基于几何变换的MAGA求解多纳什均衡

针对粒子群优化PSO早熟收敛而且只能寻找一个极值的问题,提出基于几何变换的MAGA混合智能算法,并应用于博弈论求解多纳什均衡问题。算法由粒子群优化和禁忌搜索TS算法构成,对粒子群优化的改进包括对粒子运动松散控制和引入遗传算法GA增强粒子多样性;禁忌搜索算法对邻域空间深度搜索;引入Deflection-Repulsion几何变换对目标函数进行动态变换使算法能够寻找多极值。仿真结果表明,该算法在多纳什均衡求解问题表现突出,寻优速度快,准确率高,可扩展到其他多模态多极值问题领域。     

多目标粒子群算法的动态多燃料经济环境负荷分配

考虑动态的负荷需求和多种燃料资源,以经济成本和环境成本为优化指标,建立动态多燃料经济环境负荷分配的多目标优化模型,并提出一种多目标粒子群优化算法求解该类优化模型.模型采用动态负荷需求和多种燃料资源,更有利于节约电能成本和提高能源利用效率,但高维数、复杂非线性和多目标成为求解该优化模型的难点,故在算法中引入多目标解集更新策略和变邻域搜索策略.实验仿真结果表明,该模型是有效的,且采用所提算法求解这类模型时所获得的近似Pareto前端的精度明显优于其他算法.     

基于多策略融合粒子群的无人机对地攻击模糊博弈决策

针对无人机协同对地攻击的复杂性和不确定性,联合防空火力压制与对地目标打击任务,引入存活因子、摩擦因子和状态因子等概念,考虑目标威胁度的模糊性,结合生存概率和武器消耗等因素,建立一种多阶段的模糊多目标任务分配规划模型.为更好地描述攻击任务的对抗性和多策略性,以博弈论为框架,将规划模型转化为模糊多目标双矩阵博弈综合集结模型.利用必要性理论将集结模型中的不确定性目标清晰化处理,进而运用熵权法对多个目标进行加权求和,将其转化为单目标双矩阵博弈模型.提出基于多策略融合粒子群算法的纳什均衡求解方法,通过引入自适应惯性权重、动态反向学习与局部变异策略,在增强种群多样性的同时,保证粒子群局部精确搜索能力.算例仿真结果验证了所提模型和方法的有效性.     

多需求点车辆调度模型及其群体智能混合求解

建立货运关系明细的多需求点车辆调度模型, 模型求解过程是先由粒子群算法的粒子位置向量得到单车运送的货物, 再由蚁群算法优化单车路径, 根据优化目标筛选粒子, 直到终止条件, 实现所有货物对所有车辆的分配. 实例求解结果表明混合求解得到的车辆总路径小于蚁群算法得到的结果.     

基于能效的多小区LTE系统资源分配算法

针对多小区LTE移动通信系统,考虑用户的最小速率要求,以最大化系统能效为目标,提出了一种迭代式的资源分配算法,通过不断迭代子信道分配和功率控制两个子过程来优化系统能效.针对子信道分配问题,提出了一种基于三种基本模式的子信道调整算法;针对功率控制问题,建立了多小区非合作博弈模型,理论证明了纳什均衡点的存在性,并设计了算法收敛于该纳什均衡点.仿真结果表明,与多小区最大化系统吞吐量算法相比,提出的算法获得了明显的能效增益,同时也达到了较好的系统吞吐量,尤其在强干扰环境下该算法的优势更加明显.     

基于邻域混沌 PSO 算法的目标分配优化方法

针对基本粒子群算法在求解火力打击体系目标分配问题时易陷入局部极值、计算精度差的局限性,提出了一种基于混沌粒子群算法(Chaos Particle Swarm Optimization, CPSO)的目标分配优化方法.在综合考虑整体毁伤效能、打击匹配度和风险概率的基础上,分析了目标分配问题的数学模型,设计了相应的粒子编码方法、更新策略和有效性修订方法,提出一种在种群最优粒子邻域内进行混沌搜索的改进策略.仿真结果表明,所提 CPSO 算法的性能明显优于基本粒子群算法和变异粒子群算法     

