基于扩散机制的双种群粒子群优化算法*

为了避免标准粒子群优化算法（PSO）过早收敛的缺点,把热力学中的扩散现象引入到PSO算法的改进当中,提出了基于扩散机制的双种群粒子群优化算法(DPSO)。DPSO算法中定义了粒子的扩散能、种群的温度和粒子的扩散概率三个概念,两个群体中的粒子在进化过程中根据粒子的扩散概率被选入到各自种群的扩散池中,从而实现两个种群之间信息的交换和共享。通过解决典型的多峰、高维函数优化问题来证实DPSO算法的有效性,实验结果表明DPSO比标准PSO具有更高的性能。     

基于似然分布调整的粒子群优化粒子滤波新方法

传统基于粒子群优化的粒子滤波（PF）算法（PSOPF）在移动粒子向高似然区域移动的过程中,由于破坏了预测分布,当似然函数具有多峰时,其在具有大计算量的同时滤波性能并没有明显提升。针对该问题,提出了基于似然分布调整的粒子群优化粒子滤波新方法（LA-PSOPF）。在保留预测分布的前提下,运用PSO算法调整似然分布,提高有效粒子数量,进而提高滤波性能;同时引入局部优化策略,缩减参与PSO优化的粒子群规模,从而减少运算量,达到滤波精度与速度的平衡。仿真结果表明,当量测误差较小,似然函数具有多峰值时,改进算法的滤波精度和稳定性都优于PF算法和PSOPF算法,同时运算时间少于PSOPF算法。     

用于测试序列优化的DPSO-WAO*算法研究

针对现有测试序列优化算法所存在的计算效率及优化性能间的矛盾,结合离散粒子群算法(DPSO),提出了基于加权Huffman编码的启发式评估函数,对传统AO*算法进行改进,提出了DPSO-WAO*(DPSO-Weight_AO*)算法。实例证明,基于加权Huffman编码的启发式评估函数更为准确地评估了全局测试成本,在取消了成本回溯的情况下,算法仍能保持较高的优化性能,且有效地降低了计算复杂度,对于大型系统的测试序列设计、可测试性分析及故障诊断等具有重要意义。     

基于分层自主学习的改进粒子群优化算法

针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先，根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层；然后，根据不同阶层粒子特性，分别采用局部学习模型、标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度；最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。     

一种基于距离度量的自适应粒子群优化算法

惯性权值对粒子群优化((Particle Swarm Optimization,PSO)算法的性能起着重要作用。基本的PSO算法未考虑各粒子的差异而在一次迭代中所有粒子采用固定的惯性权值。为了体现各粒子相对于已知最优解的差异,提出了一种基于距离度量的自适应PSO算法DMAPSO(DistancE Measurement-based Adaptive PSO)。算法采用欧式距离计算粒子与已知全局最优粒子的差异,然后根据差异自适应调整各粒子的·贯r}权值。通过基准测试函数对算法进行了实验,结果表明,对于连续函数优化问题,提出的DMAPSO算法优于经典PSO算法,DMAPSO收敛到最优解的迭代次数比PsO平均减少了约60%.     

云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。     

含分布式电源的改进PSO算法配电网无功优化

在电网无功供电性能优化问题的研究中,针对包含分布式电源的配电网无功优化的特点,利用一种改进粒子群算法,对含分布式发电的配电网系统进行了无功优化的计算.考虑了电网损最小、节点电压和发电机无功出力的约束作为优化目标函数,采用粒子群算法,在其速度进化方程中引入了自适应惯性权重和收缩因子以提高,并运用遗传算法中的交叉技术,对PSO算法产生的粒子进行遗传交叉运算来改善全局搜索能力,并在迭代后期将其取消来提高计算速度,仿真结果对比表明,提出的优化算法能够有效地提高电网电压质量和减少功率损耗.     

