引入模式搜索算子的粒子群优化算法

针对粒子群优化算法(PSO)在解决复杂的高维优化问题时容易陷入局部最优和收敛速度慢的问题,结合模式搜索算法较强的局部搜索能力,提出一种引入模式搜索算子的粒子群优化算法(HJPSO).为避免最优粒子陷入局部最优而导致整个种群出现搜索停滞,在PSO算法的迭代过程中加入判断粒子陷入局部最优的机制,当检测到早熟停滞迹象时,使用模式搜索算子对整个粒子群当前搜索到的历史最优位置进行模式搜索以帮助算法跳出局部最优点.标准测试函数的运行结果表明,该算法具有较强的跳出局部最优的能力,收敛速度较快,稳定性好.     

一种基于遗传粒子群算法的选播路由算法

选播是IPv6中定义的一种新的通信模式.在分析选播通信服务基础上,提出一种基于遗传粒子群算法的选播路由算法,以求解多QoS约束的选播路由问题.算法将遗传算法和粒子群算法结合起来,通过设置一个更新算子,让路径之间相互学习,使得整个种群不断地趋干最优路径.仿真实验结果表明,该算法是可行和有效的,比单独基于遗传算法或粒子群算法的选播路由算法有一定的优越性.     

改进粒子群算法的露天矿路径优化研究

为将面向连续优化的粒子群优化算法应用于露天矿路径优化问题的求解,提出了露天矿路径优化问题的权重编码方案．该方案将属于组合优化的露天矿路径问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性．针对粒子群算法易陷入局部最优的问题,提出了适合露天矿路径优化问题的基于k-中心点法的改进措施,在此基础上采用k-中心点法对粒子群进行聚类分析,实现了粒子之间的信息交换,扩大了粒子的搜索空间,避免算法陷入局部最优．最后,用露天矿的实际路径节点数据验证了权重编码方案和改进粒子群算法的有效性．     

基于模拟退火的自适应离散型布谷鸟算法求解旅行商问题

提出了一种基于模拟退火的自适应离散型布谷鸟算法求解旅行商问题.该算法在布谷鸟搜索算法原理的基础上,构造了旅行商问题的路径求解策略.由于算法的局限性,随着算法的调整和迭代次数的增加,容易破坏已形成的路径,从而使得算法通用性不强.针对这一局限性,本文提出了一种自适应局部调整算子和全局随机扰动策略.采用简单的2-opt算子作为局部优化算子加快算法收敛速度,引入模拟退火机制防止算法陷入局部最优.采用标准TSPLIB多组数据进行测试,并与有代表性的优化算法进行结果比较.实验结果证明了该算法在精度和稳定性方面的优势.     

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.     

基于自识别交叉算子和自适应变异算子的遗传算法研究

为有效地解决遗传算法收敛速度和局部最优解的矛盾,本文提出了一种具有自识别交叉算子和基于海明距离的动态变异算子的遗传算法.自识别交叉算子保证父代的优良模式遗传到下一代,加快了算法的收敛速度;而动态变异算子扩大了搜索范围,增强了算法跳离局部最优解的能力.实验证明,两种改进算子的有效结合保证算法能以较快速度收敛于全局最优解.     

基于非均衡变异离散粒子群算法的QoS 全局最优Web服务选择方法

 QoS全局最优的Web服务选择是NP完全问题.针对现有解决方案的不足,提出了一种改进的离散粒子群算法.该算法首先根据问题模型重新定义了粒子群算法中的位置、速度和算子操作,然后对最优粒子进行非均衡变异,并设计了非均衡变异概率函数,同时在速度和位置更新中分别采用自适应权重调整机制和局部适应优先策略.通过实验仿真,与他人工作对比结果表明,提出的算法在降低服务选择时间的同时,提高了服务选择的质量.     

基于改进粒子群算法的三维路径规划

路径规划是无人机任务目标的重要组成部分,针对粒子群(PSO)算法早期收敛速度快,后期易陷入局部最优的缺点,提出一种结合天牛须搜索(BAS)算法的改进粒子群算法,并将其应用于无人机三维空间路径规划.在改进的粒子群算法中,利用天牛个体的优势,在每次迭代中都有自己对环境空间的判断,使路径更加合理,搜索效率更高.仿真结果表明,与粒子群算法相比,使用改进的粒子群算法进行无人机三维路径规划效果更好、代价更小.     

基于多智能体粒子群算法的盲均衡技术研究

在解决盲均衡的问题中,当前主要采用梯度搜索的方法,这种方法的优点在于局部最优解收敛,降低通信性能。本文根据粒子群算法,设计了各种算子,提出了用粒子群算法的快速搜索全局最优解的性能来优化盲均衡算法的代价函数,从而提出了一种新的基于粒子群算法的盲均衡算法。仿真结果表明,所提出的算法在较少的迭代次数情况下,能够快速收敛,具有较优的性能。     

改进的混合粒子群算法

为了能够有效避免搜索过程陷入局部最优,从而增强全局搜索能力,提出一种基于模拟退火的粒子群算法.算法中引入遗传算法中常用的轮盘赌选择算子,能在早期抑制部分超级粒子对种群的控制,增加了群体的多样性.通过测试函数的比较表明,混合算法能很好地保持种群多样性,具有良好的计算精度和全局寻优能力.     

