基于模拟退火粒子群算法的不可靠测试点优化

针对实际复杂系统测试与诊断时存在虚警和漏检的情况问题,提出在不可靠测试条件下,基于模拟退火粒子群(SA-PSO)算法的测试点优化方法。首先综合考虑不可靠测试条件下测试点的故障检测能力、故障隔离能力及结果信任度设计了评价测试点性能的启发函数;然后,将该启发函数与测试费用最小原则相结合,并根据测试性指标的要求,构建确保测试点最优的适应度函数;最后,设计基于模拟退火粒子群算法的不可靠测试点优化步骤,并用阿波罗发射系统实例验证了该算法的优越性。结果表明SA-PSO算法能够在满足测试性指标的要求下获得最小测试费用的测试点集,其故障检测率、隔离率都优于贪婪算法及遗传算法。     

基于粒子群优化算法的伺服系统测试点优选策略研究

针对某型雷达天线伺服系统测试点多,故障诊断需测试较多测试点而导致的故障诊断时间长,效率低的问题,提出了一种基于粒子群优化的测试点优选方法;该方法首先基于系统所需的故障诊断率和所能容忍的故障虚警率构建目标优化函数,其次利用粒子群算法对目标函数进行优化以选择最少的测试点完成故障定位和诊断;该方法避免了对所有测试点的测试,节省了测试时间,可在最短的时间内完成测试点的优选;仿真实验验证了算法的有效性。     

基于模拟退火PSO的神经网络模型

人工神经网络的训练问题实质上是一个优化问题。将模拟退火算法和基本粒子微粒群算法相结合,提出一种基于模拟退火的微粒群算法,该算法能够有效抑制早熟收敛。利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,有效的解决了BP算法易陷入局部极小值的缺点,从而提高了神经网络的精度和收敛速度。通过对非线性系统进行Matlab仿真研究,实验结果表明,基于模拟退火的微粒群算法训练的神经网络是一种有效的辨识方法。     

基于模拟退火的粒子群优化算法

粒子群优化算法是一类简单有效的随机全局优化技术。该文把模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,给出了一种基于模拟退火的粒子群优化算法。该算法基本保持了粒子群优化算法简单容易实现的特点,但改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。四个基准测试函数的仿真对比结果表明,该算法不仅增强了全局收敛性,而且收敛速度和精度均优于粒子群优化算法。     

求解分布式顺序统计CFAR检测器参数的新方法

复杂条件下,分布式顺序统计恒虚警率（OS-CFAR）检测系统的参数选择和检测性能分析是一个典型的非线性优化问题,通常采用数值求解和计算机搜索的方法。但在复杂条件下,特别是当传感器数量较多,或采用分布式OS-CFAR这种双门限参数检测方式时,其计算量会异常庞大。提出了一种基于模拟退火的微粒群优化算法,将模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,并采用具有递减w算法,保证算法具有较好的全局搜索能力和较好的收敛性。使用这种方法,在进化100代后,在保证精度达到0.000 001,可使所有的系统参数同时得到优化。仿真结果表明,同遗传算法比,虽然该方法收敛速度稍慢,但是可避免遗传算法的早熟问题,同时该方法实施简单方便,便于工程应用。     

模拟退火粒子群算法在新交通控制模型中的应用

城市交通系统是个随机性很强、复杂的巨型系统,为了获得良好的通行效率,提出了一种基于模拟退火温度的自适应粒子群优化算法,同时给出了一种城市区域交通协调控制信号配时模型,然后将提出的方法应用于此模型。仿真结果表明：这种算法不仅能够克服基本粒子群算法陷入局部寻优的缺点,而且算法的收敛性和稳定性都很好,同时也表明该模型是可行的、有效的。     

基于模拟退火的并行粒子群优化研究

针对粒子群优化(PSO)容易陷入局部极小,提出将模拟退火(SA)引入并行PSO算法．这种模拟退火并行粒子群算法,结合了并行粒子群算法的快速寻优能力和SA的概率突跳特性,保持了群体多样性,从而避免了种群退化．针对转炉提钒过程是一个复杂非线性反应过程而难以建立终点控制模型的问题,提出了基于模拟退火的并行粒子群RBF网络的辨识模型,优化了RBF核中心个数,从而克服了随机性选择．将该模型用于预测提钒吹氧时间,仿真结果表明预测误差不超过真实值的20％．     

