面向端元提取的粒子群优化遗传算法

现有的粒子群优化(PSO)算法和遗传算法(GA)无法很好地解决高光谱影像端元提取这类离散解空间内的大规模取样优化问题。针对该问题,借鉴凸面几何学理论,利用局部模式粒子群优化的原理改进遗传算法,提出一种面向高光谱影像端元提取的粒子群优化遗传算法(PSOGA)。利用模拟数据和PHI影像对PSOGA算法和GA算法进行实验对比。分析结果证明,PSOGA算法的收敛速度优于GA算法。     

考虑装卸顺序的岸桥与集卡协调调度问题研究*

为解决集装箱港口岸桥和集卡资源紧张的现状,减少集装箱处理时间,针对岸桥和集卡协调调度问题,在只有进口箱的条件下,综合考虑岸桥干涉和集装箱优先级等约束,建立一个以最小化最大完工时间为目标的混合整数线性规划模型,并使用遗传算法(GA)求解该模型。其次对不同规模的问题分别使用遗传算法(GA)和粒子群算法(PSO)求解并比较。实验结果表明,对于该问题模型遗传算法(GA)算法优于粒子群算法(PSO)算法,遗传算法是有效的。     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。     

防空火力分配建模及优化方法研究

在综合考虑防空对抗双方作战价值的基础上,建立了一种用于防空作战多武器系统对抗多批目标的火力分配模型,在此基础上,提出了基于粒子群优化（PSO）算法以及粒子群与遗传算法相结合（PSO—GA）的火力优化分配方法．通过仿真,并与遗传算法（GA）进行了比较,验证了火力分配模型的可行性以及所提出优化方法的有效性和优越性.     

结合SCE法的粒子群优化QoS路由算法

QoS (Quality of Service) 路由问题是一个非线性的组合优化问题,理论上已证明了该问题是NP完全问题.粒子群优化算法是一种基于群智能演化计算技术,PSO在求解连续性优化问题上得到了较好的应用,而把PSO算法用于求解路由算法等离散性问题还比较少见,同时,PSO算法在收敛过程中还存在随机性,某些情况下会出现停滞现象.为此本文提出了一种结合SCE(Shuffled Complex Evolution)法的粒子群优化方法用于求解QoS路由问题.该算法通过引入插入算子、删除算子、算子系列和基本算子序列等概念,对基本的粒子群优化算法进行改进;通过采用SCE法,使算法跳出局部最优解的限制.仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法,也提高了算法收敛到最优解的能力.     

结合SCE法的粒子群优化QoS路由算法

QoS(QualityofService)路由问题是一个非线性的组合优化问题,理论上已证明了该问题是NP完全问题。粒子群优化算法是一种基于群智能演化计算技术,PSO在求解连续性优化问题上得到了较好的应用,而把PSO算法用于求解路由算法等离散性问题还比较少见,同时,PSO算法在收敛过程中还存在随机性,某些情况下会出现停滞现象。为此本文提出了一种结合SCE(shuffledcomplexevolution)法的粒子群优化方法用于求解QoS路由问题。该算法通过引入插入算子,删除算子,算子系列和基本算子序列等概念,对基本的粒子群优化算法进行改进;通过采用SCE法,使算法跳出局部最优解的限制。仿真结果显示,该算法取得了满意的效果,在寻优速度上优于遗传算法,也提高了算法收敛到最优解的能力。     

基于混合粒子群的RFID网络的优化部署*

在RFID网络系统中,贴有标签的物品可能随机地布置着,针对如何有效地放置阅读器,使得阅读器可以读取多个标签信息同时减小冲突的问题,建立了RFID网络系统的优化模型,提出了一种混合粒子群算法来优化部署阅读器的位置。实验结果表明,混合粒子群算法分别比传统的粒子群(PSO)和遗传算法(GA)在收敛速度和寻优能力上具有更好的性能,体现出混合粒子群算法的优越性。     

改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划.该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化.实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性.     

