一种新的数字调制信号分类特征选择算法

针对调制信号分类特征选择问题,提出了自适应惯性权重模拟退火二进制离散粒子群算法。该算法将模拟退火算法嵌入到离散粒子群算法循环体中,利用模拟退火算法具有较强的局部搜索能力和避免陷入局部最优解的特点,解决了简单智能优化算法早熟收敛和局部搜索能力弱等问题。仿真结果表明,该算法能有效选取最优特征,性能优于简单离散粒子群算法和遗传算法。     

基于改进的自适应克隆选择粒子群优化算法的多用户检测

为了提高多用户检测技术的性能，改善粒子群算法的局部搜索能力，将克隆选择算法（CS）和传统离散粒子群算法（DPSO）相结合，文中提出一种改进的自适应克隆选择粒子群优化算法（ACSPSO），并用于多用户检测。仿真证明，这种基于ACSPSO的检测器在误码率和收敛速度上都比DPSO和CS得到明显改善。     

基于多维离散粒子群优化的协同 OFDMA 系统跨层资源分配

摘 要：针对多服务情况下协同OFDMA（orthogonal frequency division multiple access）系统的资源分配问题,在基站和中继单独功率约束条件下,以最大化用户的效用(utility)总和为目标,提出了一种基于多维离散粒子群（MDPSO）的渐进最优资源分配算法。该算法采用多值离散变量来编码粒子位置,并针对多维离散空间构建了新的基于概率信息的粒子速度和位置更新算法,且引入变异操作来克服粒子群算法的早熟问题。此外,还采用了迭代注水法进行最优功率分配。仿真结果表明,所提算法在总效用、吞吐量和公平性上均明显优于已有资源分配算法。     

两阶段动态多粒子群协作优化

为了解决粒子群优化（Particle Swarm Optimization,PSO）容易陷入到局部最优的问题,提出一种两阶段动态多粒子群协作优化算法.算法中包含一个主粒子群和多个从粒子群,每个从粒子群都搜索部分问题域,主粒子群协调各从粒子群向最优解收敛并获得搜索到的最优解.在第一阶段,在粒子少的问题域产生新的从粒子群,从而确保粒子比较好地覆盖问题域.在第二阶段,删除同一子区域中位置重叠的从粒子群,减少搜索时间.用五个测试函数与两层粒子群优化（Two-layer Particle Swarm Optimization,TLPSO）进行了比较,结果表明此算法能在高维多峰函数优化时获得更好的解.     

一种基于分布估计的离散粒子群优化算法

 本文提出了一种基于分布估计的离散粒子群优化算法.提出的新算法突破了传统粒子群速度-位移搜索模型的局限,且种群中的每个粒子具有更全面的学习能力,从而能够有效地解决组合优化问题.仿真实验结果表明提出的新算法的性能优于现有的其它几种离散粒子群优化算法.     

改进DPSO算法求解仿真任务调度问题

针对离散粒子群算法在求解雷达分布式仿真系统中的仿真任务调度时,由于其易陷入局部最优的缺陷导致算法受初始种群的影响较大且结果稳定低的问题,提出基于信息素变异策略的改进离散粒子群算法。文中分析了离散粒子群算法容易陷入局部最优的原因,引入基于信息素的变异策略,充分利用种群中所有粒子的寻优经验信息来累计信息素,以信息素的分布和效率矩阵为依据对基本离散粒子群算法每次迭代后得到的粒子进行变异操作。仿真结果表明,改进算法有效地避免了算法陷于局部最优的问题,且结果的稳定性比基本离散粒子群算法更好,调度跨度和负载平衡度相比离散粒子群算法,蚁群算法,Max-Min算法和Min-Min算法都有明显的改善。      

改进元胞粒子群算法求解JSP问题

为求解离散JSP(作业车间调度)问题,设计了基于四方形网格的元胞粒子群算法。引入变异策略增强了算法跳出局部最优的能力,对每代粒子群引入变邻域搜索提高了算法的局部搜索能力。数值实验表明,改进的元胞粒子群优化算法具有好的收敛性与求解精度。     

