基于粒子群算法的微生物燃料电池最大功率跟踪

微生物燃料电池能够在实现污水发电,实现清洁能源的同时,对污水中的微生物进行分解和净化,有较大的发展空间。但微生物燃料电池的输出电压和输出功率,受负载波动的影响都较大,为了充分利用电池系统的产电效能,将电池控制在最大功率输出状态具有实际意义。文章对微生物燃料电池的电化学模型进行了系统的阐述,并将粒子群算法应用于电池最大功率跟踪,在负载变化的情况下,始终实现最大功率输出。     

基于粒子群算法的传感器管理算法

传感器管理的核心问题就是依据一定的准则,以最优的方法对传感器资源进行合理的分配,通过粒子群算法的基本概念和基本算法,并根据效用函数求解的需求,设计基于粒子群算法的传感器管理方法。并且在基本粒子群算法的基础上,提出了改进方法。所以,本文拟采用粒子群算法对效用函数进行最优解解析。     

运动目标跟踪技术综述

运动目标跟踪是一个颇具挑战性的问题,文章对当前运动目标跟踪问题的相关方法进行分析研究。首先从一个崭新的角度提出了一套分析运动目标跟踪技术的体系结构方法。然后采用这种体系结构对列举的每种跟踪算法方案进行阐述和归类,指出了每种方案适用范围及其局限性。最后针对研究过程中所面临的难题,展望了运动目标跟踪技术新的发展趋势。     

基于粒子群算法的往复振动筛运动参数优化设计

介绍了粒子群算法的原理、模型和算法实现过程，并采用粒子群算法对往复振动筛运动参数优化设计数学模型进行了优化计算，计算结果符合实际情况，表明粒子群算法应用于粮食机械的优化计算切实可行，为复杂的粮食机械优化设计问题提供了新的思路和方法。     

基于均值漂移的运动目标跟踪算法研究

为了实现在复杂环境下运动目标跟踪,提出了一种基于均值漂移的运动目标跟踪算法.该算法用帧间差法在复杂背景中获取目标模型,引入卡尔曼滤波器减少均值漂移算法迭代次数、解决遮挡问题,通过调节核函数带宽来改变跟踪窗口大小,以保证获取目标完整信息.实验结果表明,该算法不需要目标的先验知识即能实现复杂背景下对运动目标稳定、准确的跟踪,对目标遮挡有很好的鲁棒性.     

视觉跟踪算法研究

视觉跟踪算法是实现视觉目标有效跟踪的关键技术之一,通过观测图像序列,推理获得目标运动参数,实现运动目标跟踪,主要有基于区域跟踪、基于特征跟踪、基于变形模板跟踪和基于模型跟踪等四个类型的跟踪算法,并各具不同的适用范围及优缺点。     

图像的运动目标检测与跟踪算法研究

随着计算机技术、网络工程、电子信息科学技术的发展,信息时代越来越影响着我们的日常生活、学习、工作。目前计算机网络已经深入我们的日常工作过程中,并且占据着无法取代的位置,比如视频图像检测已经运用到多领域。笔者浅要探讨图像的运动目标检测,以及跟踪目标所利用的跟踪算法的探究。     

基于粒子群算法的布谷鸟搜索算法

为进一步提高布谷鸟搜索算法(Cuckoo Search)的收敛速度和计算精度,将PSO算法用于CS算法的位置更新过程,提出了基于PSO算法的布谷鸟搜索算法(CSPSO).最后,通过6个典型测试函数进行仿真实验.结果表明,CSPSO算法比CS算法和自适应步长布谷鸟搜索算法(ASCS)具有更快的收敛速度,更高的收敛精度和稳定性.     

混沌映射的粒子群算法分析比较

为解决粒子群算法(Particle Swarm Optimization, PSO)易受初值影响、迭代后期早熟收敛、局部寻优结果不稳定等问题,提出混沌映射粒子种群初始化的方案。即在算法前期根据混沌映射初值敏感性、随机性等特征,基于6种混沌映射对粒子群算法分别进行初始化,进而增加种群多样性和解的覆盖。引入动态惯性权重系数,提高算法收敛速度。通过6个测试函数进行仿真实验,对比不同混沌映射数据结果,实验证明该算法能在不改变原有时间复杂度的基础上较好地提高算法的收敛速度和寻优精度。     

基于多目标决策协调模型的粒子群算法及其收敛性分析

PSO在求解高维多目标优化问题对有限个体用排序策略来寻找Pareto最优个体时,粒子群体中个体之间很难进行Pareto排序比较,或出现所有个体皆有Pareto最优解而无法实施正常的个体选优.为此,提出了一种基于多目标决策协调模型的粒子群算法,该算法将运筹学多目标决策的协调模型引入粒子群迭代过程,群体按协调模型使用偏好信息进行排序,而不是基于Pareto优于关系对当代群体进行个体排序.实验表明,该算法对解决高维多目标问题行之有效,且具有较快的收敛速度.     

