微粒群算法的发展及应用

介绍了1995年以来微粒群算法的开发过程,分析了算法原理、算法流程,并将微粒群算法与其他演化算法进行了比较,最后介绍了一些已经开发和在将来有希望的领域中的应用。     

应用于远程教育的在线协同作图平台

本文就应用于远程教育的在线协作图平台开发过程中的一些主要方面做了探讨与实践。针对要实现的功能和相应的系统体系结构，重点讨论了作图平台设计中的一些问题，提出了解决问题的方法和思路，主要论题包括：图形的数据结构描述及算法，网络连接及通信，多线程技术的应用。     

基于面向对象的迷宫游戏的设计与实现

通过对随机迷宫的开发过程分析,介绍了游戏开发的基础知识,游戏开发中经常使用的方法,以及Java语言中Ap-plet在游戏开发中的应用。并在此过程中深入讨论了用Java语言实现播放动画、声音的原理与方法,重点讨论应用DFS算法即深度优先遍历算法生成随机迷宫的方法。     

Intranet中一种用户权限控制方法

对用户的权限进行分配与控制是Intranet开发的一个重要方面。讨论了Intranet中一些常用的权限控制方法，提出了一个新的基于权限特征字的权限控制算法，并给出了算法的具体实现。     

基于Android平台的应用系统开发环境研究

本文主要讨论了在windows和linux两种操作系统下搭建基于Android平台的应用软件开发环境,希望能够为Android应用开发学习者提供一些参考。     

等值线绘制中的一些后期处理——裁剪与填充

本文首先简要介绍了等值线的性质及绘制方法，然后对等值线图绘制中经常会用到的一些后期处理方法－－图形的裁剪与填充进行了讨论，并对相应的通用图形学算法进行了一些改进，以适应这种特殊图形的应用需要。     

进化神经网络研究进展

进化神经网络是将进化算法应用于神经网络的构造、学习而得到的神经网络，具有很强的鲁棒适应性。综述了进化神经网络方法及其应用研究新进展，对研究中出现的一些问题进行了讨论与展望。     

几种仿生优化算法的比较研究

仿生优化算法是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。由于这些算法求解时不依赖于梯度信息，故其应用范围较广，特别适用于传统方法难以解决的大规模复杂优化问题。阐述了三种典型的仿生优化算法——遗传算法、蚁群算法和混合蛙跳算法各自的产生背景、基本思想以及实现步骤，然后深入分析讨论了它们的异同之处与适用范围，最后指出了仿生优化算法今后的发展趋势和研究方向，其中提出的一些改进思路对进一步的研究工作有一定的理论意义和应用价值。     

免疫算法研究的进展

概述了免疫算法的产生、发展和作用机理，比较了不同免疫算法的设计方法及其优劣．并讨论了免疫算法的种类．既从传统计算的流程、仿真、复杂性、参数设置、生命周期和规模等方面进行了分析．也从自然计算的角度讨论了免疫算法．最后给出了一些应用实例，探讨了发展免疫算法应注意的薄弱环节、难点和创新点．并从发展重点和未来的应用等诸方面展望了免疫算法的发展趋向。     

在TMS320C6x系列DSP上实现G．729算法

在研究ITU-T的G．729CS-ACELP语音编码算法基础上，本文介绍了使用TI公司的TMS320C6x系列DSP实现该算法的一些问题以及一些应用中的具体优化技术，这在一定程度上降低了该算法的计算复杂度，而输出语音仍然保持了很高的合成品质。然后，本文讨论了如何在一个电信级 的应用内核上对该语音编码算法进行多声道扩展的问题，该多通道编码系统基本能达到实用要求。最后，在实时MCPS、内存要求、处理延时和实时性能等方面对该DSP实现的编码器做了一个评价，可以作为其他语音编码器开发的参考。     

微粒群优化算法研究现状及其进展

对进化计算中引起广泛兴趣的微粒群优化(PSO)算法的研究现状进行了考察，介绍了一些最新研究进展，包括：杂交PSO、基于邻域算子的PSO和基于不同搜索方向的PSO，并简要介绍了PSO在求解复杂优化问题如多目标优化和带约束优化中的优势。最后给出了一些应用实例，讨论了将来可能的研究内容。     