一种基于离散粒子群的多星任务规划算法

对地观测卫星的任务规划是卫星管控中的关键内容,其本质是一个优化决策的过程。面向多对地观测卫星任务规划的问题特点,建立了问题的数学模型,提出了一种基于离散粒子群的优化算法,设计了离散粒子群的位置变化公式。仿真结果表明,离散粒子群算法具有收敛速度快、寻优能力强等优点,能够有效地解决多约束条件下的多星任务规划问题。     

求解排列问题的分布估计离散粒子群优化算法

目前粒子群优化算法和分布估计算法较少用于解决排列编码组合优化问题,本文提出了一种新的适用于求解排列问题的分布估计离散粒子群优化算法.提出的算法结合粒子群优化算法和分布估计算法的思想,突破了标准粒子群优化算法速度-位移更新模式.新算法中每个粒子的信息一部分来自该粒子当前解排列与全局最优排列的最长公共子串,另一部分来自描述所有个体最优值分布信息的概率模型.这样粒子的当前解、所有个体最优值和全局最优值都参与了新解的生成过程,提出的算法秉承了粒子群优化算法的思想,同时具有更全面的学习能力,提高了算法的寻优能力以及避免陷入局部最优的能力.在两个经典的排列问题上的实验结果表明提出的算法具有良好的性能.     

基于离散粒子群求解复杂联盟的并行生成

联盟生成是多agent系统中的一个关键问题。该文引入离散粒子群优化来解决这一问题,采用粒子的随机扰动避免了算法的早熟,设计一种二维二进制编码实现复杂联盟的并行生成,通过编码可行性检查、冲突消解和补偿策略克服了求解过程中的资源冲突和联盟死锁。仿真实验说明了算法的有效性。     

基于粒子群优化的MPSK信号频偏估计算法

针对传统多进制数字相位调制(MPSK)信号非数据辅助(NDA)频偏估计算法存在估计范围有限、估计方差较大、符号个数少时估计性能受限等问题,提出了基于粒子群优化的频偏估计方法。该算法以频偏估计的似然函数为目标函数,模拟群体智能搜索最优解。仿真结果表明,本算法无偏估计范围大,在符号数较少、信噪比较低时,估计方差接近克拉美罗下限(CRLB),性能优于经典的离散傅里叶变换(DFT)算法和Kay算法。     

一种多粒子群的协同优化算法

提出了一种多个粒子群优化的协同方法（MPSCO）。该算法用多个粒子群同时进化搜索，各粒子群定期交流信息，每经过若干代后相互交换各自的全局最优解，这样就使各粒子群在搜索过程中借鉴了其他粒子群的搜索成果，使搜索更具全局性。通过对Griewank函数等4个标准函数做优化测试，MPSCO的性能明显优于基本PSO。     

基于群体智能算法的无人机协同搜索

为解决无人机集群进行协同搜索时的任务分配问题,在基于天牛须搜索的粒子群优化(BSO)算法的基础上设计了一种天牛粒子群混合(BSO-BAS)算法,克服了粒子群优化(PSO)算法易陷入局部最优解、寻优不稳定的缺点。以多旅行商模型(MTSP)为基础构建了多目标、多约束的无人机集群任务分配模型。通过实验仿真与原始寻优算法进行对比,验证了所设计算法求解无人机协同搜索任务分配问题的可行性和稳定性。     

基于粒子群算法的资源受限项目扩展调度方法

针对资源受限的项目调度问题,提出了一种离散粒子群算法与扩展调度机制相结合的优化方法.离散粒子群算法中每个粒子的位置代表一组项目任务的优先权,迭代中通过交叉策略和局部搜索策略来更新粒子的位置,这既保持了粒子位置的离散性,又增加了粒子的多样性,避免早熟收敛.每个粒子的位置通过扩展串行调度机制转换成可行的调度方案.实算表明,扩展调度机制的引入显著地加速了收敛的进程,提高了解的精度.这种基于粒子群算法的扩展调度优化方法是求解资源受限项目调度问题的有效方法.     