PSOSA混合优化策略

本文提出了一种微粒群算法与模拟退火算法相结合的混合优化方法，该方法在群体进化的每一代中，首先通过微粒群算法的进化方法来控制微粒的飞行方向，然后利用模拟退火算法来拓展其搜索领域。这样既可以利用微粒群算法的收敛快速性，又可以利用模拟退火算法的全局收敛性。本文还证明了该混合优化方法依概率1收敛于全局最优解。仿
真结果表明，在搜索空间维数增大时，该方法的全局收敛性明显优于基本微粒群算法。     

随机微粒群优化算法

微粒群优化算法是继蚁群算法之后又一种新的基于群体智能的启发式全局优化算法，其概念简单、易于实现，而且具有良好的优化性能，目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时，算法易陷入局部最优。该文结合模拟退火算法的思想，提出了一种改进的微粒群优化算法——随机微粒群优化算法，该算法在运行初期具有更强的探索能力，可以避免群体过早陷入局部极值点。基于典型高维复杂函数的仿真结果表明，与基本微粒群优化算法相比，该混合算法具有更好的优化性能。     

基于高斯分布和模拟退火算法的免疫微粒群优化算法研究

针对微粒群算法在搜索过程中粒子容易失去多样性而陷入局部最优且搜索速度较慢的缺陷,提出了一种基于高斯分布和模拟退火算法的免疫微粒群算法,该算法借助高斯分布和模拟退火的有关机理,分别进行免疫接种和免疫选择的操作。使用常用的基准函数对算法进行了仿真验证工作,通过与全局微粒群优化算法、变惯性权值微粒群优化算法的对比表明,免疫微粒群优化算法(IPSO)在搜索速度和全局寻优方面具有一定的优势。     

基于GSPN和人工免疫算法的并行测试任务调度研究

针对ATS中并行测试任务调度复杂、难以优化的问题,提出了一种广义随机Petri网和人工免疫算法相结合的任务调度优化算法.首先对并行测试系统建立广义随机Petri网(GSPN)模型,然后将激发的变迁序列集作为并行测试任务调度路径;将免疫克隆选择算法(ICSA)应用到并行测试系统任务调度问题中,并提出一种自适应克隆选择算子,搜索最优任务调度路径,得到以测试时间最短为目标的最优任务调度方案.用某型雷达接收机并行测试系统对该算法进行仿真验证,结果表明,与改进的混合遗传算法(IHGA)相比,该算法能够便捷地得到任务调度最优序列,且测试效率更高.     

基于改进的遗传算法系统测试选择问题研究

信息处理系统故障模式具有多样性,为了得到系统的全局优化测试集,降低测试代价,在遗传算法思想的基础上,采取限制每一个基因编码都不相同机制来生成初始化种群、个体失效保护机制进行交叉操作、最优个体保护机制实现变异操作等措施对遗传算法进行了改进,并通过编写C++程序,得到了信息处理系统的全局优化测试集,减少了系统的测试项,从而使测试代价明显降低。经过计算系统的故障检测率和故障隔离率等测试性指标验证了改进遗传算法的正确性。该研究对大型复杂装备系统测试优化选择问题的研究具有重要的指导意义。     

基于Rollout算法的模拟电路测点选择

针对模拟电路的测点选择问题,对整数编码故障字典进行了研究.分析了基于信息熵算法的测点选择算法,并采用Rollout算法对信息熵算法进行优化,建立了一种新的测点选择算法,给出了新算法的详细计算过程和计算效果.试验结果表明,新算法的计算效果优于信息熵算法,且随着故障字典复杂度的增加,优势更加明显.     

