利用增强烟花算法对RFID网络进行规划

为了实现面向复杂环境下的RFID（Radio Frequency Identification）网络规划,提出利用增强烟花算法,并采用分层方法来实现多目标RFID网络的规划。通过建立优化模型,在满足标签100%覆盖率、部署更少的阅读器、使用较少的发射功率和避免信号干扰四个目标的基础上,使用标准基测试集进行测试,与GPSO（Global topology Particle Swarm Optimization）、VNPSO（Von Neumann topology Particle Swarm Optimization）、GPSO-RNP（Global topology Particle Swarm Optimization-RFID Network Planning）和VNPSO-RNP（Von Neumann topology Particle Swarm Optimization-RFID Network Planning）四种算法进行了对比分析。实验结果表明,增强烟花算法在对多目标RFID进行网络规划时表现更优异,可以更有效地求出最优化方案。     

基于拥挤度快速排序的物联网RFID系统优化设计

大规模物联网射频识别(RFID)网络规划问题已被证明是一个NP难问题,为提高物联网RFID系统设计的合理性,提出一种基于个体拥挤度快速排序的物联网RFID系统设计方法。首先,将RFID网络规划问题分解为最佳标签覆盖、读写器干扰、经济性指标和负载均衡指标四项指标构成的多目标优化问题,并引入多目标人工蜂群算法(MABC)进行优化;其次,为提高MABC算法的优化性能,利用非支配排序方法设计了一种快速的排序方法,并利用拥挤度分析提高种群的多样性;最后,通过实验对比验证了所提系统设计方法的有效性。     

基于混合粒子群的RFID网络的优化部署*

在RFID网络系统中,贴有标签的物品可能随机地布置着,针对如何有效地放置阅读器,使得阅读器可以读取多个标签信息同时减小冲突的问题,建立了RFID网络系统的优化模型,提出了一种混合粒子群算法来优化部署阅读器的位置。实验结果表明,混合粒子群算法分别比传统的粒子群(PSO)和遗传算法(GA)在收敛速度和寻优能力上具有更好的性能,体现出混合粒子群算法的优越性。     

求解铁路物流配送中心选址问题的改进灰狼优化算法

针对单一机制的灰狼优化算法（GWO）易陷于局部最优、收敛速度慢的问题,提出了一种改进灰狼优化（IGWO）算法来解决实际铁路物流配送中心选址的问题。首先,在基本的灰狼优化算法的基础上,引入佳点集理论初始化种群,从而提高了初始种群的多样性;然后,利用差值剔除策略（DES）来增加全局寻优能力,以达到一种高效的寻优模式。仿真实验结果表明：与标准的灰狼算法相比,所提出的IGWO适应度值提高了3%,在10个测试函数中最优值精度可最多提高7个单位;与粒子群优化（PSO）算法、差分进化（DE）算法和遗传算法（GA）比较,所提算法的运行速度分别提高了39.6%、46.5%和65.9%,选址速度也明显提高。可见所提算法可用于铁路物流中心的选址。     

基于量子行为粒子群优化方法的随机规划算法

在不断变化的金融市场中,多阶段投资组合优化通过周期性地重组投资对象来追求回报最大,风险最小。提出了使用基于量子化行为的粒子群优化算法（Quantum-behaved Particle Swarm Optimization,QPSO）解决多阶段投资优化问题,并使用经典的利润风险函数作为目标函数,通过算法对标准普尔指数100的不同股票和现金进行投资组合的优化研究。根据实验得出的期望收益率与方差表明,QPSO算法在寻找全局最优解方面要优于粒子群算法（Particle Swarm Optimization,PSO）和遗传算法（Genetic Algorithm,GA）。     

