息系统服务资源分配并行优化方法

针对如何提高面向服务军事信息系统中任务工作流执行的时效性和成功概率, 提出了服务资源分配的并行优化方法. 首先给出了服务资源分配的系统框架, 在分析服务并行执行数目、 任务成功率、任务完成时间及服务执行代价之间关系的基础上, 建立了服务并行优化的目标规划数学模型, 并提出了一种求解该模型的改进粒子群算法(DPSO). 该算法通过引入粒子细微扰动、优化粒子飞行边界及粒子优胜劣汰等扩大搜索范围,提高获得最优解的概率. 实验结果表明服务分配的并行优化及其DPSO 求解算法是提高任务工作流执行成功率和时效性的有效方法.     

经济负荷分配问题的闭环文化粒子群算法

结合文化算法的双层进化结构和粒子群算法的局部搜索性能,提出了求解经济负荷分配问题的闭环文化粒子群算法。算法设置了上层的信念空间和下层的群体空间,并利用同步传输方式通过接受操作和影响操作来完成两层空间的交互;各群体空间采用反馈控制的原理对粒子的演化速度进行控制以保持群体的多样性。通过对文献中的3机组6母线和IEEE30BUS经济负荷分配问题的仿真结果表明,闭环文化粒子群算法有更好的收敛性能和更快的收敛速度。     

基于DPSO的无等待混合流水车间调度方法

研究了无等待混合流水车间调度问题,调度目标为最小化工件的最大完成时间。针对问题中工件加工无等待特点,设计了分阶段实现的无等待算法,并将机器的能力约束嵌入到算法之中。在此基础上,首次应用离散粒子群优化算法对无等待混合流水车间调度问题进行了优化求解。通过仿真实验表明,离散粒子群算法的优化质量优于遗传算法及LTPT、STPT和FCFP三种启发式算法,同时验证了分阶段无等待算法的有效性。

Abstract：

A no-wait hybrid flow shop（NWHFS） scheduling problem was studied for the objective of minimizing makespan.For the no-wait constraint between two sequential operations of a job,not only the no-wait algorithm of grading was designed,but also the number restriction of machines was embedded into this algorithm.On this basis,the discrete particle swarm optimization（DPSO） algorithm was proposed for the first time to solve such problems.The last simulation experiments show the optimization qualities of DPSO are superior to those of the genetic algorithm（GA） and the heuristic algorithms of LTPT,STPT and FCFP,and demonstrate the effectiveness of the no-wait algorithm of grading as well.     

一种改进的不敏粒子滤波算法

提出了一种改进的不敏粒子滤波（UPF,Unscented Particle Filter）算法。和传统的UPF相比,该算法有两点改进,首先,在形成＂粒子云＂时,直接采用当前时刻各粒子的UKF（Unscented Kalman Filter）估计作为粒子,在保证粒子有效性的同时,减少了UKF之后的重采样过程;然后,结合新的粒子产生办法,重新定义了权值计算方法,避免了对各粒子重要概率的复杂计算。仿真表明,改进算法在减少计算量的同时,有效地提高了跟踪稳定性和跟踪精度。

Abstract：

An improved Unscented Particle Filter （UPF） algorithm was proposed.Compared with traditional UPF,it has been improved at two points.First,when producing particle cloudy,it directly uses the current particle estimation of Unscented Kalman Filter （UKF） as new particle,which guarantees the validity of particles and eliminates the re-sampling process after UKF as well;then,according to the new particle-producing method,a weight-calculating formula is re-defined,so as to avoid the complicated computation of proposal probability of every particle.A simulation shows that the Improved UPF （I-UPF） can effectively enhance the tracking stability and tracking precision and reduce computational cost at the same time.     