基于蝙蝠算法的信息工程监理多目标优化研究

为了优化信息工程监理过程中的多目标问题,通过对各目标权重分配方法的改进,构建针对各监理阶段的多目标控制优化模型,采用蝙蝠算法对其进行求解,并同粒子群算法比较,仿真结果表明,该算法能够适用于对信息工程监理多目标优化问题的最优解的搜索且优于基本粒子群算法。     

防空火力分配建模及优化方法研究

在综合考虑防空对抗双方作战价值的基础上，建立了一种用于防空作战多武器系统对抗多批目标的火力分配模型，在此基础上，提出了基于粒子群优化（PSO）算法以及粒子群与遗传算法相结合（PSO—GA）的火力优化分配方法．通过仿真，并与遗传算法（GA）进行了比较，验证了火力分配模型的可行性以及所提出优化方法的有效性和优越性.     

基于PSO优化博弈的区块链共识算法

针对现有的区块链共识算法存在决策不均衡、适用性过小和产生共识困难等问题,根据纳什均衡理论,将区块链节点视为博弈的参与者,在共识过程中将节点策略选择的纳什均衡作为共识目标,提出基于纳什均衡的共识算法.在纳什均衡求解中利用聚类算法对同类型节点聚类,用基于拥挤距离和引力搜索算法改进的粒子群优化算法求解以类为基本种群的纳什均衡近似解,将均衡解下所对应的结果作为主节点.设计面向组合投资区块链系统求解共识机制的实验,分别从算法的安全性和扩展性验证该算法的有效性.     

基于粒子群算法的 MKV 作战任务评估与分配

MKV 作战任务评估与分配是弹道中段执行多目标拦截时的关键问题.由于多目标的拦截尚处研究的开始阶段,目前还未见较为成熟的方法公布.为解决上述问题,针对 MKV 的任务评估,首次建立了防御目标的收益和 KV 群作战优势两项性能指标的任务分配函数模型,并采用粒子群算法来求解任务分配模型.利用两组不同规模的目标群进行仿真.仿...     

基于自主学习和精英群的多子群粒子群算法

为了提高动态多子群粒子群算法中粒子学习的自主性,提出一种基于自主学习和精英群的粒子群算法.该算法借鉴教育心理学自主学习的理念,用基础群中粒子自主选择学习对象的操作代替子群的重组操作,并通过精英群局部搜索的配合来达到寻优的目的.将所提出的算法应用于6个测试函数,并与动态多子群PSO等算法进行了比较,比较结果表明,新算法在提高收敛速度、精度和寻优时间等方面具有良好的性能。     

基于单目视觉的多种群粒子群机械臂路径规划算法

针对复杂静态背景下具有多约束条件的机械臂路径规划问题，提出一种新的基于单目视觉的多种群粒子群算法。首先，使用图像差分算法消除背景，再利用轮廓包围法找出目标物体区域，然后使用模型位姿估计法求出目标物体位置。其次，提出一种多种群粒子群算法，根据目标物体位置演化出机械臂最优角度。该算法将精英种群与子种群组成多种群粒子群，使用预选择与交互机制使算法跳出局部最优。仿真结果表明，与实际坐标对比，使用背景消除法后求出的物体位置坐标误差较小。将多种群粒子群优化算法与现有的一流演化算法对比，结果表明对不同位置的物体，该算法获得的路径平均自适应度与均方误差（MSE）最小。     

基于单目视觉的多种群粒子群机械臂路径规划算法

针对复杂静态背景下具有多约束条件的机械臂路径规划问题,提出一种新的基于单目视觉的多种群粒子群算法。首先,使用图像差分算法消除背景,再利用轮廓包围法找出目标物体区域,然后使用模型位姿估计法求出目标物体位置。其次,提出一种多种群粒子群算法,根据目标物体位置演化出机械臂最优角度。该算法将精英种群与子种群组成多种群粒子群,使用预选择与交互机制使算法跳出局部最优。仿真结果表明,与实际坐标对比,使用背景消除法后求出的物体位置坐标误差较小。将多种群粒子群优化算法与现有的一流演化算法对比,结果表明对不同位置的物体,该算法获得的路径平均自适应度与均方误差（MSE）最小。     