基于改进型多目标樽海鞘群算法的RFID阅读器天线优化部署

随着射频识别(Radio Frequency Identification,RFID)技术的飞速发展,在各种特殊的环境下(如工厂、仓库、监狱等),对RFID阅读器天线优化部署的需求开始受到广泛关注.针对目前RFID阅读器天线部署中存在的部署难度大、约束条件多且不易找到最优解和Pareto前沿等问题,文中提出了一种基于改进型多目标樽海鞘群算法(Multi-obj ective Salp Swarm Algorithm,MSSA)的RFID阅读器天线优化部署方法.预先构建多目标RFID阅读器天线优化部署模型,设定优化目标;多目标樽海鞘群算法对RFID阅读器天线优化部署模型进行优化训练,引入分离算子以优化搜索能力,并通过迭代不断寻找满足条件的非支配解,构建满足条件的Pareto解集,其即为优化的结果.实验数据表明,MSSA算法求解时无需先验知识和设置加权系数,收敛速度快;在相同实验环境下,MSSA算法与带观察者机制的蝙蝠(BA-OM)算法、粒子群(PSO)算法、细菌觅食优化(MCBFO)算法相比,覆盖率分别提高了33％,28％,20％;与同类型的求Pareto解集的混合萤火虫(HMOFA)算法相比,MSSA算法的负载均衡提高了7.14％,经济效益提高了59.74％,阅读器干扰减少34.04％.     

求解约束优化问题的改进灰狼优化算法

针对基本灰狼优化(GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题,提出一种改进灰狼优化(IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件,将原约束优化问题转化为无约束优化问题,然后利用IGWO算法对转换后的无约束优化问题进行求解。在IGWO算法中,引入佳点集理论生成初始种群,为算法全局搜索奠定基础;为了提高局部搜索能力和加快收敛,对当前最优灰狼个体执行Powell局部搜索。采用几个标准约束优化测试问题进行仿真实验,结果表明该算法不仅克服了基本GWO的缺点,而且性能优于差分进化和粒子群优化算法。     

基于APSO-LSSVM的航空发动机轴承故障诊断及寿命预测

航空发动机轴承在高速、高温、高载荷等极端工况下易发生机械故障,为了提前预警,提出了一种基于自适应粒子群优化(Adaptive Particle Swarm Optimization, APSO)算法的最小二乘支持向量机(APSO Least Squares Support Vector Machine, APSO-LSSVM)对滑油系统中轴承磨屑进行在线监测的故障诊断及寿命预测。通过主成分分析法(Principal Components Analysis, PCA)对滑油磨屑信息进行降维处理,构建特征向量,并将特征向量输入APSO-LSSVM模型,对轴承故障状态进行分类并对轴承剩余寿命进行预测。结果表明：使用PCA可以保留数据样本99.9%的信息,同时还能极大地降低数据维度;与遗传算法(Genetic Algorithm, GA)、灰狼优化(Grey Wolf Optimization, GWO)算法、粒子群优化(Particle Swarm Optimization, PSO)算法的支持向量机相比,所提算法因采用了自适应调节粒子移动步幅,在进行轴承状态分类时准确率更高,分类正确率可达...     

超高频RFID系统的CRC分组ALOHA算法优化

标签冲突增加了射频识别(RFID)系统的时间开销和能量损耗,降低了识别速度,随着标签数量的不断增加,冲突更加明显,系统性能急剧下降。为了解决RFID系统中的多标签防碰撞问题,在分析帧时隙ALOHA算法的基础上提出一种基于标签分组的帧时隙ALOHA优化算法。该算法首先通过标签自身携带的循环冗余校验(CRC) 码将标签分组,记录标签组的组号,按照组号的顺序依次识别,从而减少同时响应阅读器命令的标签数量;针对识别过程中的时隙选择冲突问题,可以通过混沌系统产生均匀分布的伪随机数,对进入识别状态的标签随机选择时隙号,使标签在一帧内选择的时隙分布更加均匀,从而减少标签碰撞的次数。与传统算法的对比实验中：当待识别标签数量相等时,优化算法识别完标签所需命令数更少,且所用命令数与标签数目呈近似线性关系;当待识别的标签数量小于256时,优化算法的标签识别速度提高率稳定在50%;当待识别的标签数量大于256时,优化算法能使标签识别速度提高率达80%。理论分析与实验结果表明,优化算法识别标签的速度更快,且随着标签数量的增加,其优势更明显。     

