遗传算法在全终端网络可靠性优化中的应用

在计算机通信网络建设过程中,通信主干网的高可靠性一直是广大设计者和用户所关心的重大问题。分析了通信主干网的全终端可靠性优化设计问题,建立了一种新的可靠性优化模型,并利用遗传算法对该模型进行了优化求解。计算机仿真实验结果表明：遗传算法在解决此类问题上是有效的。     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

基于改进粒子群的双层规划求解算法

提出一种采用粒子群优化算法求解双层规划模型的算法。首先对粒子群优化算法作了改进,然后用改进后的算法求解双层规划模型,通过两个粒子群优化算法之间的协同迭代,同步优化双层规划的上下层,最终求得双层规划模型的最优解。此算法将求解一般双层规划问题转化为通过两个粒子群优化算法的交互迭代来求解上下两层规划问题。通过对几种典型函数的测试,验证了此算法的有效性。     

教与学优化算法在梯级水库优化调度中的应用

针对梯级水库发电优化调度模型存在多约束,求解难度大,传统算法易陷入局部搜索,提出一种改进的教与学优化算法进行优化求解.通过具体案例进行测试验证,并和遗传算法与粒子群算法比较.结果表明,该算法具有求解速度快,求解精度高等优势.     

基于模糊的多目标粒子群优化算法及应用

粒子群优化算法的思想来源于人工生命和进化计算理论,由于其容易理解、易于实现,在很多领域得到了应用.由于传统的粒子群优化算法无法对多目标优化问题进行求解,因此文中利用模糊理论中的隶属度函数和给定的最优解评估选取原则,提出了一种适合求解约束型多目标优化问题的模糊粒子群算法(FPSO).模糊粒子群算法很好地解决了汽车零部件可靠性稳健优化设计的求解问题,仿真结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域.     

基于改进PSO算法的供应链优化

在建立供应链优化模型和分析基本粒子群优化算法的基础上,提出了一种求解供应链优化问题的改进粒子群算法。在优化过程中,该算法以优良适应值粒子取代部分不良适应值粒子,使算法具有过滤能力,加快了搜索速度,并保证了收敛于全局最优解。实验结果与基本粒子群算法进行了验证和比较,表明该改进粒子群算法具有较好的性能和简单快速准确等特点。     

基于改进粒子群算法的网络计划工期--费用优化

本文提出了一种改进粒子群优化算法。在进化中增加了个体间的协作机制，这种改进后的学习行为更符合自然界生物的学习规律，更有利于粒子发现问题的全局最优解。最后将该方法用于PERT网络工期一费用模型求解，数字仿真表明了算法的有效性。     

粒子群算法在机械零部件可靠性优化设计的应用

粒子群算法(Paarticle Swarm Optimization)是一种新出现的群智能(Swarm Intelligence)优化方法。本文所介绍将其应用于机械可靠性优化设计，建立基于粒子群算法的机械零部件可靠性优化设计的数学模型，并与遗传算法作了对比试验。结果表明，粒子群算法可以快速、有效求得优化解，是求解机械可靠性优化设计问题的一个较好方案。     

PSO算法在多约束染色工艺优化模型中的应用

针对染色工艺优化设计,存在周期长、成本高、无法精确定量的问题,以生产成本最小化为优化目标,构造染色工艺优化设计的数学模型。从模型可知,染色工艺优化问题是一个具有大量局部极小值、不连续、多变量、多约束的复杂优化问题。粒子群(PSO)算法是一种基于群体智能的启发式算法。它具有简单易行、收敛速度快、优化效率高、对种群规模不十分敏感、鲁棒性好等特点,能方便地被用于求解带离散变量、不连续、多变量、多约束、非线性的复杂优化问题中。因而,提出粒子群算法来求解染色工艺优化模型。考虑到粒子群算法(PSO)易陷入局部最优解的局限性,提出一种基于改进惯性权重粒子群算法。该方法通过引进指数因子改进标准粒子群算法的惯性权重,平衡了其全局和局部搜索能力,在速度和精度上满足了计算要求。仿真结果表明,在满足实际生产要求的条件下,该方法优化后的生产成本节约了25%。证明该优化模型及算法是一种可行而有效的方法,对生产成本的预测以及染色工艺参数的制定具有指导意义。     

改进粒子群优化算法求解任务指派问题

任务指派问题是典型NP难题，引入粒子群优化算法对其进行求解。建立了任务指派问题的数学模型，给出了粒子群优化算法求解任务指派问题的具体方案。为提高其优化求解效果，引入变异机制及局部更新机制对粒子群优化算法进行改进。实例及数字仿真验证了改进粒子群优化算法的有效性。     

基于Spark框架和PSO优化算法的电力通信网络安全态势预测

随着电力通信网络规模的不断扩大,电力通信网络不间断地产生海量通信数据。同时,对通信网络的攻击手段也在不断进化,给电力通信网络的安全造成极大威胁。针对以上问题,结合Spark大数据计算框架和PSO优化神经网络算法的优点,提出基于Spark内存计算框架的并行PSO优化神经网络算法对电力通信网络的安全态势进行预测。本研究首先引入Spark计算框架,Spark框架具有内存计算以及准实时处理的特点,符合电力通信大数据处理的要求。然后提出PSO优化算法对神经网络的权值进行修正,以增加神经网络的学习效率和准确性。之后结合RDD的并行特点,提出了一种并行PSO优化神经网络算法。最后通过实验比较可以看出,基于Spark框架的PSO优化神经网络算法的准确度高,且相较于传统基于Hadoop的预测方法在处理速度上有显著提高。     

