区域分割的自适应变异粒子群算法

为了提高粒子群算法（PSO）的收敛性及多样性,提出一种基于区域分割的自适应变异粒子群算法（RSVPSO）.算法采用区域分割的思想,利用粒子间信息交叉,使粒子搜索区间快速缩小;同时在迭代后期与自适应变异策略相结合,提高粒子跳出局部最优陷阱的能力和增强粒子多样性,达到寻优的目的.将所提出的算法应用于8个测试函数,并与精英免疫克隆选择的协同进化粒子群等算法进行比较,结果表明,新算法在收敛速度、搜索精度及寻优效率等方面有较大提高.     

基于多维离散粒子群优化的协同 OFDMA 系统跨层资源分配

摘 要：针对多服务情况下协同OFDMA（orthogonal frequency division multiple access）系统的资源分配问题,在基站和中继单独功率约束条件下,以最大化用户的效用(utility)总和为目标,提出了一种基于多维离散粒子群（MDPSO）的渐进最优资源分配算法。该算法采用多值离散变量来编码粒子位置,并针对多维离散空间构建了新的基于概率信息的粒子速度和位置更新算法,且引入变异操作来克服粒子群算法的早熟问题。此外,还采用了迭代注水法进行最优功率分配。仿真结果表明,所提算法在总效用、吞吐量和公平性上均明显优于已有资源分配算法。     

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。     

粒子群算法的最小值边界变异策略

提出一种新的粒子群算法(PSO)边界变异策略--最小值边界变异.当粒子某一维或若干维上的位置和速度到达边界时,现有的边界变异方法都是通过不同的方式限制了粒子在该维上的位置或速度的幅值,使粒子返回搜索空间,但是这样同时也改变了粒子原先的飞行方向,降低了粒子在边界附近的寻优能力.而最小值边界变异既能有效地限制了粒子位置或速度的幅值,同时可以保持粒子的飞行方向.经4个通用测试函数验证,表明最小值边界变异优于其他方法.     

MIMO系统中改进的二进制粒子群天线选择算法

在多输入多输出系统中,发射端和接收端的多天线配置提高了信道容量和传输可靠性,而天线选择技术能在保持系统优点的同时有效地降低运算复杂度以及硬件成本。为了能在时变的信道条件下快速地选择出一组最优的天线子集,提出了一种基于二进制粒子群算法的改进的天线选择算法。推导出了二进制粒子群联合收发端天线选择的信道容量公式,并将其作为粒子群算法的适应度函数,使天线选择问题转换成二进制编码串的组合优化问题。通过改进模糊函数提高粒子群算法的收敛性,让二进制粒子群尽可能地收敛于全局最优位置。仿真结果表明,改进的算法能在降低运算复杂度的同时提高收敛性,且系统信道容量趋近于最优算法。     

求解排列问题的分布估计离散粒子群优化算法

目前粒子群优化算法和分布估计算法较少用于解决排列编码组合优化问题,本文提出了一种新的适用于求解排列问题的分布估计离散粒子群优化算法.提出的算法结合粒子群优化算法和分布估计算法的思想,突破了标准粒子群优化算法速度-位移更新模式.新算法中每个粒子的信息一部分来自该粒子当前解排列与全局最优排列的最长公共子串,另一部分来自描述所有个体最优值分布信息的概率模型.这样粒子的当前解、所有个体最优值和全局最优值都参与了新解的生成过程,提出的算法秉承了粒子群优化算法的思想,同时具有更全面的学习能力,提高了算法的寻优能力以及避免陷入局部最优的能力.在两个经典的排列问题上的实验结果表明提出的算法具有良好的性能.     

基于遗传和粒子群算法的天基资源调度策略

以提高天基资源调度效率为目标,提出一种基于遗传和粒子群算法的天基资源调度策略。将资源调度问题抽象为任务排序模型,设计适用于任务排序的十进制编码规则;通过重新定义遗传算法中选择、交叉和变异算子的进化行为以及粒子群算法的速度方向,结合遗传算法全局最优搜索、粒子群算法局部快速收敛等优点设计适用于天基资源调度的遗传-粒子群算法。通过实验验证遗传-粒子群算法能够在较短的时间内计算出全局最优解,是一种高效的天基资源调度解决方法。     

求解连续空间优化问题的量子粒子群算法

为提高粒子群算法的搜索能力和优化效率并避免早熟收敛,将量子进化算法融合到粒子群算法中,提出一种求解连续空间优化问题的量子粒子群优化算法.用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;用量子非门实现变异,提高种群多样性.因每个量子位有两个概率幅,故每个粒子同时占据空间两个位置,在粒子数目相同时,能加速粒子的搜索进程.实验结果表明,本算法优于基本粒子群算法.     