微粒群优化算法

介绍了微粒群优化（PSO）算法的原理、算法流程、算法参数及其对算法性能的影响．讨论了各种改进的PSO算法．分析了多相微粒群优化算法（MPPSO）的原理、算法方程、算法参数及其对算法性能的影响．最后归纳了PSO算法的应用概况，并就PSO算法进一步的研究工作进行了探讨和展望．     

Particle Swarm Optimization: Basic Concepts, Variants and Applications in Power Systems

Many areas in power systems require solving one or more nonlinear optimization problems. While analytical methods might suffer from slow convergence and the curse of dimensionality, heuristics-based swarm intelligence can be an efficient alternative. Particle swarm optimization (PSO), part of the swarm intelligence family, is known to effectively solve large-scale nonlinear optimization problems. This paper presents a detailed overview of the basic concepts of PSO and its variants. Also, it provides a comprehensive survey on the power system applications that have benefited from the powerful nature of PSO as an optimization technique. For each application, technical details that are required for applying PSO, such as its type, particle formulation (solution representation), and the most efficient fitness functions are also discussed.     

基于离散微粒群算法求解背包问题研究

微粒群算法(PSO)是一种新的演化算法,主要用于求解数值优化问题.基于离散微粒群算法(DPSO)分别与处理约束问题的罚函数法和贪心变换方法相结合,提出了求解背包问题的两个算法:基于罚函数策略的离散微粒群算法(PFDPSO)和基于贪心变换策略的离散微粒群算法(GDPSO).通过将这两个算法与文献[7]中的混合微粒群算法(Hybrid_PSO)进行数值计算比较发现:对于求解大规模的背包问题,GDPSO非常优秀,其求解能力优于Hybrid_PSO和PFDPSO,是求解背包问题的一种非常有效的方法.     

粒子群算法研究与展望

介绍了基本粒子群算法,归纳了粒子群算法的研究现状和改进,包括:增加惯性因子的改进;基于收敛性分析的改进;导入其他演化算法思想的改进;建立非数值问题模型的改进.简要分析了PSO算法的应用.最后对PSO的研究现状做出总结和展望,提出未来的几个研究热点.     

带压缩因子的粒子群算法在汽包压力控制系统中的应用

针对基本粒子群算法的原理,阐述了一种改进算法(带压缩因子的粒子群算法),简述了PID控制器的工作原理、粒子群参数优化方法的实现,并举例说明此改进算法在某汽包压力控制系统中的应用,利用matlab进行仿真优化,证明此改进算法优化的性能优于基本的粒子群优化算法,有很好的工程应用前景。     

关于PSO方法中粒子运行轨迹的修正

粒子群优化方法（PSO Particle Swarm Optimization）由Kennedy和Eberhart于1995年提出,基于群体智能行为的演化计算方法,并广泛应用于各类优化问题.在一些研究中,对PSO的粒子收敛性及粒子运行轨迹进行了分析,有一定理论价值和指导意义,本文针对一些分析过程中存在的问题进行了讨论,并对相关结论进行了修正.     

Set-based discrete particle swarm optimization and its applications: a survey

Particle swarm optimization (PSO) is one of the most popular population-based stochastic algorithms for solving complex optimization problems. While PSO is simple and effective, it is originally defined in continuous space. In order to take advantage of PSO to solve combinatorial optimization problems in discrete space, the set-based PSO (S-PSO) framework extends PSO for discrete optimization by redefining the operations in PSO utilizing the set operations. Since its proposal, S-PSO has attracted increasing research attention and has become a promising approach for discrete optimization problems. In this paper, we intend to provide a comprehensive survey on the concepts, development and applications of S-PSO. First, the classification of discrete PSO algorithms is presented. Then the S-PSO framework is given. In particular, we will give an insight into the solution construction strategies, constraint handling strategies, and alternative reinforcement strategies in S-PSO together with its different variants. Furthermore, the extensions and applications of S-PSO are also discussed systemically. Some potential directions for the research of S-PSO are also discussed in this paper.