一种基于膜系统的全局智能优化算法

针对全局数值优化问题,本文提出了一种基于膜计算理论的启发式全局优化算法.受细胞内液体分子做无规则运动的启发,该算法构建了液体分子沿任意和某一方向运动的机制,实现了算法全局探索和局部开发的能力.8个benchmark测试优化函数的仿真结果表明,所提算法具有保持解的多样性和跳出局部极值的全局寻优能力.     

MGO:一种针对异构集群的全局通讯优化算法

在异构集群环境中,网络拓扑结构的不规则性,以及计算机结点和网络性能的差异,影响了全局通讯的性能.针对这个问题,本文提出一种全局通讯的多粒度优化算法,该算法结合网络拓扑结构以及计算机结点和网络性能等参数来优化全局通讯路径.模拟结果表明,多粒度优化算法与相关优化算法相比,能显著提高全局通讯性能,并且性能提高百分比在一定范围内随着集群规模的扩大而增大.     

基于EGA与Alopex算法的非可微函数混合全局优化算法

遗传算法是一种全局化算法,能以较大概率搜索到全局最优解。本文将Alopex算子嵌入到保留最优个体遗传算法（EGA）中,对非可微或求导困难函数从而得到既能以较大概率搜索全局极值,又能进行局部细致搜索的混合全局优化算法;并对其全局收敛性和计算效率作了证明与分析。数值计算结果表明该算法优于求解函数优化的EGA和Alopex算法。     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

一种基于粒子群优化的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和时初始值敏感的缺点。本文提出了一种基于粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力,克服了模糊C-均值聚类算法的不足。实验结果表明,该算法具有很好的全局收敛性和较快的收敛速度。     

一种新的 QoS 全局最优 Web 服务选择算法

针对运用单目标优化算法求解基于 QoS 的 Web 服务选择问题的不足,设计了一种新的 QoS 全局最优Web 服务选择算法.该算法同时优化组合服务的多维 QoS 属性的多个目标函数,并产生 QoS 全局最优的 Pareto 最优解集.首先建立服务选择问题的多目标优化数学模型,然后采用归档式多目标模拟退火设计该算法以优选 Web服务.实验结果表明了该算法是可行的,实现了全局 QoS 最优化的组合服务.     

一种基于粒子群优化的FCM聚类方法

针对模糊C-均值(FCM)聚类算法易陷入局部极小值和对初始值敏感的缺点,本文提出了一种基于粒子群优化的模糊聚类算法.该算法利用粒子群强大的全局寻优能力,克服了模糊C-均值聚类算法的不足.实验结果表明,该算法具有很好的全局收敛性和较快的收敛速度.     

基于粒子群优化算法的光伏阵列MPPT

针对光伏阵列在阴影下具有多个最大功率点,而传统的优化算法不能有效跟踪全局最大功率点的问题,提出了一种基于粒子群优化算法的跟踪算法,在Matlab平台上利用M函数对光伏阵列和跟踪算法进行编程。仿真结果表明:该控制算法不仅具有跟踪速动快、稳态精度高的特点,而且能够跟踪全局最大功率点,比传统的优化算法更有优势。     

基于变异算子与模拟退火混合的人工鱼群优化算法

人工鱼群算法(AFSA)是一种新型的群智能随机全局优化技术.本文在分析AFSA存在不足的基础上,提出了基于变异算子与模拟退火混合的人工鱼群优化算法.该算法保持了AFSA算法简单、易实现的特点,克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集,显著提高了算法的运行效率和求解质量.通过函数和实例测试验证,表明了该算法是可行和有效的.     

梯度策略自适应差分进化算法

差分进化算法是一种有效求解全局优化问题的方法,为进一步提高求解精度,加快求解过程,文中提出一种梯度策略自适应差分进化算法。该算法是在差分进化算法中加入梯度下降法,使其不仅有较好的全局搜索能力,且具有传统优化方法的快速局部搜索能力,因此具有较高搜索精度和较快的搜索过程。通过对CEC2005测试集中的1～14号测试函数进行仿真实验,并与SaDE,NSDE以及CMAES等算法实验结果进行了对比,结果表明了该算法的有效性。     

基于余弦距离的多目标粒子群优化算法

针对粒子群优化算法具有的个体分布不均匀以及重复个体较多等缺陷,提出了一种基于余弦距离的多目标粒子群优化算法,该算法根据外部精英存储策略,利用余弦距离排挤机制来选取最分散的粒子,扩大 Pareto最优解集的收敛性和多样性,增强算法的全局寻优能力。通过采用标准多目标优化问题ZDTl～ZDT3进行仿真实验与粒子群算法、混沌粒子群算法、基于拥挤距离的多目标优化算法对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于基于拥挤距离排挤机制,并具有较高的效率     

一种求解矩形排样问题的遗传-离散粒子群优化算法

针对制造业领域的矩形优化排样问题,提出一种遗传-离散粒子群优化算法.引入交换子和交换序概念,解决了标准粒子群优化算法在求解组合优化问题时粒子的更新难以描述问题;融合遗传算法的交叉与变异思想,增强了粒子群的多样性和稳定性;同时采用改进的最低水平线搜索算法加快算法的收敛速度,并解码形成排样方案.通过实验数据对比,验证了该算法在求解矩形排样问题中的高效性和鲁棒性.     