《电工学》远程多媒体CAI系统的设计与实现

针对大学《电工学》课程特点,利用ASP.NET等技术和SQLServer开发了一个基于数据库的远程多媒体教学系统。利用分段随机抽选法来实现智能组卷,解决了传统算法在试题库题量大时组卷效率低的问题,并利用SQLManagedProvider连接SQLServer数据库的方式对数据库进行访问,达到了预期的效果。     

基于改进遗传算法的VMS选址研究与分析

随着城市交通的高速发展,交通拥堵和交通事故频繁发生,城市交通诱导作为智能交通系统的重要组成部分,其产生和发展刻不容缓,可变信息板(VMS)是交通诱导系统中实现交通信息传递的重要工具。针对智能交通诱导系统在国内应用的不成熟,采用改进型遗传算法对VMS在路网中的布点位置进行了全局索优,对基本遗传算法中的编码方式,选择方法进行了改进,同时采用动态衰减变异概率进行变异操作,并运用多目标优化算法将多目标函数单一化,针对某一路段上的VMS对该路段下游不同位置的影响程度的不同,引入衰减影响因子;然后以复杂虚拟路网为仿真实例进行了VMS布局仿真检验,结果表明,该方法以VMS效用和经济成本为评价指标,较好地实现了交通路网中VMS选址的最优分布,同时达到了节约资源的目的,具有一定的科学性和实用性。     

基于Rollout算法的测试不可靠条件下的诊断策略*

实际复杂装备系统测试时存在虚警和漏检,其导致的误诊费用往往超过了测试成本。针对复杂系统故障诊断中诊断精度低、虚警率高的问题,进行了不可靠测试条件下,基于Rollout算法的诊断策略优化方法研究。首先建立综合考虑测试点的故障检测能力、信息量、测试费用以及测试结果信任度的启发函数,然后利用Rollout算法生成诊断策略,最后用阿波罗检测系统实例验证了该算法的优越性。理论和实验表明,Rollout算法的平均测试费用低于贪婪算法,而且计算时间在可接受范围内,因此可用于测试不可靠条件下的诊断策略设计。     

基于复杂网络的情感分类特征选择

首先针对公共情感词典对专业领域适用性较低问题,以公共情感词典作为种子情感词典,以评论语料库中未出现在公共情感词典中的形容词作为候选情感词,在此基础之上利用点互信息理论构建专业领域的情感词典。其次针对在线评论情感分类问题,利用复杂网络理论提出了一种新的情感分类特征选择算法,改进了传统特征选择算法忽略特征语义相关信息,遗漏评论情感资源的问题。通过构建候选特征词关系网络,利用复杂网络节点重要性理论,考虑节点的局部和全局重要性,提出了利用网络节点的度中心性、介数中心性和接近中心性综合衡量节点重要性来选择情感分类特征的算法NTFS(Complex network feature selection)。最后以iPhone手机的在线评论为实验数据,利用SVM、NNET、NB分类器对比了NTFS、GI、CHI传统特征选择方法,实验证明NTFS在分类性能上优于GI,CHI算法。     

一种分布式MIMO系统的快速天线选择算法

分布式MIMO系统的天线数目与点对点MIMO相比进一步增多,性能优越的经典天线选择算法难以应用其中。针对这一问题,在分布式架构的基础上提出一种基于逐增端口选择的改进型逐减天线选择算法。该算法通过设定上限的动态端口选择缩小待选天线范围,进而利用贪心策略,逐步去除对信道容量贡献最小的天线。仿真结果表明,该算法的容量性能逼近穷举算法,且复杂度大幅降低,在强相关信道下表现出良好的适应性。     

模糊认知图在股票市场预测中的应用研究

复杂系统中存在着大量的过程依赖、自组织，并且一直是进化的，用传统的方法对其建模十分困难。模糊认知图作为一种模糊逻辑和神经网络相结合的产物，为复杂系统建模提供了一种有效工具。文中根据模糊认知图的特点，提出了用遗传学习算法建立系统的模糊认知图方法，为复杂系统分析及预测提供了一种解决方案。最后，以股票市场的数据为例进行了分析和预测模拟，结果表明，该方法是有效的。