基于GA-IPSO-BSVM算法的新浪微博评论信息分类

针对新浪微博评论信息准确分类问题,本文基于遗传算法(genetic algorithm, GA)、粒子群算法(particle swarm optimization, PSO)和支持向量机(support vector machine, SVM)算法,提出一种改进GA-IPSO-BSVM (genetic algorithm-improved particle swarm optimization-balanced support vector machine)的分类模型,以实现提升新浪微博评论信息分类的准确性和收敛性.首先,为了有效提升算法的收敛速度,并高效节省计算资源,该模型在迭代前期引入GA的淘汰机制,删除大量低速粒子.其次,在迭代中期,为了避免算法陷入局部最优解,改进PSO中粒子关系的拓扑结构,采用K均值聚类(K-means)算法对粒子群进行聚类分区,将各粒子群体在所属社区中进行粒子群迭代,选出各个区域中优秀粒子.再次,在迭代后期,将所有区域优秀粒子组合成优秀粒子群体,并将该群体进行迭代,得出全局最优解.从次,结合GA和IPSO对BSVM进行超参数优化,提升分类准确率.最后,利...     

GA-PSO优化BP神经网络的遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值、受初始权阈值影响大和网络训练时间长等问题,提出一种遗传算法(GA)结合粒子群算法(PSO)优化BP神经网络(GA-PSO-BP)的遥感影像分类方法。通过PSO对问题的解空间进行迭代寻优,将粒子群粒子个体转化为GA染色体,利用GA的复制、交叉和变异对种群所有染色体进行寻优。GA-PSO迭代寻优得到的初始权阈值直接赋给BP神经网络,解决其易陷入局部极值的问题,同时提升其训练速率。利用Landsat-8中分辨率和高分二号高分辨率遥感影像进行地物分类。结果表明,相对于最大似然法、支持向量机、传统BP、GA优化BP和PSO优化BP,GA-PSO-BP的分类精度得到有效提高,能与AlexNet卷积神经网络分类精度接近,且简单易操作。     

结合权余量和粒子群方法求解变分优化问题

鉴于对变分问题的研究,发现了可以将微分方程与变分问题进行转化的原理,将求解微分方程的权余量方法与标准粒子群算法进行结合,旨在找到一种求解变分优化问题的较好算法。在权余量方法的计算中,把方程组转化为求近似目标函数的极小值的变分问题,接着用标准粒子群算法对其求解。对于因变量的幂为高次时的变分问题,可以直接用改进的算法对其求解。对于因变量的幂为一次时的变分问题,需要对等式左右分别平方后,再转化为求极小值的变分问题并求解。用一个变分问题的实例进行检验,发现改进后的算法容易,计算过程简单,结果较好。对近似目标函数的基的个数取三四个进行比较,对于具体问题,应该选取较好的适应实际问题的次数,得到较好的结果。从理论上分析,该算法具有可行性与一定的实际意义。     

基于量子行为特性粒子群和自适应网格的多目标优化算法

为了能够找到更多真实的Pareto最优解和提高所求最优解的分布均匀性,提出了一种新型的基于量子行为特性粒子群优化和自适应网格的多目标量子粒子群优化算法.利用量子行为特性粒子群优化算法的寻优优势快速地接近真实的Pareto最优解,引入高斯变异算子增强搜索解的多样性.通过设置一个外部存储器保留搜索过程中找到的Pareto最优解,采用自适应网格法对外部存储器中最优解进行更新和维护操作,使得从中选择的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明所提算法具有更好的收敛性能和更均匀的分布性能.     

一种变分优化问题的近似解法

针对传统变分法求解困难的问题,提出一种变分优化问题的近似解法。根据最小二乘近似解法的简便性与粒子群优化算法参数少的特性,在最小二乘近似解法的求解过程中引入粒子群优化算法,并给出求解流程。数值仿真实验结果表明,该算法计算过程简单,优化效果较好。     

一种新的基于粒子群和模拟退火的聚类算法

提出了一种新的基于粒子群和模拟退火的聚类算法。每个粒子作为聚类问题的一个可行解组成粒子群,粒子的位置由聚类中心向量表示。为避免粒子群陷入局部最优解,结合聚类问题的实际特点,提出了利用模拟退火的概率突跳性的两个解决方案。实验结果表明,新算法增强了全空间的搜索能力,性能优于粒子群算法和传统的K-means算法,具有较好的收敛性,是一种有效的聚类算法。     