Communication latency tolerant parallel algorithm for particle swarm optimization

Particle swarm optimization (PSO) algorithm is a population-based algorithm for finding the optimal solution. Because of its simplicity in implementation and fewer adjustable parameters compared to the other global optimization algorithms, PSO is gaining attention in solving complex and large scale problems. However, PSO often requires long execution time to solve those problems. This paper proposes a parallel PSO algorithm, called delayed exchange parallelization, which improves performance of PSO on distributed environment by hiding communication latency efficiently. By overlapping communication with computation, the proposed algorithm extracts parallelism inherent in PSO. The performance of our proposed parallel PSO algorithm was evaluated using several applications. The results of evaluation showed that the proposed parallel algorithm drastically improved the performance of PSO, especially in high-latency network environment.     

改进神经网络模型对通信网可靠性的预测

首先利用一种改进后的粒子群算法对BP神经网络权值的选取进行优化,然后以LAN/WLAN集成网络为背景,用三种方法（BP神经网络、改进PSO算法优化后的BP神经网络、SVM）建立了LAN/WLAN集成网络可靠性的预测模型,最后通过实验比较,证明了改进后的神经网络模型预测通信网的可靠性、有效性和优越性。     

基于粒子群优化BP神经网络的可靠性评估模型

CPU的可靠性对计算机系统至关重要。针对神经网络等方法在可靠性分析与评估中参数优化困难、模型评估精度不够准确等问题,提出一种基于粒子群优化BP神经网络的可靠性评估模型。该模型利用由正弦映射优化的PSO算法对BP神经网络的权值和阈值进行优化,提高BP神经网络的收敛速度以及评估精度。基于CPU中各功能模块的可靠度,根据改进的BP神经网络模型建立CPU的可靠性评估模型,通过模型训练与测试完成对CPU的可靠性评估。通过对比实验,验证该模型对辐射环境下CPU可靠性评估的有效性和准确性。     

Forecasting of Software Reliability Using Neighborhood Fuzzy Particle Swarm Optimization Based Novel Neural Network

This paper proposes an artificial neural network (ANN) based software reliability model trained by novel particle swarm optimization (PSO) algorithm for enhanced forecasting of the reliability of software. The proposed ANN is developed considering the fault generation phenomenon during software testing with the fault complexity of different levels. We demonstrate the proposed model considering three types of faults residing in the software. We propose a neighborhood based fuzzy PSO algorithm for competent learning of the proposed ANN using software failure data. Fitting and prediction performances of the neighborhood fuzzy PSO based proposed neural network model are compared with the standard PSO based proposed neural network model and existing ANN based software reliability models in the literature through three real software failure data sets. We also compare the performance of the proposed PSO algorithm with the standard PSO algorithm through learning of the proposed ANN. Statistical analysis shows that the neighborhood fuzzy PSO based proposed neural network model has comparatively better fitting and predictive ability than the standard PSO based proposed neural network model and other ANN based software reliability models. Faster release of software is achievable by applying the proposed PSO based neural network model during the testing period.      

Dynamic neural network method-based improved PSO and BR algorithms for transient probabilistic analysis of flexible mechanism

To improve the computing efficiency and precision of transient probabilistic analysis of flexible mechanism, dynamic neural network method (DNNM)-based improved particle swarm optimization (PSO)/Bayesian regularization (BR) (called as PSO/BR-DNNM) is proposed based on the developed DNNM with the integration of extremum response surface method (ERSM) and artificial neural network (ANN). The mathematical model of DNNM is established based on ANN on the foundation of investigating ERSM. Aiming at the high nonlinearity and strong coupling characteristics of limit state function of flexible mechanism, accurate weights and thresholds of PSO/BR-DNNM function are discussed by searching initial weights and thresholds based on the improved PSO and training final weights and thresholds by the BR-based training performance function. The probabilistic analysis of two-link flexible robot manipulator (TFRM) was investigated with the proposed method. Reliability degree, distribution characteristics and major factors (section sizes of link-2) of TFRM are obtained, which provides a useful reference for a more effective TFRM design. Through the comparison of three methods (Monte Carlo method, DNNM, PSO/BR-DNNM), it is demonstrated that PSO/BR-DNNM reshapes the probability of flexible mechanism probabilistic analysis and improves the computing efficiency while keeping acceptable computational precision. Moreover, the proposed method offers a useful insight for reliability-based design optimization of flexible mechanism and thereby also enriches the theory and method of mechanical reliability design.     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

计算机通信网络可靠性设计初探

在对计算机网络可靠性的具体内容进行论述的基础上,分析了当前计算机网络可靠性设计的发展趋势。同时,对计算机通信网络可靠性设计的重点节点进行了分析,以提高计算机通信网络可靠性为基本目的,提出了提高计算机通信网络可靠性设计的相关策略,为计算机通信网络可靠性的提高以及网络优化提供参考。