云无线接入网络高能效功率分配和波束成形联合优化算法

针对云无线接入网络(C-RAN)的资源分配问题,该文采用max-min公平准则作为优化准则,以C-RAN用户的能量效率作为优化目标函数,在满足最大发射功率和最小传输速率约束条件下,通过最大化最差链路的能量效率来实现用户发射功率和无线远端射频单元(RRHs)波束成形向量的联合优化。上述优化问题属于非线性、分式规划问题,为了方便求解,首先将原优化问题转化为差分形式的优化问题,然后通过引入变量将差分形式的、非平滑优化问题转化为平滑优化问题。最终,提出一种双层迭代功率分配和波束成形算法。在仿真实验中,将该文算法与传统的非能效资源分配算法和能量效率最大化算法进行了比较,实验结果证明该文算法在改进C-RAN能量效率和提高资源分配公平性方面的有效性。     

运动目标检测与特征提取算法的多层次并行优化

针对监控视频中运动目标实时特征提取的需求,在目标检测与特征提取串行算法的基础上,提出了基于OpenMP和多核CPU平台的三层并行优化算法。首先,在算法顶层,将串行算法抽象为两个模块组成的流水线,提出了流水线并行优化算法和相应的缓存管理策略;接着,在算法中层,考虑到特征提取模块中各子模块的功能独立性,设计了功能划分并行优化算法;最后,在算法底层,利用纹理特征提取模块的数据独立性,提出了数据划分并行优化算法。实验结果表明,该三层双模块并行优化算法在四核CPU平台上获得了接近Amdahl极限的加速比,基本实现了实际监控视频中运动目标检测与特征提取的实时处理。该多层次多模块并行优化方法普遍适用于串行算法在多核平台上进行并行优化的分析。     

区间长度可变的反向混沌优化算法

针对现有算法在大空间和高维度寻优存在效率较低的问题,提出一种区间长度可变的反向混沌优化算法,并证明了该算法以概率1收敛于全局最优解.算法采用区间长度可变的反向优化策略,利用反向优化方法增大算法进化过程的多样性,使优化的变量区间不断减小.同时,提出基于Fuch混沌映射的反向混沌优化策略增大算法逃逸局部极值的能力,以及两级优化策略提高算法执行后期的寻优精度.通过22个基准函数测试结果表明,本文提出的算法与改进的混沌优化算法以及其他智能优化算法相比,其搜索的综合性能要优于其他算法.     

一种求解冰壶比赛对阵多约束问题的逐层优化算法

冰壶比赛对阵编排问题是一个难于收敛的多约束优化问题.为此提出一种求解此类问题的逐层优化的单亲遗传算法.首先将待求解问题的多个约束进行分层;其次设计了靶向自交叉算子进行第一层优化以提高搜索效率,设计了定点-随机自交叉算子进行第二层优化以保持种群的多样性;最后,将改进的算法用于解决冰壶比赛对阵编排的多约束优化问题,构建了该问题的适应度函数.仿真实验表明,与粒子群算法和经典遗传算法相比,所提算法能够有效求解冰壶比赛对阵编排的多约束优化问题.     

基于免疫计算的WCDMA网络基站选址优化

为了解决WCDMA网络基站选址优化问题,该文给出了一个基于免疫计算的选址优化方案。研究了容量约束下的小区面积,给出了免疫优化算法框架,并与文献算法进行了对比实验。实验结果表明:该文算法方案能以较小的网络建设代价满足覆盖要求,具有较好的应用价值。     

能量收集通信系统中功率和调制方式的在线联合优化策略

针对源节点配备能量收集装置的点对点能量收集无线通信系统,该文以最大化长期平均传输速率为目标,提出一种基于Lyapunov优化框架的在线功率控制和自适应调制联合优化策略.由于能量到达和信道状态的随机性,优化问题是一个随机优化问题.利用Lyapunov优化框架将电池操作和可用能量约束下的长期时间优化问题转化为每时隙以虚队列...     

Low Complexity User Scheduling,Ordering and Transmit Covariance Matrix Optimization Algorithms for Successive Zero-Forcing Precoding

In this paper we consider user scheduling, ordering and transmit covariance matrix optimization problems under successive zero-forcing (SZF) precoding for multiuser multiple-input multiple-output downlink. We propose a heuristic user scheduling metric and an intermediate user grouping technique to develop a low complexity greedy scheduling algorithm. A suboptimal user ordering technique is also proposed for transmit covariance matrix optimization under SZF. Proposed algorithm is of low complexity, but performs closely to the highly complex exhaustive search algorithm. For transmit covariance optimization under SZF, a dirty paper coding based algorithm has been previously proposed, which is computationally very complex. In this paper, we propose a suboptimal but much simplified algorithm, which employs an iterative procedure similar to a known multiple access channel (MAC) covariance optimization algorithm, but does not involve multiple levels of covariance matrix transformations. With the proposed suboptimal user ordering the exhaustive search through all possible user orders is avoided during transmit covariance matrix optimization resulting in a significant complexity reduction, and without a significant performance penalty. Simulation results show that the proposed algorithm performs very close to the known algorithm in the low SNR region.