基于自适应混沌变异的k-均值聚类粒子群算法

针对经典粒子群(PSO)算法易出现早熟收敛和搜索精度差的缺陷,提出了一种基于混沌变异的k-均值聚类PSO优化算法(FCPSO).该算法首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子种群中的全局极值来更新自己的位置和速度.其次,在算法中引入自适应混沌变异,有效的增强了子群体之间信息交换和经典PSO算法跳出局部最优解的能力.对几个典型可变维函数的测试结果表明,该算法是非常有效的.     

基于微粒群算法的无线传感器网络节点定位方法

为了进一步提高无线传感器网络未知节点定位精度,将节点定位问题和微粒群算法结合在一起,提出了基于微粒群算法的节点定位算法。该算法是一种基于距离的定位算法,根据未知节点到锚节点的距离直接搜索出未知节点的坐标。实验结果表明,和一般的固定节点定位算法相比,该算法具有更高的定位精度,并适用于移动节点的追踪定位。     

灰熵并行分析引导PSO求解多目标优化问题

提出采用灰熵并行分析法引导粒子群算法求解多目标优化问题。灰熵并行分析法综合灰色关联分析法与信息熵的特点,对数据序列计算灰关联系数,同时并行地对数据序列计算信息熵及熵值权重,将灰关联系数与熵值权重结合求得灰熵并行关联度。〖JP2〗通过粒子群算法对优化问题的多个目标构建与粒子数相同数量的目标值序列,计算每个序列的灰熵并行关联度值,利用该值作为算法适应度值的分配策略引导粒子进化。以10个典型作业车间调度问题为例进行实验,结果与差分进化算法及遗传算法进行比较,表明灰熵并行分析法可以有效引导各算法进化,使算法在收敛性和分布均匀性方面表现良好,且粒子群算法的优化结果要好于其他两种算法的结果。     

PSO与K-means混合聚类的PCB图像分割算法

图像分割技术在PCB自动光学检测中应用广泛。 K-means聚类算法简单有效,能实现PCB灰度图像的自动分割。然而,随机选取的初始聚类中心易导致K-means算法最终找到的是局部最优值,对PCB图像分割效果有一定影响。引入PSO算法的群智能搜索策略,提出一种新的寻找聚类中心的算法。实验表明,在PCB图像分割中使用该算法可防止陷入局部最优值。     

基于改进粒子群优化算法的逆向物流选址与路径问题研究

综合考虑逆向物流中的车辆路径问题和选址分配问题,首先分析问题的特点,并建立问题的数据模型,然后提出一种基于贪心算法的改进粒子群优化算法.实验结果表明,新算法能够以较快的收敛速度得到问题的近似最优解,是解决该类问题的有效方法.     

基于邻域粒化的小生境微粒群混合数据约简

混合决策系统中同时包含了符号型属性和数值型属性,经典粗糙集处理数值型属性时需要进行离散化,这样会造成信息的丢失。基于邻域粒化的思想,提出了小生境微粒群约简方法,分析了邻域距离函数的选择和大小对分类精度和约简属性数量的影响。邻域粒化的方法可以直接处理数值型属性,微粒群全局优化的特性可以有效的求解全部约简,小生境技术的采用避免了微粒群算法的早熟收敛。选取UCI数据集进行了仿真实验,结果表明该方法可以快速有效地求解混合决策系统的约简,而不影响系统的分类精度。     

基于粒子群算法的地磁匹配航迹规划

针对无人机地磁匹配航迹规划问题,提出了一种基于粒子群优化算法的航迹规划方法.借鉴稀疏A-Star搜索算法的思想,将约束条件结合到搜索方法中,给出了基于地磁网格图的航迹节点扩展方法.结合无人机的机动性能约束和地磁匹配的自身特点,设计了一种适用于地磁匹配的航迹性能评价函数作为粒子群的适应度函数.仿真实验的结果表明:生成的航迹能够满足地磁匹配导航要求,且具有威胁规避的能力.最后,针对只在中制导段采用地磁匹配的情况提出了初步的解决方案,保证无人机顺利进入地磁匹配航迹段.     

可重复使用运载器的上升段轨迹线设计

可重复使用运载器的上升段飞行过程较为复杂,其轨迹线设计是一个多约束的非线性规划问题,优化求解较为困难。为形成较为实用的上升段轨迹线设计策略,将上升段分成投放分离段、拉起点火段、动力爬升段和无动力爬升段四段进行分析设计。通过各段运动特点的分析,各段采用不同的轨迹策略,确定所需要设计的参数及其范围,将各种物理约束及末端条件约束转换成适应度函数,最后将轨迹优化问题转化成设计参数的寻优问题,通过具有很强非线性搜索能力的粒子群优化算法对参数进行优化求解。结果表明,设计的轨迹线能很好地满足任务指标。     

基于RBFNN和PSO求解第二类Volterra积分方程的混合方法

提出一种基于RBFNNs和PSO求解第二类Volterra积分方程的混合方法.先将积分区间离散化为点集,并代入积分方程得到方程组,再利用RBF神经网络逼近积分方程中的未知函数,将所求解问题转化为残差平方和的极小化问题.利用PSO算法求解残差平方和的极小化优化问题,得到RBF神经网络的参数,即得问题的逼近解.数值实验表明,该方法可行有效.     

工程项目多目标协同优化研究

将微粒群算法(particle swarm optimization,PSO)引入工程项目多目标协同优化领域,研究工程项目的质量、费用、资源和工期的协同优化问题。文章首先系统介绍微粒群算法原理、流程以及算法的改进发展,然后研究了工程项目质量、费用、工期和资源的协调功效系数,并建立了质量、费用、工期和资源的多目标协同优化模型,接下来介绍了应用微粒群算法编码解决工程项目多目标优化的方法步骤。最后,通过一个应用实例,计算表明微粒群算法可以准确快速地解决工程项目多目标协同优化问题。