基于改进的简化粒子群聚类算法

针对粒子群算法后期收敛速度慢、易陷入局部极值的缺点,提出一种基于粒密度和最大距离积法的简 化粒子群聚类算法.通过采用线性递减与随机分布相结合的惯性权重策略、添加极值扰动算子、优化粒子个体最优位置,使粒子群算法能够快速收敛于全局最优.再把改进后的粒子群算法与K-means算法相结合,解决K-means算法因随机初始聚类中心而导致聚类效果差、不稳定等问题.通过实验分析,该算法的聚类结果准确率更高、收敛速度更快、稳定性更强.     

基于自适应差分优化的改进虚拟力导向粒子群算法研究

为提高节点在无线传感器网络中的自部署性能,本文以虚拟力导向粒子群算法为基石,在部署区域内,采用正方形网格划分方式,并引入一种改进的自适应差分进化策略,对原算法进行改进。改进算法引入了移动目的地对移动节点的引力作用,并通过自适应调整,有目的的向扩大网络覆盖率的目标进化,从而最大限度地优化节点的部署速度和网络的覆盖率。通过对该算法的性能进行了仿真与分析,在网络覆盖率、算法收敛速度以及部署时间等方面,相比于经典虚拟力算法及虚拟力导向粒子群算法,该算法具有更佳的部署性能。     

结合双粒子群和K-means的混合文本聚类算法

传统K-means算法对初始聚类中心选择较敏感, 结果有可能收敛于一般次优解, 为些提出一种结合双粒子群和K-means的混合文本聚类算法。设计了自调整惯性权值策略, 根据最优适应度值的变化率动态调整惯性权值。两子群分别采用基于不同惯性权值策略的粒子群算法进化, 子代间及子代与父代信息交流, 共享最优粒子, 替换最劣粒子, 完成进化, 该算法命名为双粒子群算法。将能平衡全局与局部搜索能力的双粒子群算法与高效的K-means算法结合, 每个粒子是一组聚类中心, 类内离散度之和的倒数是适应度函数, 用K-means算法优化新生粒子, 即为结合双粒子群和K-means的混合文本聚类算法。实验结果表明, 该算法相对于K-means、PSO等文本聚类算法具有更强鲁棒性, 聚类效果也有明显的改善。     

基于环境选择和配对选择的多目标粒子群算法

为了使多目标粒子群算法中种群粒子能够快速地收敛于怕累托最优边界,针对标准多目标粒子群算法中缺乏粒子评价标准以及种群个体历史最优值位置和全局最优值位置选择问题,提出了一种基于环境选择和配对选择策略的多目标粒子群算法.该算法在每次迭代时,采用SPEA2中的环境选择和配对选择策略及适应度值计算方法,以此来提高种群粒子之间的信息交换力度,减少标准多目标粒子群算法中大量的随机性,使种群粒子能够更快速地收敛于怕累托最优边界.经典测试函数的仿真实验结果表明,在标准多目标粒子群算法中运用SPEA2的环境选择、配对选择策略和适应度值计算方法,能够使种群粒子更快速地收敛于帕累托最优边界,验证了算法改进的可行性和有效性.     

人工鱼群—粒子群混合算法优化进港航班排序

针对空中交通管理中的进港航班排序问题, 提出了人工鱼群—粒子群混合算法(AFPSO)这一航班排序算法来优化进港航班排序, 使时段内进港航班队列总延误时间最少。算法结合了基本人工鱼群算法(AFSA)和基本粒子群算法(PSO)各自的优点, 先以AFSA在全局寻找满意的解域, 再以PSO算法在这些解域中进行快速的局部搜索获得精确解, 最终使算法提高收敛速度和搜索精度。仿真结果表明, 在单跑道和双跑道情况下, AFPSO算法使得航班队列总延误时间比FCFS调度方法减少了20. 9%和34. 4%, 比基本AFSA减少了3. 2%和3. 5%。算法得到的满意解能够为自动化空中交通管理提供实时支持。     

未知动态环境下非完整移动群机器人围捕

针对未知动态障碍物环境下非完整移动群机器人围捕,提出了一种基于简化虚拟受力模型的自组织方法.首先给出了个体机器人的运动方程,然后给出了未知动态环境下目标和动态障碍物的运动模型.通过对复杂环境下围捕行为的分解,抽象出简化虚拟受力模型,基于此受力模型,设计了个体运动控制方法,接着证明了系统的稳定性并给出了参数设置范围.不同情况下的仿真结果表明,本文给出的围捕方法可以使群机器人在未知动态障碍物环境下保持较好的围捕队形,并具有良好的避障性能和灵活性.最后分析了本文与基于松散偏好规则的围捕方法相比的优势.     

基于粒子群优化建模的贝叶斯网络结构学习方法

贝叶斯网络(BN)在不确定性的条件下表示信息和推理论证具有良好的性能,但由于其结构搜索空间的复杂性,通常将从一个数据集合中学习贝叶斯网络的结构认为是一种NP-hard的问题。基于此,提出一种新的基于粒子群优化算法建模的贝叶斯网络结构学习方法。为了学习一个贝叶斯网络的结构,该方法先使用粒子群优化算法在排序空间中进行搜索,然后运行K2算法计算每个排序的吻合度。每个排序都会有一个网络结构与之一致,该方法会返回这个网络的计分。仿真结果表明,在不同规模的数据集中,该算法相对于其他贝叶斯网络结构学习算法对不同类型的网络都具有更好的网络稳定性。     

基于改进离散粒子群禁忌算法的并行测试任务调度

针对并行测试任务调度问题特点,提出了一种解决并行测试任务调度的离散粒子群禁忌算法,设计了符合并行测试任务调度特点的粒子初始化编码方式、粒子位置转移公式以及禁忌搜索邻域。通过与禁忌搜索相结合,避免了离散粒子群算法早熟问题。通过实验以及算法对比,表明提出的算法是快速有效的,能够很好地解决并行测试任务调度问题,求得测试总时间最短的任务调度序列。     

受限节点的WSNs非均匀分簇算法应用研究

针对常规分簇路由算法不能有效解决节点位置、能量、频段受限的固态发酵温度检测无线传感器网络(WSNs)中节点过早死亡和能耗不均衡的问题,提出了一种基于粒子群优化(PSO)算法的非均匀分簇路由协议。首先,根据网络规模选择固定数目的簇首节点,然后,引入PSO算法和非均匀分簇机制,以簇首节点覆盖范围和簇内节点与簇首之间平均欧氏距离作为评价函数的影响因子,选取一组最优簇首。仿真实验结果表明:所提算法有效改善了受限节点无线测温网络"热区"效应,均衡了节点能耗,显著延长了网络生存周期。     

大规模无线传感器网络覆盖优化算法

为了增强三峡库区水环境监测的大规模无线传感器网络（WSNs）覆盖效果和延长大规模WSNs生存时间,采用混沌人工鱼群算法。首先以最大化网络覆盖率作为优化目标,建立WSNs覆盖模型,将具有遍历性特点的混沌系统引入到人工鱼群算法中,能够有效避免算法长时间位于局部极值附近。仿真结果表明：改进的人工鱼群算法提高了网络的覆盖率,有效减低了网络的成本。