基于博弈模型的合作式粒子群优化算法

粒子群算法作为一种新兴的进化优化方法,能够大大减轻复杂的大规模优化问题的计算负担. 根据博弈论的思想,在传统粒子群基础上提出了一种基于博弈模型的合作式粒子群优化算法,算法基于重复博弈模型,在重复博弈中利用一个博弈序列,使得每次博弈都能够产生最大效益,并得到了相应博弈过程的纳什均衡. 通过典型基准测试函数对算法的性能进行对比实验,实验结果表明算法是可行的、有效的,对拓展粒子群算法研究具有重要的理论意义与实际意义.     

基于蚁群算法及博弈论的多Agent路径规划算法

针对多Agent路径规划问题,提出了一个两阶段的路径规划算法。首先,利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点,不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布,提高了算法的全局搜索能力;利用粒子群算法中的自适应惯性权重因子来调节信息素强度Q值,使其自适应地变化,避免陷入局部最优;对信息素挥发因子ρ进行调节,提高算法的迭代速度。其次,若多Agent之间存在动态碰撞,利用博弈论构建多Agent之间的动态避障模型,并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题,确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高,与Mylvaganam的多Agent动态避障算法相比,所提算法减小了路径总长度并提高了收敛速度。     

基于免疫粒子群算法的广义Nash均衡问题求解

针对广义Nash均衡求解问题, 提出了一种免疫粒子群算法。首先利用非线性互补问题, 将广义Nash均衡问题转换为非线性方程组问题, 然后把免疫算法中抗体的免疫记忆功能和抗体浓度抑制机制引入基本粒子群算法, 设计了一种免疫粒子群算法。最后通过数值实验表明, 该算法保持了粒子群种群多样性, 增强了粒子群算法的全局寻优能力, 加快了算法的收敛速度, 具有较好的性能。     

改进的粒子群算法优化神经网络及应用

针对神经网络权值选取不精确的问题,提出改进的粒子群优化算法结合BP神经网络动态选取权值的方法。在改进的粒子群优化算法中,采用动态惯性权重,并且认知参数与社会参数相互制约。同时,改进的粒子群优化算法结合差分进化算法使粒子拥有变异与交叉操作,保持粒子的多样性。基于改进的粒子群优化算法与BP神经网络,构建IPSONN神经网络模型并运用于酒类品质的预测。实验分别从训练精度、正确率及粒子多样性三方面验证了IPSONN模型的有效性。     

云环境下基于DO-GAPSO的任务调度算法

为了找到合理的云计算任务调度方案,仅从单一方面来优化调度策略已不能满足用户需求,但从多个方面优化调度策略又面临着权重分配问题。针对上述问题,从任务完成时间、任务完成成本、服务质量3个方面考虑,提出一种基于遗传与粒子群算法相融合的动态目标任务调度算法,在算法的适应度评价函数建模中引入线性权重动态分配策略。通过CloudSim平台进行云环境仿真实验,并将此算法与经典的双适应遗传算法(DFGA)、离散粒子群优化算法(DPSO)进行比较。实验结果表明,在相同的设置条件下,该算法在执行效率、寻优能力等方面优于其他两个算法,是一种云计算环境下有效的任务调度算法。     

A novel discrete particle swarm optimization algorithm for meta-task assignment in heterogeneous computing systems

Optimal assignment of a meta-task in heterogeneous computing systems is NP-complete in the general case. Therefore, heuristic approaches must be employed to find good solutions within a reasonable time. We propose a novel discrete particle swarm optimization (DPSO) algorithm for this problem. Firstly, to make particle swarm optimization algorithm more suitable for solving task assignment problems, particles are represented as integer vectors and a new position update method is developed based on discrete domain. Secondly, an effective variable neighborhood descent algorithm is applied to emphasize exploitation. In addition, migration mechanism is introduced with the hope to escape from possible local optimum and to balance the exploration and exploitation. Computational simulations and comparisons based on a set of benchmark instances indicate that the proposed DPSO algorithm is a viable approach for the task assignment problem.