基于烟花算法的云计算多目标任务调度

为了更好地满足云计算中用户的服务质量(Quality of Service, QoS)需求,合理利用云数据中心的资源,以任务的执行时间和虚拟机的负载均衡作为优化的目标对象,提出了一种基于烟花算法(Fireworks Algorithm, FWA)的多目标优化调度模型。烟花算法是一种启发式算法,利用爆炸算子、高斯变异和选择策略能较快地寻找到全局最优解。通过在Cloudsim上与粒子群优化算法(PSO)和遗传算法(GA)进行有效性和执行时间上的对比,结果表明烟花算法在不同实验次数下可持续得到最优适应度值,而且在种群规模不断扩大时,烟花算法的执行时间没有陡然增加,明显优于PSO算法和GA算法。     

Multi-colony bacteria foraging optimization with cell-to-cell communication for RFID network planning

In order to obtain accurate and reliable network planning in the Radio Frequency Identification (RFID) communication system, the locations of readers and the associated values for each of the reader parameters have to be determined. All these choices must optimize a set of objectives, such as tag coverage, economic efficiency, load balance, and interference level between readers. This paper proposes a novel optimization algorithm, namely the multi-colony bacteria foraging optimization (MC-BFO), to solve complex RFID network planning problem. The main idea of MC-BFO is to extend the single population bacterial foraging algorithm to the interacting multi-colony model by relating the chemotactic behavior of single bacterial cell to the cell-to-cell communication of bacterial community. With this multi-colony cooperative approach, a suitable diversity in the whole bacterial community can be maintained. At the same time, the cell-to-cell communication mechanism significantly speeds up the bacterial community to converge to the global optimum. Then a mathematical model for planning RFID networks is developed based on the proposed MC-BFO. The performance of MC-BFO is compared to both GA and PSO on RFID network planning problem, demonstrating its superiority.     

An integer encoding grey wolf optimizer for virtual network function placement

This paper studies the virtual network function placement (VNF-P) problem in the context of network function virtualization (NFV), where the end-to-end delay of a requested service function chain (SFC) is minimized and the compute, storage, I/O and bandwidth resources are considered. To address this problem, an integer encoding grey wolf optimizer (IEGWO) is proposed. IEGWO has two significant features, namely an integer encoding scheme and a new wolf position update mechanism. The integer encoding scheme is problem-specific and offers a natural way to represent VNF-P solutions. The proposed wolf position update mechanism divides the wolf pack into two groups in each iteration, where one group performs exploitation while the other focuses on global exploration. It provides the search with a balanced local exploitation and global exploration during evolution. Performance evaluation has been conducted based on 20 test instances and IEGWO is compared with five state-of-the-art meta-heuristics, including the black hole algorithm (BH), the genetic algorithm (GA), the group counseling optimization (GCO), the particle swarm optimization (PSO) and the teaching–learning-based optimization (TLBO). Simulation results demonstrate that compared with BH, GA, GCO, PSO and TLBO, IEGWO achieves significantly better solution quality regarding the mean (standard deviation), boxplot and t-test results of the best fitness values obtained.     

基于Cat混沌与高斯变异的改进灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点,提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置,为算法全局搜索过程的种群多样性奠定基础;同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度;最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验,结果表明,与基本GWO算法、PSO算法、GA算法以及ACO算法相比,该算法具有更好的求解精度和更快的收敛速度。     

Micro genetic algorithm with spatial crossover and correction schemes for constrained three-dimensional reader network planning

Due to the fast growing electronic commerce, the constrained three-dimensional reader network planning (C3DRNP) of the radio frequency identification (RFID) system for large warehouses is a subject that is worthy of study. A micro genetic algorithm (mGA) with novel spatial crossover and correction schemes is proposed to cope with this C3DRNP problem. The proposed algorithm is computationally efficient, which allows a frequent replacement of the RFID readers in the network to account for the fast turnaround time of the stored objects in the warehouse, and guarantees 100% tag coverage to avoid missing the records of the objects.The proposed algorithm is tested and compared with the existing methods such as the particle swarm optimization (PSO) method and the conventional GA (CGA) on solving several C3DRNP problems with various network sizes. The comparison results demonstrate the computational efficiency of the mGA and the effectiveness of the novel spatial crossover and correction schemes in searching the solution.     