改进的多目标粒子群算法优化设计及应用

针对粒子群算法存在易陷入局部最优点的缺点,提出了一种改进的带变异算子的多目标粒子群优化算法。采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高帕累托(Pareto)最优解的多样性。与其他优化算法相比,该算法易于实现并且计算速度更快。通过计算Pareto前沿最优解设计最佳多层电磁吸收体,在吸收体的厚度与反射系数之间取得最佳折衷。通过对反射系数函数与吸收体厚度函数测试验证,该算法能够在保持优化解多样性的同时具有较好的收敛性。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

量子进化粒子滤波算法及其在说话人跟踪中的应用

以说话人跟踪问题作为应用背景,针对非线性、非高斯随机系统的状态估计问题,本文将量子进化算法和粒子滤波相结合,提出了一种量子进化粒子滤波算法.该算法采用量子编码来表示粒子;通过模拟量子坍塌产生粒子集,同时引入量子变异与量子交叉操作来保持粒子的多样性,从而提高了算法的滤波性能.计算机仿真与说话人跟踪实验结果表明,量子进化粒子滤波算法比通常的粒子滤波算法具有更好的滤波性能.     

自适应变异的粒子群优化算法

本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力.对几种典型函数的测试结果表明:新算法的全局收搜索能力有了显著提高,并且能够有效避免早熟收敛问题.     

一种求解SLA等级感知服务组合问题的多目标离散粒子群优化算法

针对SLA等级感知服务组合问题,本文提出了一种求解该问题的多目标离散粒子群算法(MDPSO),建立了多目标粒子群算法优化模型.根据该问题的特征,对粒子更新策略进行重新设计;并且提出粒子变异策略以抑制群体的早熟收敛增强群体的全局搜索能力.另外,提出了一种基于约束支配关系的局部搜索策略并将其结合到MDPSO算法,形成算法MDPSO+.最后对MDPSO算法的参数设值进行了分析,并将算法MDPSO、MDPSO+与最近提出的求解该问题的E³-MOGA算法及NSGA-II算法在不同规模的测试用例上进行了实验对比,结果表明算法MDPSO+能够更加有效的解决该问题.     

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.     

基于改进SFLA-PF算法的OFDM系统的目标跟踪

在OFDM通信系统中,为了解决非线性的目标跟踪问题,提出了基于改进混合蛙跳算法(SFLA)和粒子滤波算法(PF)相结合的方法来研究动态目标跟踪技术.首先利用高斯变异的局部搜索能力强和柯西变异的全局搜索能力强等优点对混合蛙跳算法进行改进,然后用改进后的混合蛙跳算法来优化粒子滤波算法进行动态跟踪,其优点不需要重采样步骤,有效地保持了粒子的多样性和有效性.仿真结果表明,该算法能够有效实现动态目标跟踪,并且跟踪效果优于同等条件下的混合蛙跳算法和粒子滤波算法.     

基于遗传算法的改进智能优化蚁群算法

针对蚁群算法加速收敛和早熟停滞现象的矛盾,根据遗传算法的交叉算子、变异算子和粒子群算法的粒子极值,采用一种优化蚁群算法,以在加速收敛和防止早熟停滞现象之间取得更好的平衡.在利用该算法解决TSP问题中,当前解与个体极值和全局极值分别进行交叉操作,产生的解为新的位置信息.通过对50个城市问题进行实验,结果表明,该方法比一般蚁群算法具有更好的收敛速度和稳定性,适合于求解大规模的问题.     

基于GIS和差分进化粒子群的变电站选址方法

文中提出了一种基于地理信息系统(GIS)和差分进化改进粒子群的配电网变电站优化选址方法。该方法利用GIS确定变电站数量,基于变电站投资运行费用建立有约束条件的目标函数,采用粒子群算法进行变电站选址优化。针对粒子群算法易陷入局部最优且收敛速度慢的问题,借助差分进化引入两个变异因子,在提升粒子群算法收敛速度的同时,避免其陷入局部最优。算例分析结果表明,该方法具有较好的寻优能力和收敛特性,能够有效实现变电站选址优化。     

改进粒子群算法在频谱功率分配中的应用

在认知无线电中,由于次用户干扰门限要求的存在,传统频谱功率分配方式获得的次用户有效信道容量较低。针对这一问题,提出了一种基于粒子群算法的频谱功率分配算法。首先建立基于干扰距离的认知网络干扰模型,将频谱功率分配问题转化为函数优化问题,并借助混合随机变异思想的粒子群算法进行求解;针对寻优过程中的约束问题,提出了一种基于投入产出比的外点法,保证粒子群在可行域中寻优,最终获得频谱功率分配。仿真结果表明,与传统算法相比,所提算法能够获得较高的次用户有效信道容量。