求解约束优化问题的动量粒子群算法

为解决约束优化问题,提出使用双可行域吸引子策略改进动量粒子群算法。该算法只需初始种群中有一个粒子位于可行域内,随着搜索过程的进行,整个种群自动进入可行域内搜索。一方面,在搜索过程早期,由于可行域内粒子少,所有粒子移向相同的吸引子,整个种群迅速进入可行域内。另一方面,随着进入可行域粒子的增多,由于每个粒子使用距本身最近的可行域吸引子,较好地维持了种种群的多样性,避免早熟现象的发生,使算法具有较好的寻优性能。与国际上当前解决约束优化问题的粒子群算法在4个标准约束优化函数上测试比较,实验结果表明本算法取得的最优值要优于其它粒子群算法。

Abstract：

The strategy that two good positions in feasible region worked as attractors was incorporated into momentum particle swarm optimization algorithm in order to resolve constrained optimization problems. The resulting algorithm only requires that one of the initial particles is in the feasible region, and then all particles in the swam automatically move into the feasible region. On the one hand, in the early iterations few particles appear in the feasible region and hence all particles move toward the same attractors, so the particles soon enter into the feasible region. On the other hand, as the number of particles in the feasible region increases, each particle adopts the most near attractor so that each particle has different attractor. Therefore, the algorithm maintains the diversity of the population, alleviates the premature, and hence achieves good performance. The algorithm is compared with other particle swarm optimization algorithms on four benchmark functions. The experimental results show that the solution of the algorithm is better than that of others.     

基于SVM数据融合的实时粒子滤波算法

采用粒子滤波的目标跟踪算法在粒子数目较多时计算量大、实时性差,针对该问题提出了一种新的基于支持向量机数据融合的实时粒子滤波算法。该算法在估计窗实时粒子滤波的基础上,使用支持向量机融合窗内不同时刻粒子集,并根据融合的结果更新粒子权值,实现对目标状态的快速跟踪。相对于原算法采用最小化Kullback-Leibler距离来调整估计窗混合分布的权值,该方法的计算复杂度低、速度快,进一步提高了算法的实时性。对纯角度目标跟踪问题的仿真结果表明了该算法的可行性和有效性。     

基于CCPSO及PP模型的洪灾评估方法及其仿真应用

以求解洪水灾情评估问题为背景,针对洪灾评估模型参数难以优化这一问题,研究了一种混沌文化粒子群算法(CCPSO)。该算法将PSO纳入文化算法的框架,并在算法中引入局部遍历搜索性能较强的混沌搜索,组成基于PSO的群体空间以及基于混沌优化的信念空间,通过两个种群的独立演化及信息交流来提升算法的全局寻优能力。典型的测试函数的测试结果表明,CCPSO可以有效克服PSO存在的早熟收敛问题,全局收敛能力较PSO有较大提高。同时,为提高洪水灾情评估的灾情分辨率,提出一种基于CCPSO及投影寻踪模型的洪灾评估方法,该方法采用一种修正Logistic曲线来建立洪灾评估的投影寻踪模型,并使用CCPSO来优化投影指标函数以及模型参数。仿真应用结果验证了该方法的合理性及有效性。     

基于学习进化的机器人同时定位与地图创建

利用学习与进化结合的思想,改善基于粒子滤波的SLAM算法。在对学习与进化的关系深入分析的基础上,针对基于粒子滤波的SLAM算法,提出将滤波过程分成学习和进化两个阶段,分别给出相应算法解决粒子有效性与多样性的问题,缓解二者之间的矛盾,改善了SLAM算法的效果,增强了算法的鲁棒性,也验证了学习与进化的关系。最后,通过多次Monte-Carlo仿真实验结果表明了该算法的有效性。     

集成粒子群优化算法在电网规划中的应用

电网规划是一个大规模、复杂的、具有非线性离散变量和多约束的多目标数学优化问题。在优化过程中,考虑了投资费用、可靠性和对环境的影响等三个因素。提出将模拟退火优化方法嵌入粒子群优化算法中,以此构建集成粒子群优化算法。在搜索过程中还加入变异操作来增加种群多样性,以避免早熟收敛。局部搜索增加了算法的开发能力,而变异操作提高了算法的探测能力。探测与开发能力的平衡,通过两个阈值来实现。通过对一220kv电力传输系统的实例研究表明,集成粒子群优化算法局部搜索能力有显著提高。