基于改进粒子群算法的造纸车间供电调度多目标优化研究

中国造纸行业发展迅速,造纸车间数量与规模呈现逐渐增加的趋势,造纸设备数量与种类也随之增多,这为造纸车间供电调度提出了较高的要求,现有供电调度方案已经无法满足造纸车间的需求,故提出基于改进粒子群算法的造纸车间供电调度多目标优化方法研究。搭建造纸车间供电系统整体框架,以此为基础,合理分类造纸车间用电负荷,并深入分析用电负荷的特性,以造纸车间供电调度成本最小化、造纸车间电耗费用最低化为目标,构建供电调度多目标优化模型,利用改进粒子群算法求解构建模型,获取最佳的造纸车间供电调度多目标优化方案,执行方案即可实现供电调度的优化目标。实验数据显示：提出方法应用后造纸车间供电调度成本最小值为8.03万元/年,造纸车间电耗费用最小值为300万元/年,充分证实了提出方法应用性能较佳。     

基于离散粒子群算法的织物疵点特征选择

为提高识别织物疵点的准确率,提出基于离散粒子群算法(Bpso)进行织物疵点特征选择的方法.首先收集织物疵点图像并进行预处理,提取常用的纹理特征构成候选特征.然后采用BPSO对这些候选特征进行选择,得到优选特征和冗余特征.最后分别在这3类特征下训练支持向量机并进行织物疵点识别测试.结果表明,优选特征的疵点识别准确率大大高...     

基于遗传-粒子群混合算法的测试数据自动生成

针对传统遗传算法（GA）容易产生早熟收敛和易陷入局部最优解的问题,提出了一种基于遗传-粒子群混合算法（GA-PSO）的软件测试数据自动生成算法：以粒子群优化算法（PSO）为主线,按PSO算法中标准的速度和位置更新,将GA算法的筛选、交叉、变异与PSO算法的自动更新特征结合在一起,使所有测试数据在局部区域中再次寻找最优值,从而避免了过早收敛,改进了搜索最佳值的能力.仿真实验表明：遗传-粒子群混合算法具有更快的收敛速度,保持了种群的多样性,提高了全局搜索能力.     

浅谈粒子群算法与BP神经网络

粒子群优化(PSO)算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论.该算法简单易实行,可调参数少,已得到广泛研究和应用.现主要阐述了粒子群算法(PSO)和BP神经网络的特点,并分析了粒子群算法优化BP神经网络的必要性,同时对今后的研究前景作了具体的展望.     

基于粒子群优化算法的坦克火力分配方法

针对未来局部战争中战场态势信息更迭速度很快,指挥者在面临复杂战场环境仍需及时做出合理的火力分配决策的问题,提出适用于坦克火力分配问题的改进粒子群算法。通过采用十进制编码的方式,更新了初始化策略,改进粒子群优化算法来提高其对坦克作战情景的适用性。经过仿真验证,此方法对问题求解具备很好的鲁棒性和时效性,对坦克作战实际情境求解有很好的借鉴意义。     

基于改进IMM的机动目标跟踪算法

针对地面机动目标跟踪,提出了一种改进的交互式多模型算法,该算法在多模型中使用了基于新息的模型选取策略,解决了先验知识缺失情况下的机动目标跟踪问题。同时,基于新息的变化对当前统计模型进行改进,使之能够自适应调整最大加速度的大小。改进后的算法有效地处理了对未知目标先验知识不足的问题,更利于工程的实现。最后进行了Monte Carlo仿真,仿真结果表明所提出的算法保证跟踪精度的同时能够有更好的反应时间。     

基于粒子群优化算法的排课问题研究

提出一种基于粒子群优化算法的排课算法,通过粒子编码、适应值函数构建、粒子群初始化和交叉操作等,使适应值函数能够随着进化代数的增加而呈不断下降的趋势,从而很好地解决了教务系统中的排课问题.     

一种改进的粒子群算法

为克服粒子群算法易于陷入局部极值的缺点,通过引入聚群效应和扰动,设计了一种新的粒子群算法.通过对常用测试函数的数值试验,说明了新算法不仅能有效地进行全局搜索,而且具有更好的收敛精度.     

基于分布算法的人体运动跟踪系统

运动跟踪问题是一个概率推理问题，技术上的关键困难在于，在给定观测条件下始终对物体位置的后验概率的准确表示，并且高效。文中提出一种基于．NetRemoting分布计算的人体运动跟踪算法，通过引入二阶自回归运动模型来提高后验概率的准确性，并根据粒子滤波器的众多粒子可独立预测的特点，利用分布算法作为提高系统性能的措施来保持跟踪的高效性。实验结果表明，该算法的跟踪鲁棒洼良好，当出现跟踪丢失的时候，可以自动恢复正确跟踪，并且能较好处理遮挡问题。