基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

计算机辅助Treanor—DFP法估算动力学参数

为估算催化反应动力学数据提出了１种稳定性高，适应性强的算法，即Ｔｒｅａｎｏｒ－ＤＲＰ法，这种算法不仅能解决大部分以往很难或无法进行的复杂体系的参数估算问题，而且还能大幅度提高计算速度。     

遗传算法在估计催化裂化集总模型参数中的应用

催化裂化集总动力学模型是1种多参数、高耦联的复杂反应动力学模型.用经典的优化算法求解模型参数时,常常需要对模型作一些数学处理,而复杂模型的数学处理相对困难;此外,经典算法的求解结果也常常不尽如人意.为解决这类模型的参数估计问题,以老遗传算法为基础,提出1种以亲子竞争和最优个体保护策略相结合的新遗传算法.新算法采取全局交叉和自适应变异,既保证了最大范围搜索解空间、避免算法在计算初期就陷入局部最优,又能在后期对局部细致搜索,提高了计算精度;克服了老算法随机性大、容易陷入局部最优的缺点.为测试新算法的效果,首先用某多参数复杂模型做测试,结果证明无论是遗传代数相同情况下的计算精度,还是为了达到某一精度而要求的计算代数,新算法都优于老者.然后用于估计催化裂化提升管反应器集总动力学动态模型参数.最后,取工业实际数据验证模型参数,泛化结果表明模型预测值与实际测量值基本吻合,120组数据的平均相对误差为1.71%,证明新算法适用性较好.     

一种污水生化处理系统模型参数智能估算方法

研究污水生化处理优化问题,由于受到当前监测手段和分析方法的限制,污水生化处理系统活性污泥模型的许多参数不能直接或准确测定.模型的参数并不具备普遍性,应用于不同污水处理厂的模型参数并不能取同样的值.针对这一问题,采用改进的免疫算法对模型参数值进行估算.改进的免疫算法采用周期性变化的变异算子以及混合评价指标的免疫选择算子,提高算法的搜索能力,使模型的动力学性质最大程度地拟合实验观测数据.仿真结果表明,改进的免疫算法能提高污水处理系统的计算精度和速度.     

复杂动力学模型参数优化问题的协同进化算法

复杂反应动力学建模中,系统参数的优化是需要解决的关键问题之一.该类优化问题具有多参数、非线性以及参数相关性强等特点.协同进化算法将多种群之间的协同作用以及种群内部的独立进化相结合,适合于求解该类问题.将改进的协同进化算法应用到化工氧化反应建模过程的系统参数优化问题中,避免了解决该类问题的传统优化算法中易陷入局部极值以及初值依赖性强的缺点,运用理论证明了该算法的有效性.测试结果表明,协同进化算法对于求解该类复杂参数优化问题是有效的.     

基于形状规划理论的小行星探测方法

小推力轨迹优化过程的控制率设计是典型的非线性动力学最优控制问题。针对具体的问题背景,直接优化算法和间接优化算法已被广泛应用。为了简化问题的优化模型,采用形状规划理论来模拟小推力的作用轨迹,将动力学最优控制问题转化成多项式的参数优化。结合小行星群的探测,利用粒子群优化与微分进化混合优化算法进行全局优化,为满足精度要求,再采用模式搜索局部优化算法进行二次优化。     

改进退火遗传算法在SQL数据挖掘参数优化中的应用

针对SQL数据挖掘在复杂动力学系统故障诊断中的模式分类问题,以决策树参数优化为例,开展SQL数据挖掘分类算法参数优化研究。目前数据挖掘中的各类算法参数往往根据经验值设定,预测精度不高;只用遗传算法进行参数优化,分类预测结果容易发生振荡和早熟现象。采用改进的退火遗传算法对SQL数据挖掘中的决策树算法参数进行优化,解决了人工经验设置参数效率低下、精度不高的问题,同时实现了全局搜索,快速收敛到全局最优解。     

基于混沌蚂蚁的分布式系统协同优化方法

针对复杂分布式系统的优化问题,提出基于混沌蚂蚁的复杂分布式系统协同优化方法.在系统理论指导下,分析复杂分布式系统中自主Agent的基本动力学特征,进而提出复杂分布式系统协同优化模型.在此基础上,借助混沌蚂蚁群算法(CAS)的思想,建立基于混沌蚂蚁的复杂分布式系统协同优化算法(CAS-CO).通过对复杂多Agent网络中基于位置的任务分配问题进行仿真实验,同时与已有算法仿真结果对比,表明CAS-CO算法可行有效,反映文中模型的正确性和Agent的自主性在复杂分布式系统设计和构建中的重要性.     

基于稀缺数据集下BN参数学习的目标识别

针对贝叶斯网络（BN）在目标识别参数建模中常常面临特征数据样本相对稀缺的问题,研究了将稀缺数据集与定性专家经验相融合来估算BN模型参数的方法——CSDE,并据此提出了一种目标识别算法。该算法在BN结构已知的情况下,将定性专家经验转化为BN条件概率之间的约束集合;随后引入凸优化求解方法完成BN目标识别模型参数的估算。在实验研究中,先通过对经典的BN模型的参数学习问题验证了CSDE算法的有效性;随后,针对实际稀缺样本数据集目标识别问题,进行了建模及识别实验。实验结果表明：所提出的算法能够较好地解决样本数据集相对稀缺条件下的目标识别参数建模问题。     