基于自适应学习的多目标粒子群优化算法

将进化算法应用于某些多目标优化问题时,采用增加种群规模和进化代数的方法往往耗费大量的目标函数计算开销,且达不到提高种群进化效率的目的,为此提出了一种基于自适应学习最优搜索方向的多目标粒子群优化算法。采用自适应惯性权值平衡算法的全局和局部搜索能力,采用聚类排挤方法保持Pareto非支配解集的分布均匀性,使用最近邻学习方法为每个粒子在Pareto非支配解集中寻找一个最优飞行目标来提高其收敛速度并保持粒子群搜索方向的多样性。实验结果表明,提出的算法可在显著地降低函数评估成本的前提下实现快速的搜索,并使粒子群均匀地逼近Pareto最优面。     

求解随机时变背包问题的精确算法与进化算法

随机时变背包问题(RTVKP)是一种新的动态背包问题,也是一种新的动态组合优化问题,目前它的求解算法主要是动态规划的精确算法、近似算法和遗传算法.本文首先利用动态规划提出了一个求解RTVKP问题的新精确算法,对算法时间复杂度的比较结果表明:它比已有的精确算法更适于求解背包载重较大的一类RTVKP实例.然后,分别基于差分演化和粒子群优化与贪心修正策略相结合,提出了求解RTVKP问题的两个进化算法.对5个RTVKP实例的数值计算结果比较表明: 精确算法一般不宜求解大规模的RTVKP实例,而基于差分演化、粒子群优化和遗传算法与贪心修正策略相结合的进化算法却不受实例规模与数据大小的影响,对于振荡频率大且具有较大数据的大规模RTVKP实例均能求得的一个极好的近似解.     

A linear programming approach for the weighted graph matchingproblem

A linear programming (LP) approach is proposed for the weighted graph matching problem. A linear program is obtained by formulating the graph matching problem in L₁ norm and then transforming the resulting quadratic optimization problem to a linear one. The linear program is solved using a simplex-based algorithm. Then, approximate 0-1 integer solutions are obtained by applying the Hungarian method on the real solutions of the linear program. The complexity of the proposed algorithm is polynomial time, and it is O(n ⁶L) for matching graphs of size n. The developed algorithm is compared to two other algorithms. One is based on an eigendecomposition approach and the other on a symmetric polynomial transform. Experimental results showed that the LP approach is superior in matching graphs than both other methods     

差分进化粒子群算法求解发电资源调度问题

为了有效地解决水火电力系统资源短期优化调度问题,提出了一种基于差分进化粒子群的调度算法。设计了水火电力系统资源调度问题的数学模型,给出了差分进化粒子群优化算法的框架,通过PSO种群和DE种群之间的信息交流机制以寻求全局最优位置,从而使算法具有动态自适应性,能够较容易地跳出局部最优。实验结果表明,该算法能有效解决水火发电资源调度问题,具有较好的应用价值。     

Metaheuristic algorithms for approximate solution to ordinary differential equations of longitudinal fins having various profiles

Differential equations play a noticeable role in engineering, physics, economics, and other disciplines. Approximate approaches have been utilized when obtaining analytical (exact) solutions requires substantial computational effort and often is not an attainable task. Hence, the importance of approximation methods, particularly, metaheuristic algorithms are understood. In this paper, a novel approach is suggested for solving engineering ordinary differential equations (ODEs). With the aid of certain fundamental concepts of mathematics, Fourier series expansion, and metaheuristic methods, ODEs can be represented as an optimization problem. The target is to minimize the weighted residual function (error function) of the ODEs. The boundary and initial values of ODEs are considered as constraints for the optimization model. Generational distance and inverted generational distance metrics are used for evaluation and assessment of the approximate solutions versus the exact (numerical) solutions. Longitudinal fins having rectangular, trapezoidal, and concave parabolic profiles are considered as studied ODEs. The optimization task is carried out using three different optimizers, including the genetic algorithm, the particle swarm optimization, and the harmony search. The approximate solutions obtained are compared with the differential transformation method (DTM) and exact (numerical) solutions. The optimization results obtained show that the suggested approach can be successfully applied for approximate solving of engineering ODEs. Providing acceptable accuracy of the proposed technique is considered as its important advantage against other approximate methods and may be an alternative approach for approximate solving of ODEs.     

拟牛顿粒子群优化算法求解调度问题

针对资源受限的项目调度问题,将粒子群优化算法与拟牛顿优化算法相结合,提出了一种混合粒子群算法。本算法利用粒子群算法求得优化解,然后利用拟牛顿方法对所得到的解进行局部优化,以尽量达到或接近全局最优点。结果表明,本算法能够有效地求解大规模项目调度问题,具有较好的应用价值。