改进的投影圆度判别法圆柱拟合

测量点分布一侧、不均匀且点数较少是圆柱拟合常见问题,但对应高效拟合法较少。文中详细介绍了遗传算法和投影圆度判别法步骤,并提出改进的投影圆度判别法:计算多组合理初值,多组初值均用特征值法与坐标变换法结合拟合圆柱。通过实测数据,验证算法高效性以及准确性。     

多交互式人工蜂群算法及其收敛性分析

针对人工蜂群（ABC）算法不易跳出局部最优解的缺点,提出了多交互式人工蜂群（MIABC）算法。该算法在基本人工蜂群算法的基础上引入随机邻域搜索策略,结合跨维搜索策略,且改进蜜蜂越限处理方式,使得算法搜索方式多样化,从而使得算法搜索更具跳跃性,不易陷入局部最优解,同时,对其进行收敛性分析和性能测试。在五种经典基准测试函数和时间复杂度实验上的仿真结果表明,相对于标准人工蜂群算法和基本粒子群优化（PSO）算法,该算法在1E-2精度下收敛速度提高了约30%和65%,搜索精度更优,且在高维求解问题方面有明显优势。     

基于置信传播的复杂网络社团发现算法

经典的置信传播（BP）算法能够通过有限次数的迭代,推断出所有节点的边缘概率分布和最大似然概率。针对该算法在迭代过程中产生的影响精度和收敛速度的强烈震荡,找出了造成震荡的三个主要因素：强势能、紧密的环路和矛盾的方向,并有针对性地改进了该算法的核心更新规则;同时又进一步提出了异步消息传递方式,克服传统置信传播算法采用的同步消息传播方式的收敛慢、效率低等缺点。利用随机块模型拟合网络的生成过程,利用经典的期望最大化算法对模型进行求解,分别利用改进前后的置信传播算法推断隐变量的后验概率。在五个真实网络上的实验表明,两个改进均使得精度和速度不同程度地提高。     

基于全局优化改进混沌粒子群遗传算法的物料平衡数据校正

结合遗传算法（GA）和粒子群算法（PSO）的优点以及混沌运动的特性,提出了加入混沌扰动的混沌粒子群遗传算法（DCPSO-GA）,并使用5个高维非线性测试函数考察全局优化混合算法的性能。DCPSO-GA解决了在寻优搜索时出现的停滞现象,扩大了全局优化的搜索空间,丰富了粒子的多样性,且不需要函数梯度信息。测试结果证明,针对本文的5个测试函数DCPSO-GA能找到全局最优解,其收敛速度很快,大大减少了计算量。而且,经过与其他相关算法比较可知,当总的目标函数调用次数较接近或更少时,改进算法不论在计算精度还是收敛速度上,均有很大的提高。并将DCPSO-GA算法应用到重油裂解参数估计和预测中,测试结果证明,其提高了参数估计和预测的准确性,降低了误差,能有效找到全局最优解,收敛速度快,大大减少计算量。     

改进的多目标启发式粒子群算法及其在桁架结构设计中的应用

针对工程结构多目标优化设计中出现的约束条件处理能力差、编程复杂,计算效率低且收敛精度差等问题,对启发式粒子群算法(HPSO)进行改进,提出了多目标启发式粒子群算法(MOHPSO),并与多目标粒子群算法(MOPSO)和改进的多目标群搜索算法(IMGSO)进行比较。通过对15杆平面桁架、40杆平面桁架和72杆空间桁架3个经典算例的计算,证明了所提出的MOHPSO算法的有效性。结果表明:MOHPSO算法具有收敛精度高、约束处理能力强、全局最优解选取更合理、非劣解集维护效率高等特点。     

Blade‐resolved simulations of a model wind turbine: effect of temporal convergence

Simulations of a model wind turbine at various tip‐speed‐ratios were carried out using Tenasi, a node‐centered, finite volume unstructured flow solver. The simulations included the tunnel walls, tower, nacelle, hub and the blades. The effect of temporal convergence on the predicted thrust and power coefficients is evaluated and guidelines for best practices are established. The results presented here are for tip‐speed‐ratios of 3, 6 and 10, with 6 being the design point. All simulations were carried out at a freestream velocity of 10 m s^?1 with an incoming boundary layer present and the wind turbine RPM was varied to achieve the desired tip‐speed‐ratio. The performance of three turbulence models is evaluated. The models include a one‐equation model (Spalart–Allmaras), a two‐equation model (Menter SST) and the DES version of the Menter SST. Turbine performance as well as wake data at various locations is compared to experiment. All the turbulence models performed well in terms of predicting power and thrust coefficients. The DES model was significantly better than the other two turbulence models for predicting the mean and fluctuating components of the velocity in the wake. Copyright © 2015 John Wiley & Sons, Ltd.     

一种四参数正弦参量估计算法的改进及实验分析

结合频率估计和三参数正弦波拟合实现的四参数最小二乘拟合算法,具有算法简洁、无须预估参数、无须迭代、绝对收敛、运算速度高等特点。但在实际应用中效果很不稳定,对较低位数A/D的情况,经常准确度很低或给出错误结果。针对这一问题,进行了实验分析,给出了改进措施,明确了算法使用的边界限制条件,从而为该方法的推广应用奠定了基础。数据实验结果验证了改进措施和边界条件的有效性与可行性。该改进算法可用于正弦波形4个参数的测量与估计。     

基于自适应驱散机制的粒子群优化算法

为克服粒子群优化算法（PSO）易陷入局部最优导致早熟收敛的问题,提出了一种新型的基于自适应驱散机制的粒子群优化（ADMPSO）算法。基本的粒子群优化算法易陷入局部最优,一般的改进算法在搜索过程之中对个体最优和全局最优结果进行调整,虽然避免了粒子群陷入局部最优,但会很大程度减慢收敛速度。提出的改进算法只有在种群快要陷入局部最优时,才会对粒子群进行有效驱散,这样不仅保证了收敛速度,又不会使粒子群陷入局部最优。对维度30的12个标准测试函数进行测试的结果表明ADMPSO算法相较于经典粒子群（General PSO,GPSO）算法、综合学习粒子群优化算法（Comprehensive Learning PSO,CLPSO）算法和动态多粒子群协调搜索优化算法（Dynamic Multi-Swarm PSO with sub-regional Harmony Search,DMS-PSO-HS）,可以更有效避免陷入局部最优,稳定地找到最优值,同时又能保证一定的收敛速度。ADMPSO算法不容易陷入局部最优和迭代次数更少的特点使得PSO算法更加实用化。     

A Block Diagonal Preconditioner for Generalised Saddle Point Problems

A lopsided alternating direction iteration (LADI) method and an induced block diagonal preconditioner for solving block two-by-two generalised saddle point problems are presented. The convergence of the LADI method is analysed, and the block diagonal preconditioner can accelerate the convergence rates of Krylov subspace iteration methods such as GMRES. Our new preconditioned method only requires a solver for two linear equation sub-systems with symmetric and positive definite coefficient matrices. Numerical experiments show that the GMRES with the new preconditioner is quite effective.     

自适应变异粒子群算法

为了解决粒子群种群多样性低、容易陷入局部最优的缺点,结合最优粒子和其他粒子在种群中的不同作用,给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度,自适应调整自身搜索邻域大小,增强种群的局部搜索能力;对非最优粒子的位置进行小概率的随机初始化,当其速度为零时,速度自适应变化,以便增强种群多样性和全局搜索能力。仿真实验中,将算法应用于6个典型复杂函数优化问题,并与其他变异粒子群算法比较,结果表明,增强种群多样性的同时提高了局部搜索能力。