一种改进粒子群算法优化BP神经网络实现核素识别方法

为获得全局最优点,提出一种改进粒子群算法优化BP神经网络实现核素识别方法.该算法用一种动态改变惯性权重与学习因子的自适应方法,优化BP神经网络的阈值与权值,通过训练BP神经网络识别模型得到粒子群的全局最优解,利用最优权值与阈值实现核素识别.分析结果表明:该方法不仅能更快地收敛于最优解,同时能更好地平衡全局搜索和局部搜索能力,有效地改善算法的收敛速度和识别精度.     

基于粒子群优化算法的多目标搜索算法

针对多目标优化问题在实际应用中的复杂性,提出一种采用粒子群优化算法来求解多目标优化的问题的方法。在分析了多目标优化问题的基础上,以粒子群优化算法对生产配料流程中的优化问题为例进行非劣最优解集的搜索,并将其运用于实际工程制造中的某配料选型工艺计算中。仿真结果表明:该方法有效,在工程设计选型、模式分类、神经网络训练以及系统控制等领域正得到普遍应用。     

基于组合粒子群算法的运载火箭弹道优化设计

提出一种基于粒子群算法和方向加速法组合成的PSO-Powell算法,能进行大范围搜索,其最优解具有全局收敛性。在该算法中,对粒子群算法的参数设置进行了改进,提升了其性能,并引入增广拉格朗日乘子法处理优化问题的约束条件,提高了最优解的精度。仿真结果表明PSO-Powell算法应用于运载火箭弹道优化设计具有良好效果,可以提升运载能力,具有一定工程应用价值。     

一种新的混合聚类算法

针对模糊C均值算法与粒子群算法的不足,提出了一种基于粒子群算法和模糊C-均值算法的混合聚类算法.该算法将全局搜索和局部搜索有机结合,采用两阶段的聚类分析方法,解决了FCM算法易于陷入局部最优和PSO算法局部搜索较弱的问题.实验结果表明,该算法具有较好的有效性,增强了全局收敛能力,减小了分类错误率.     

基于梯度粒子群算法的纵横向机动跳跃弹道设计及优化

为了增强导弹弹道的机动性能和突防效果,采用2级发动机多次点火及横向机动技术,建立了纵横向机动跳跃弹道模型。针对模型中弹道计算时间长、优化参数多的问题,提出并设计了梯度粒子群算法,将梯度搜索的思想融入到粒子群算法中搜索全局最优解,相应改变微粒速度位置向量的更新方式。仿真结果表明,该算法能够有效地解决纵横向机动跳跃弹道模型的优化问题并具有快速收敛性。     

基于粒子群优化算法的无人机航迹规划

提出一种基于粒子群优化算法的无人机路径规划方法,利用粒子群优化算法,将约束条件和搜索算法相结合,从而有效减小搜索空间,得到一条全局最优路径。仿真结果表明：该方法能够快速有效地完成规划任务,获得满意的三维航迹。     

基于粒子群算法的广义S维分配算法

多传感器多目标检测的静态数据关联问题可用广义S维算法求解,但求解复杂度是NP的.因此提出用粒子群算法来实现,它把多维分配问题中的目标代价函数极小化问题表达为一类约束的组合优化问题,再通过增加量测约束条件,缩小搜索空间,更快的得到最优解实现关联.在无杂波和无漏检情况下,用不同策略的粒子群算法和遗传算法实现静态数据关联仿真比较,结果证明该算法的有效性和优越性.     

一种新的混合智能粒子滤波算法在雷达机动目标跟踪中的应用

标准粒子滤波算法的精度不高,鲁棒性差标准粒子滤波算法的精度不高,鲁棒性差难以满足雷达目标跟踪的要求。本文提出了一种新的适用于雷达目标跟踪的智能粒子滤波算法,在粒子滤波中先利用人工鱼群的全局收敛性找到满意的解域,再利用粒子群算法引导粒子向高斯然区域移动,提高滤波精度。仿真表明该算法可以在强闪烁噪声下有效地跳出局部最优,搜索到理想的粒子最优值,提高雷达机动目标跟踪的精度。     