基于多项式的智能车辆换道轨迹规划

以智能车辆换道过程为研究对象,提出一种基于多项式理论的车辆换道轨迹规划算法。该算法采用矩形对换道车辆及障碍车辆进行包裹,结合换道车辆的边界条件由以时间为参数的多项式计算得到换道轨迹。由该算法生成的换道轨迹符合四段式车道变换模型,并适用于复杂道路环境。新算法将复杂道路环境中期望换道轨迹的求取问题转换为单一参数求取问题,简化了计算,同时考虑了车辆动力学限制对生成轨迹的影响。计算机仿真验证了算法的正确性及有效性,尤其是在复杂路面情况下体现了该换道轨迹规划算法的优势。     

基于两阶段求解算法的动态车辆调度问题研究

在分析需求动态变化的基础上,根据需求信息的提出顺序,将动态配送问题转换成不同时刻的静态车辆调度问题,建立基于时间轴的动态车辆调度模型;利用量子理论改进遗传算法,设计量子遗传算法;针对动态车辆调度问题实时性强的特点,设计＂初始优化阶段＋实时优化阶段＂的两阶段求解策略,通过信息更新插入动态需求客户,并对已产生的计划路径进行局部优化调整.通过仿真计算,验证了模型和算法的有效性.     

A global shooting algorithm for the facility location and capacity acquisition problem on a line with dense demand

This paper describes the development of an exact allocation-based solution algorithm for the facility location and capacity acquisition problem (LCAP) on a line with dense demand data. Initially, the n-facility problem on a line is studied and formulated as a dynamic programming model in the allocation decision space. Next, we cast this dynamic programming formulation as a two-point boundary value problem and provide conditions for the existence and uniqueness of solutions. We derive sufficient conditions for non-empty service regions and necessary conditions for interior facility locations. We develop an efficient exact shooting algorithm to solve the problem as an initial value problem and illustrate on an example. A computational study is conducted to study the effect of demand density and other problem parameters on the solutions.     

基于双线性模型的连续时间非线性最优控制的DISOPE 算法

对连续时间非线性最优控制问题出了基于双线性二次型问题的ＤＩＳＯＰＥ算法,在模型与实际存在差异的情况下,通过求解修正的基于双线性模型的优化总理２和参数估计问题,给出了实际问题的最优解,提出了求解非齐次双线性二次型问题的迭代算法,分析了该算法的收敛性,仿真结果表明该算法比现有算法有更好的收敛特性。     

基于复合粒子群算法的几何约束求解技术研究

在将几何约束问题的约束方程组转化为优化模型的时候,需要找到一种方法来跳出局部最优解,进而找到全局最优解。为了兼顾算法的快速性和全局性,几何约束求解时,考虑使用复合粒子群算法。这种粒子群算法是一种基于群智能方法的演化计算技术,不仅在所有的进化算法中都包括控制其自身特性的启发式参数,而且这些参数通常是与特定的问题相关,并可由用户自己定义。虽然合适的参数选择需要用户丰富的经验和对研究问题所提供信息的正确判断,更重要的是,这些启发式参数会影响到算法的收敛特性,但是即便是很有经验的用户也可能选择不恰当的参数,从而使问题得不到有效地解决,这就越来越需要对这些参数进行研究。为此可将将粒子群算法中的控制参数的选取作为一个优化问题,以便用常规遗传算法来控制粒子群算法中的启发式参数,即形成了复合粒子群优化算法,通过把复合粒子群算法成功地应用到几何约束求解技术的实验表明,该方法可以在很短的时间内找到最优解。     

基于思维进化计算和蚂蚁算法的网格资源分配

网格环境中的资源调度是网格技术的核心问题之一，启发式方法在解决复杂困难的系统优化问题方面具有优越性，成为最通用的解决方案。将思维进化计算和蚂蚁算法2种新型的启发式优化算法融合，利用思维进化计算的快速寻优能力产生信息素的初始分布，再利用蚂蚁算法的正反馈机制求得最终优化解，并将该融合算法用于网格资源的动态分配研究。实验验证了该分配方案的有效性。     

网格服务调度算法分布式部署和QoS性能分析

网格是一种复杂的分布式计算系统,研究其网格服务对网格作业的调度算法的分布式部署和性能分析问题具有重要的意义。网格服务调度系统的状态空间模型考虑了具有不同的输入速率和输出速率的作业队列,提出了清空型调度策略和服务调度算法,并在此基础上分析了其分布式部署问题,计算了系统QoS性能指标,指出了稳态吞吐量、稳态响应时间与负载系数的关系。     

基于动态粒子群优化的网格任务调度算法*

提出了一种基于动态粒子群优化的网格任务调度算法。设计了网格任务调度问题的数学模型,给出了自适应变异的动态粒子群优化算法的框架,引入了自适应学习因子和自适应变异策略,从而使算法具有动态自适应性,能够较容易地跳出局部最优。实验结果表明,本文算法能有效地解决异构网格任务调度问题,具有较好的应用价值。     

基于动态网络影响扩散问题研究

影响扩散是复杂网络上动态过程研究的关键问题之一,而且基于动态网络的影响扩散问题的相关成果很少。讨论了动态独立级联模型和动态线性阈值模型以及基于这两个模型的动态影响最大化问题,提出了一种改进的贪婪算法,该算法消除了随机模型的不确定性并采用连通图方法来提高算法性能,并在不同规模的4个数据集上进行了验证。实验结果表明,与HT算法相比,提出的算法在影响扩散范围方面具有明显的优势,且在时间效率方面要好于HT算法。     

钢铁企业生产调度与仿真研究

流程工业企业在生产过程中存在如生产量大、过程复杂等特点,因此生产调度在其中处于非常重要的地位。本文针对钢铁流程企业中存在的物料流调度参数多、流程多样、约束种类多等问题,首先进行了问题的数学建模,定义了调度过程中常用的各种参数、基本数学模型、优化指标和相关约束,然后利用改进的遗传算法对问题进行了求解,并通过实际的生产实例的仿真实验,证明了方法的有效性。