面向柔性制造车间的多目标RFID网络规划方法

针对具有多种覆盖需求的柔性制造车间RFID网络规划问题,以部署成本、阅读器干扰与阅读器效能为多优化目标,提出一种分层聚类、冗余消减与梯度下降方法集成的RFID网络规划方法,采用分层聚类算法确定RFID初始数量与部署位置,采用冗余阅读器消减算法优化RFID数量,采用梯度下降算法优化RFID部署位置从而实现网络规划多目标优化。实验研究表明,提出的方法在多目标综合性能方面优于传统基于分层聚类方法、遗传算法、粒子群与冗余消减混合方法的RFID网络规划方法,验证了该方法的有效性。     

Distributed load-balancing algorithm for fast tag reading

The radio frequency identification (RFID) technology has gained a lot of recent interests because it has been widely recognised as a foundation technology for the ‘Internet of things’. In current multi-reader RFID systems, readers work with fairly less cooperation and are responsible to retrieve data from different number of tags individually, which results in large reading time of obtaining all tag data. In this paper, a fast tag reading problem in multi-reader RFID systems with the goal of obtaining all tag data by using minimum reading time is studied. A distributed load-balancing algorithm based on diffusion method is proposed to solve the problem by migrating tags from highly loaded reader to lightly loaded reader. The simulation results demonstrate the effectiveness and efficiency of proposed algorithm.     

求解高维复杂函数的遗传-灰狼混合算法

高维函数优化一般是指维数超过100维的函数优化问题,由于"维数灾难"的存在,求解起来十分困难.针对灰狼算法迭代后期收敛速度慢,求解高维函数易陷入局部最优的缺点,在基本灰狼算法中引入3种遗传算子,提出一种遗传-灰狼混合算法(hybrid genetic grey wolf algorithm,HGGWA).混合算法能够充分发挥两种算法各自的优势,提高算法的全局收敛性,针对精英个体的变异操作有效防止算法陷入局部最优值.通过13个标准测试函数和10个高维测试函数验证算法的性能,并将优化结果与PSO、GSA、GWO三种基本算法以及9种改进算法进行比较.仿真结果表明,所提算法在收敛精度方面得到了极大改进,验证了HGGWA算法求解高维函数的有效性.     

改进灰狼优化算法在WSN节点部署中的应用

根据无线传感网络节点在随机部署时存在聚集程度高导致覆盖率低的问题,提出了一种改进的灰狼优化算法,并将其应用于无线传感网络节点的优化覆盖.首先,利用混沌算法进行算法种群的初始化,以提高种群多样性;其次,在灰狼算法的基础上改进其收敛因子,平衡全局和局部搜索能力,提高算法中后期的优化能力;最后,对δ狼进行融合变异以改善局部极值问题.仿真实验表明,将改进后的灰狼优化算法应用于WSN节点部署优化中,与标准灰狼优化算法相比加快了优化速度,网络覆盖率提高了3％.     

一种改进的求解柔性作业车间调度问题的灰狼算法

柔性作业车间调度问题是智能制造领域的一类典型调度问题,它是制造流程规划和管理中最关键的环节之一,有效的求解方法对提高生产效率具有重要的现实意义。本文基于经典灰狼算法进行改进,以优化最大完工时间为目标,提出一种改进的灰狼算法来求解柔性作业车间调度问题。算法首先采用基于权值的编码形式,实现对经典狼群算法中连续性编码的离散化;其次在迭代优化过程中加入随机游走策略,以增强局部搜索能力;然后在种群更新过程中加入尾部淘汰策略,在避免局部优化的同时增加种群多样性,合理扩大算法的广度搜索范围。在标准算例上的仿真实验结果表明,改进的灰狼算法在求解FJSP时比经典灰狼算法在寻优能力方面具有明显的优势,相比其它智能优化算法,本文所提算法在每种算例上均具有更好的优化性能。