基于混沌序列的粒子群优化算法

提出一种改进粒子群局部搜索能力的优化算法,对于陷入局部极小点的情性粒子,引入混沌序列重新初始化,在迭代中产生局部最优解的邻域点,帮助情性粒子逃商束缚并快速搜寻到最优解．对经典函数的测试计算表明。改进的混合算法通过微粒自适应更新机制确保了全局搜索性能和局部搜索性能的动态平衡,而且保持了PSO计算简洁的特点,在收敛速度和精度上均优于普通的PSO算法.     

动态环境下的种群扩散粒子群优化算法

传统的粒子群优化算法在优化过程中难以有效地监测环境的动态变化和响应。针对上述问题,通过增加外围监测粒子加强监测有效性,提出一种可以动态响应环境变化的种群多样性扩散函数,在此基础上设计一种扩散粒子群优化算法(DPSO),在动态环境中与APSO、CPSO进行比较,实验结果表明,DPSO可以更有效地跟踪动态环境下极值的变化并快速收敛。     

基于PSO优化的LSSVM的电力系统电压优化的研究

由于传统的方法在处理电压优化与治理问题时存在较大的局限性。针对地区电力系统电压优化和治理问题进行了研究,建立了以有功网损为目标函数的不等式约束的优化问题,并考虑到电压优化问题的控制变量能够进行种群划分,而粒子群算法(PSO)又能够降低搜索空间的运算复杂度,因此提出了基于粒子群优化最小二乘支持向量机(PSO-LSSVM)来对电力系统电压进行优化。通过实例的结果分析,该方法对电压的合格率有所提高,对电压性能有明显的改善,损耗也下降了,且收敛速度加快,有助于解决地区电力系统电压优化和治理问题。     

Novel scheduling strategy for downlink multiuser MIMO system: Particle swarm optimization

In this paper the scheduling problem in downlink multiuser MIMO system is described as an optimization problem and particle swarm optimization (PSO) algorithm is introduced to address such problem. Two PSO scheduling methods with different objective functions applicable to different requirements on capacity and complexity are investigated. One is the capacity based PSO(C-PSO) scheduling method aiming at achieving the near optimal capacity; and the other is the lower bound of eigenvalue based PSO (LBE-PSO) scheduling method with the purpose of reducing computational complexity and at the same time achieving as large as possible capacity gain. Furthermore, convergence analysis of PSO from both the particle and the velocity aspects is also presented to derive the convergent condition, which is validated by several examples of different parameter values. Simulation results reveal that the C-PSO can obtain nearly the same capacity as the exhaustive search method with lower complexity, while the LBE-PSO provides a viable approach by striking a better tradeoff between capacity and computational complexity.     

基于增强蚁群优化的海量规模MIMO系统快速检测算法

大规模MIMO系统的符号向量检测算法计算复杂度较高,对此结合粒子群优化与蚁群优化提出一种低计算复杂度的海量规模MIMO系统快速检测算法。首先,推导出一种新的概率搜索模型,将基于距离的蚁群搜索与基于速度的粒子搜索结合;然后,将ACO距离指标与PSO的方向、速度指标结合生成一种新的概率指标,将ACO的信息素更新步骤变为PSO速度的更新;最终,将MIMO检测问题建模为路径寻找问题,寻找MIMO符号检测问题的次优解。对比仿真实验结果表明,本算法的检测性能优于部分传统算法以及其他新颖的MIMO检测算法,在获得与最大似然估计检测法接近的误码率性能下,具有极快的计算速度,适用于海量规模的MIMO系统。     

网格环境下分层并行多群体协作PSO框架设计与实现

针对利用广域范围内的计算资源参与PSO执行,从而提高工程最优化问题计算效率并降低计算成本,提出一个网格环境下分层并行多群体协作PSO（G-LPMCPSO）框架。首先给出一个适应负载不均衡和计算资源异构网格环境下的并行多群体协作PSO（PMCPSO）算法;然后着重阐述了如何利用标准的网格技术和PMCPSO算法设计并实现G-LPMCPSO框架,该框架具有一个扩展的GridRPC API用于隐藏网格环境的复杂性和一个元任务调度器用于无缝的资源发现和选取;最后,根据理论分析及实验结果,证明利用网格技术及PMCPSO可以提供一个可靠的框架用于加速解决科学工程最优化问题。     