基于混合离散粒子群算法的多无人作战飞机协同目标分配

针对多无人作战飞机(UCAV)协同目标分配问题,提出了一种基于混合离散粒子群算法的多UCAV协同目标分配方法。混合离散粒子群算法根据多UCAV协同目标分配问题的特点,设计了新的粒子群位置和速度更新公式,并且充分利用粒子群优化算法的全局搜索能力,同时利用禁忌搜索的局部搜索能力,使2种算法的优势得到互补,较为显著地提升了原算法的性能。仿真结果表明:混合离散粒子群算法能够有效地解决多约束条件下多UCAV协同目标分配问题,并且算法简单、灵活,易于实现和扩展。     

基于蒙特卡洛仿真和并行粒子群优化算法的携行备件优化

为提高携行备件方案优化模型的准确性和求解的精确度,以遂行远海训练任务的舰艇编队为研究背景,针对优化模型的建立和求解提出了一系列改进措施。在传统优化模型的基础上,分析了虚警和串件拼修对备件的影响,建立了基于携行能力、备件成本、装备可用度、同型号装备群完好率等多约束条件的携行备件优化模型;利用粒子群优化（PSO）算法确定备件的优化配置,利用蒙特卡洛仿真法计算配置方案的保障效能;引入云格计算技术实现PSO算法的并行求解,从硬件性能上提高算法的全局寻优能力;将普通粒子转化为量子粒子实现解的多样化,减小了算法陷入局部最优的危险。案例分析证实了改进措施的可行性和有效性。     

复杂环境下无人机三维航迹规划方法研究

复杂环境下规划无人机三维航迹时,随机型的粒子群优化由于问题维度高导致收敛性差难以获得最优甚至可行航迹;而确定型的稀疏A~*算法易陷入局部搜索导致搜索时间长且计算量大。基于分层思想,将高维航迹规划问题转换为多个低维问题。首先通过粒子群优化规划出少量导引航迹点集,然后采用稀疏A*算法计算导引点间的航迹段。仿真结果表明该方法能在获得满意解的前提下提高复杂环境下无人机航迹规划效率。     

基于多目标局部变异-自适应量子粒子群优化算法的复杂地形多传感器优化部署

对复杂地形下的多传感器部署问题进行研究,提出了基于多目标局部变异-自适应量子粒子群优化（LM-AQPSO）算法的多传感器多目标优化部署方法。该方法对复杂地形进行多属性网格建模,给出了传感器探测模型和优化目标。引进局部变异和参数自适应策略对量子粒子群优化算法进行改进,并提出了基于LM-AQPSO的多目标Pareto最优解集优化算法。考虑多目标部署需求,构建了基于Pareto最优解集的多传感器优化部署模型。仿真实验结果表明：相对于经典的改进非支配排序遗传算法,所提算法优化的Pareto最优解有着更好的收敛性和分布性,且寻优时间更短;所提模型能有效解决多目标多传感器部署问题,并能同时提供更多的决策方案。     

基于自适应混沌变异粒子群优化算法的旋转弹丸气动参数辨识

将最大似然准则应用于高速旋转弹丸的气动参数辨识问题中,提出一种新的自适应混沌变异粒子群算法求解该准则下的气动参数最优解,进而得到弹丸的气动参数。该算法通过自适应调整惯性权重、利用混沌优化的思想产生初始粒子、设定早熟判别机制来判断是否陷入局部最优解,并通过粒子变异的策略使其跳出局部最优解等方法进一步优化基本粒子群算法。通过常用的测试函数对该算法进行了测试,测试结果表明：相比于基本粒子群算法,该算法具有收敛速度快、寻优精度高、应用范围广等优点。利用系统仿真的方法模拟弹丸的自由飞行数据,并利用该数据结合所提算法对弹丸的主要气动参数进行辨识,辨识结果表明：该算法可以有效辨识弹丸的气动参数,且精度高,收敛速度快,可以应用于工程实际问题。     