引入模式搜索算子的粒子群优化算法

针对粒子群优化算法(PSO)在解决复杂的高维优化问题时容易陷入局部最优和收敛速度慢的问题,结合模式搜索算法较强的局部搜索能力,提出一种引入模式搜索算子的粒子群优化算法(HJPSO).为避免最优粒子陷入局部最优而导致整个种群出现搜索停滞,在PSO算法的迭代过程中加入判断粒子陷入局部最优的机制,当检测到早熟停滞迹象时,使用模式搜索算子对整个粒子群当前搜索到的历史最优位置进行模式搜索以帮助算法跳出局部最优点.标准测试函数的运行结果表明,该算法具有较强的跳出局部最优的能力,收敛速度较快,稳定性好.     

无线自组网中基于离散粒子群优化的睡眠调度感知最小功率广播

针对当网络使用睡眠调度并且节点的传输功率连续可调节时的最小功率广播调度问题,首先给出了一种计算节点内部最优发送调度的递归方法,然后提出了一种构造最小功率广播调度的离散粒子群算法。该算法搜索最优广播树结构,并融合基于最小广播功率增量的贪心算法和基于启发式调整广播树结构的局部优化算法以提高收敛速度和求解质量。模拟实验结果表明所提算法能够有效地减少广播功率。     

引入大变异策略的蟑螂算法研究

通过模拟蟑螂的觅食行为,提出蟑螂算法(Cockroach SwarmOptimization,CSO),并用于求解组合优化问题.算法充分利用了蟑螂社会的平等特性和群体智慧.大变异策略提高了算法全局搜索和避免陷入局部最优的能力.仿真实验表明CSO算法在求解TSP问题方面优于存在的离散粒子群算法(Discrete Particle Swarm Optimiza-tion.PSO).     

基于改进粒子群算法的多UAV协同侦察任务规划

针对多无人机（UAV）协同侦察的任务规划问题,充分考虑侦察目标的侦察分辨率和时间窗约束,建立了数学模型;提出了一种改进的粒子群算法,使得粒子群能够较均匀地在问题空间内搜索,避免陷入局部极值,在保持传统PSO算法快速收敛的同时,加强了算法局部搜索能力。基于该模型和优化算法,制定了合理的多UAV协同侦察任务计划,使得多UAV协同侦察任务在满足任务要求、平台性能和战场约束的条件下具有最小代价和最优作战效能。     

一种基于粒子群算法的螺旋迭代模型研究

实际工程优化过程中,对于多个目标的优化与求解最优值是值得研究的一个问题。文章基于粒子群算法研究多目标优化问题,实现二维多目标搜索,运用粒子群多目标求解模型迭代实现动态多目标搜索,最终得到非劣解在目标空间中的分布,构成了Pareto面,得到非劣解集,在实际问题中,提供最优解的备选,为工程实践优化和筛选最优解问题提供参考依据。     

基于多策略离散粒子群算法的MPRM电路延时与面积优化

针对大规模混合极性Reed-Muller(Mixed Polarity Reed-Muller,MPRM)逻辑电路的延时与面积优化,提出一种基于多策略离散粒子群优化(Multi-Strategy Discrete Particle Swarm Optimization,MSDPSO)的极性搜索方法.在MSDPSO算法中,对粒子进行团队划分,每个团队既执行不同策略,又相互联系,并行完成探索与开发的双重任务.同时在进化过程中采用高斯调整来激活寻优能力较差的粒子.结合MSDPSO算法和列表极性转换技术,对大规模MPRM电路进行延时与面积极性搜索.最后对PLA格式的MCNC Benchmark电路进行算法性能测试,结果验证了MSDPSO算法的有效性.与离散粒子群优化(Discrete Particle Swarm Optimization,DPSO)算法的优化结果相比较,MSDPSO算法获取的电路延时平均缩短8.43%,面积平均节省38.36%.