求解二重数值积分的混沌布谷鸟优化算法

引入混沌变量作为布谷鸟优化算法的局部算子,提出了一种基于混沌布谷鸟(Chaotic Cuckoo Search,CCS)优化算法求解二重数值积分的方法.该方法初始时在矩形积分区域两个方向的区间内各自任意选取一定的节点,通过CCS算法优化这些节点,并以优化后的节点作为分割点对二重数值积分进行求解.仿真实例结果表明,该算法简单,易实现,收敛速度快,得到的积分值精度高,是一种有效的二重数值积分求解方法.     

一种信息点多样性的粒子群优化算法

针对PSO在寻优后期尤其在高维搜索空间中无法得到满意结果,提出了一种信息点多样性的改进粒子群优化算法。粒子个体最优位置及全局粒子最优位置是两个有用的精确的信息点,而PSO的信息交互方式正依赖于这两个信息点,从多样性方面考虑,将该有用的信息点增加为粒子个体最优位置附近随机的一点。实验仿真结果表明,新算法的全局搜索能力、收敛速度、精度和稳定性均有了显著提高。     

多种群粒子群优化算法

将一定规模的粒子群平分成三个子群,并分别按基本粒子优化算法、ω自线性调整策略的粒子群算法和云自适应粒子群算法三种不同规则进化,既保持各个子群和算法的独立性和优越性,又不增加算法的复杂性,并提出“超社会”部分,重新定义了速度更换式子,同时还引入了扩张变异方法和扰动操作。实验仿真结果表明,给出算法的全局搜索能力、收敛速度,精度和稳定性均有了显著提高。     

利用前两代信息的改进粒子群优化算法

针对粒子群算法（PSO）在寻优后期尤其在高维搜索空间中无法得到满意结果的问题,提出了一种利用前两代信息的改进粒子群优化算法。在速度更换公式新加了一部分,该部分表示了粒子前两代的信息对自己下一步行为的影响。该部分主要根据当前粒子前两代位置求解出其前两代的中心位置,其作用类似于当前全局最优位置。同时深入探讨新加部分的学习因子范围及其对新改进算法的影响。仿真实验结果表明,新算法在全局搜索能力、收敛速度、精度和稳定性方面均有了显著提高。     

求解矩阵特征值的混合人工鱼群算法

根据矩阵特征值的分布理论,通过确定矩阵特征值的分布区域,用混合人工鱼群算法来求解任意数值矩阵特征值的近似值。实验结果表明,这种基于混合人工鱼群求解矩阵特征值的算法,可达到一定的精度,能够有效地获得任意矩阵的特征值。     

校园互联网访问行为管理平台的设计与实现

校园互联网访问行为管理平台的设计和实现,主要通过部署软硬件一体的互联网访问行为管理设备,从校园网用户实际需求出发,量身定制相关行为管理策略,从而实现该系统在带宽保障、访问行为、流量控制、病毒防御和安全审计等方面的功能.该结果表明,不但提高校园网的运行质量,而且增强了运行的稳定性,使得信息中心的管理和决策工作更加迅捷有效,成为向广大教职工和学生充分提供健康内容的媒介,为学校各个机构能顺利的开展各项基于网络的教学工作提供保障.     

云自适应粒子群算法

文中提出了云自适应粒子群优化(CAPSO)算法,根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略,由X条件云发生器自适应调整普通子群粒子的惯性权重,由于云模型云滴具有随机性和稳定倾向性特点,使惯性权重既具有传统的趋势性,满足快速寻优能力,又具有随机性,在提高收敛速度和保持种群多样性之间做了一个很好的权衡。通过典型函数优化实验表明,与标准粒子群算法相比,CAPSO具有较高的计算精度和较快的收敛速度。     

基于扩张变异方法的云自适应粒子群算法

提出了一种基于扩张变异方法的云自适应粒子群算法,该算法利用云模型X务件云发生器自适应调整每一个粒子个体惯性权值.采用扩张变异方法进行变异,可避免因多维而多变量引起多因素的干扰,加快搜索速度,其目的进一步改进粒子群算法的性能,为解决高维空间优化问题提供一种有效方法.最后,以高维函数优化为实例,计算机仿真结果表明,给出的算法具有鲁棒性强、收敛速度快、精度高等特点.     

粒子群和人工鱼群混合优化算法

提出基于粒子群的人工鱼群混合优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,并成功应用于求解具有变量边界约束的非线性的复杂函数最优化问题和求解复杂化学方程根的问题。仿真结果表明,混合粒子群算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度。