一种基于化学反应优化和粒子群优化的混合型优化算法

针对现有化学反应优化算法存在的不足,提出一种基于粒子群优化算法(particle swarm optimization,PSO) 和自适应化学反应优化算法(adaptive chemical reaction optimization,ACRO)相结合的混合算法(a hybrid optimization based on ACRO and PSO,ACRO-PSO)。在ACRO 算法的领域算子基础上,融入PSO 算法的全局算子,加入权重系 数控制本地搜索和全局搜索的比例,修改分解反应合化合反应出现的时机,利用化合反应输出最优解,采用标准测 试函数对ACRO-PSO 进行性能分析。仿真结果表明,ACRO-PSO 算法能高效地解决待优化问题。     

改进粒子群算法在防空火力分配中的应用

尝试用粒子群优化理论（PSO）求解防空群火力分配决策的优化模型。首先把约束方程作为罚函数加入到原目标中,变为无约束的优化问题。假设通过粒子群算法得到一组局部最优点X1,将X1转化为二进制编码。然后采用遗传算法中的一个概率随机改变二进制表达式中的某些位,使得编码发生变化,形成一组新的解X2。比较X1和X2的适应值,舍去比X1劣的解,保存比X1优的解,最后采用粒子群算法在X2的领域内进行寻优。     

Memetic算法在无人机侦察航路规划中的应用

为解决无人机侦察航路规划问题,采用文化基因算法(memetic algorithm,MA)进行求解。以粒子群优化算法作为主搜索策略,采用基于模拟退火的加权法对非劣解进行局部搜索。目标函数综合分析了战术效果、航程、安全性、飞行时间等指标要求,并从环境和无人机自身分析航路规划约束条件。最后对算法性能进行了测试,实验结果表明该文化基因算法比单独使用粒子群优化算法具有更高规划效率,得到的初始侦察航路较优。     

基于粒子群算法的火力最优分配

针对炮兵战场多个目标和多个火力单位的复杂作战环境,运用粒子群优化算法的原理和其加以改进的方法,对炮兵火力单位的最优分配作了初步探讨,并与遗传算法加以比较,结果表明它比遗传算法在军事领域火力分配中寻找全局最优解更加快速可靠.     

基于粒子群遗传算法的三轴磁通门误差校正

针对目前磁通门磁力仪误差校正方法中存在的校正精度不高和受初始参数影响较大的问题,提出一种基于粒子群遗传算法的磁通门误差校正方法。该方法首先在分析误差产生机理的基础上建立了误差校正模型,随后利用粒子群遗传算法来求解校正参数,该算法通过对粒子群中的适应度较差的粒子进行交叉、变异操作来增加算法的全局最优搜索能力。仿真实验结果表明,与传统的粒子群优化算法相比,基于粒子群遗传算法的误差校正能快速地收敛,且具有较强的全局最优搜索能力,可以实现对磁通门磁力仪的高精度校正。     

基于计算智能方法的无人机任务指派约束优化模型研究

无人机(UAV)指派问题是一种具有多约束条件的复杂任务分配问题。随着问题规模和约束数量的增加,其复杂性加剧,尤其是对于目前常用的,基于线性规划类的方法而言,存在着维数爆炸和优化求解困难加剧的问题。提出了一种通用的UAV任务指派模型,将UAV指派问题转化为多约束条件下的优化问题。该模型通过构造可行解的方法,不但有效地减小了搜索空间,提高了搜索效率,而且适用于各种计算智能类的优化方法。通过4种典型的计算智能优化方法,即粒子群优化方法、遗传算法、差分进化算法和克隆选择算法的数值分析,结果表明该模型具有更好的适应性和可扩展性,与计算智能优化方法相结合,能有效地求解复杂UAV任务指派问题。     

基于IBPSO 的模拟电路故障特征提取方法

针对有效采样点法提取故障特征时冗余信息多、易造成维数灾等问题,提出利用改进的二进制粒子群算法提取故障特征。研究粒子群优化算法和二进制粒子群优化算法的差异以及在故障特征提取方面存在的不足,通过改进群体极值的更新方式避免搜索结果陷入局部最优。以Sallen-Key带通滤波器为诊断实例,完成9类模拟电路故障模式的特征提取。结果表明:通过该方法进行特征提取可有效降低故障诊断模型的复杂性,与二进制粒子群优化算法相比,该方法在特征维度和诊断准确率上具有明显的优势。