基于改进K-means聚类和量子粒子群算法的多航迹规划

针对在复杂环境下需要通过多航迹规划以实现武器协同的问题,利用排挤机制产生Kmeans聚类的初始聚类中心,并将改进K-means聚类与量子粒子群算法(QPSO)相结合应用于无人机的三维多航迹规划。改进算法解决了K-means聚类易陷入局部最优、聚类准确率低的问题。根据产生的初始聚类中心,将粒子划分成多个子种群,利用QPSO算法对每个子种群进行优化,使得每个子种群可以产生一条可行航迹。仿真分析证明了改进算法可以有效保证子种群之间的多样性,生成较为分散的多条可行航迹。     

MCMC粒子滤波算法研究及应用

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,适用于非线性非高斯系统的分析,被广泛应用于跟踪、定位等问题的研究中。为了解决粒子滤波算法在重采样后,丧失粒子多样性的问题,本文在粒子滤波算法的重采样步骤后,加入了马尔可夫链蒙特卡罗（Markov Chain Monte Carlo,简称MCMC）移动步骤,增加粒子的多样性。利用粒子滤波算法和MCMC粒子滤波算法对目标跟踪问题进行了仿真,并且通过分析仿真实验结果,比较了两种算法的性能,结果说明加入MCMC粒子滤波算法的性能优于粒子滤波算法。     

一种基于QMC-APF的检测前跟踪算法

针对粒子滤波检测前跟踪算法中存在的粒子数目大,导致计算量和存储量大的问题,提出了一种基于拟蒙特卡罗的辅助粒子滤波检测前跟踪算法。该算法通过引入拟蒙特卡罗思想,产生低差异序列代替原来算法中的伪随机序列,使得粒子分布更加均匀,可以有效降低粒子数;采用辅助粒子滤波算法,对粒子进行两次加权操作。实验仿真表明,在对雷达弱目标进行检测与跟踪的过程中,该算法能够在保证算法性能的同时减少算法中的粒子数目,有效降低计算量和存储量。     

基于PSO-GA算法的多用户OFDM系统资源分配

为了最小化多用户OFDM系统的总发射功率,提出利用改进的粒子群算法与遗传算法相结合的联合算法(PSO-GA)来搜索最优的子载波和比特分配。该算法首先利用改进粒子群算法对系统的子载波和比特分配进行优化。算法运行过程中,当更新后的粒子速度大于最大粒子速度或小于最小粒子速度时,取最大粒子速度与最小粒子速度区间中的一个随机值作为更新的粒子速度。待PSO-GA算法的改进粒子群算法收敛后,将收敛后的种群作为遗传算法的初始种群,再利用遗传算法进行系统的子载波和比特优化分配,进而得出最优解。仿真结果表明,利用该算法比利用遗传算法、粒子群算法与Zhang算法的分配方案使系统需要的总发射功率降低2~10 dB。     

分簇拓扑下backpressure算法的延迟性改进研究

Backpressure算法是一种自适用的路由调度算法,它从理论上解决throughput-optimal问题,但是在实际网络部署中,存在节点维护数据队列的数量繁多和数据路由繁长问题,致使数据传输延迟较长。文中就此问题出发,把backpressure算法应用到分簇拓扑上,使用shadow算法实现backpressure算法下的路由调度,采用LIFO策略调度队列,同时又对路径选择了做了优化。仿真结果表明,数据传输的延迟性大大降低。     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。     

Network restoration under dual failures using path-protecting preconfigured cycles

This paper presents a design algorithm for networks with a restoration mechanism that provides end-to-end path protection to a set of demands with specified working routes, where demands must survive one or two failures in optical networks and these failures may occur almost instantaneously. Each of the demands protected from two failures is assigned two restoration routes and restoration wavelengths on a cycle. A demand protected from a single failure is assigned one restoration route and restoration wavelengths on a cycle. These assignments are preconfigured so that switching and wavelength conversions are not needed at intermediate nodes of restoration routes. Splitting of demand across multiple restoration routes upon a failure occurrence is not allowed. The algorithm generates a large number of candidate Path-Protecting Preconfigured Cycles (PP-PCs). A candidate cycle may provide protection to a mix of demands requiring different protection levels, where demands may share under certain conditions restoration wavelengths even if they are exposed to common failure scenarios and have overlapping restoration routes. A near-optimal set of preconfigured cycles is selected from among all candidates, attempting to minimize the total cost of restoration wavelengths while ensuring that each demand is assigned to a single preconfigured cycle. This is achieved by solving a set covering problem followed by deleting duplicate demand assignments and by resolving wavelength assignment conflicts.     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

北斗/INS组合导航中人工鱼群粒子滤波的应用

为解决粒子滤波中的粒子退化和枯竭问题,提出一种动态人工鱼群粒子滤波算法,该算法在粒子滤波重采样过程中引入人工鱼群算法的觅食和聚群行为,并依据概率密度的动态比值动态调整人工鱼的移动步长,此算法提升了粒子的多样性,克服了粒子退化及枯竭问题;推动粒子向优选区域逼近,并提高了粒子的全局搜索能力,避免粒子陷入局部最优。将改进的动态人工鱼群粒子滤波在北斗/INS紧组合的模型上进行应用,并通过仿真与人工鱼群粒子滤波及标准粒子滤波算法PF相比较。仿真结果表明,动态人工鱼群粒子滤波可显著提高估算精度,从而为在利用北斗和INS在紧组合导航时提供了新的方法。     

基于VB和Access的温度采集系统的设计与实现

针对函数优化问题,提出了一种基于离差平方和法的粒子群优化算法。该算法用混沌序列初始化粒子的位置和速度,选择好于粒子群优化算法产生的粒子位置。通过离差平方和法进行聚类,利用分类方式来更新粒子的速度。最后将算法应用到3个典型的函数优化问题中,数值结果比较表明,提高了算法搜索能力,全局最优解的精度和收敛速度。