基于微粒群算法的服务网格任务优化调度问题的研究

需要人参与提供服务的网格任务调度中,需要考虑许多时间因素。因此本文提出一个基于时间差异的网格任务调度模型,应用微粒群算法对网格中任务调度模型作性能优化,并通过分析和模拟,得出此算法能够得到任务调度的最优完成时间。     

基于Kriging模型和NSGA-Ⅱ的航空发动机管路卡箍布局优化

针对传统卡箍布局规划存在效率低且难以解决多目标优化问题等难点，提出一种基于Kriging模型和NSGA-Ⅱ算法的航空发动机管路卡箍多目标布局优化方法。提出并建立反映卡箍位置与管路振动性能关系的Kriging代理模型，同时结合拉丁超立方实验设计方法以及粒子群优化技术提高建模精度。以管路一阶固有频率和二阶固有频率为优化目标，应用NSGA-Ⅱ对管路卡箍位置进行布局规划以避免共振。在优化计算过程中，应用所建近似模型代替CAE分析程序对适应值函数进行评价，大大减小了计算量。发动机管路卡箍布局算例表明:所提方法可一次性获得多个满足要求的非支配解方案，不仅提升了管路系统的可靠性，而且计算效率亦得到了很大提高。最后仿真结果证明了所提方法的有效性。     

基于量子遗传算法的无线传感器网络路由研究

对于无线传感器网络(WSNs)中的两大关键性问题路由搜寻和能量优化,引入量子遗传算法进行路径的搜寻,并改进算法编解码思路,降低由于网络规模扩大而导致编码长度急速增加,即减少算法的计算复杂度,从而解决传统编码方式下的量子遗传算法难以适用于大规模的WSNs的缺点。通过实验表明:该方法能够得到更加优越和稳定的路径搜索结果,与粒子群优化算法进行1000次重复路径搜寻试验比较,其平均最优解提高了18.9%,稳定性提升了38.9%。     

射频能量捕获异构无线传感网的能量源最少化布置方法

电池供电的无线传感器网络的应用由于电池更换的不便利甚至不可能而受到极大的限制。考虑具有射频能量捕获能力的异构无线传感器网络,网络节点的能量捕获输出功率需求不一样。在已知传感节点数目和位置的情况下,研究如何布置射频能量源(Energy Transmitters,ETs)从而满足所有节点的能量捕获输出功率需求并且最小化ETs数目。首先建模出该最少化ETs的布置问题,为深入了解该问题提供了理论基础;然后提出了一种复杂度较低的贪婪式ETs布置方法和一种复杂度略高些的基于粒子群优化的ETs布置方法。仿真结果表明,与贪婪式方法相比,基于粒子群优化的方法能找到ETs略微更少的布置方案,但其由于复杂度略高,因此可用于节点数目不是很多的场景,而贪婪式方法则可用于节点数目较多的场景。     

应用改进LK算法求解固定货架拣选优化问题

针对自动化立体仓库中固定货架拣选作业要求速度快、效率高的特点，分析和研究了一种新型改进Lin-Kemighan(LK)算法，并将其应用于固定货架拣选优化问题。仿真实验结果表明，该算法能够大大降低时间和空间的计算复杂度，快速、稳定地找出最优解，满足了多次作业时待拣选货物数目在较大范围内变动的要求，尤其是满足了中大规模作业的要求。     

基于信噪比估计的自适应频谱感知算法

针对传统能量检测不能对低信噪比条件下的信号进行准确感知,容易造成误判的缺点。为了提高在低信噪比条件下的频谱感知性能并缩短感知时间,结合循环特征检测具有较高的检测性能和鲁棒性但计算复杂度高的特点,提出了基于信噪比预估计的自适应频谱感知算法。该算法通过预估计待检信号与信道噪声的信噪比,当高于信噪比选择阈值时,采用改进后的自适应门限能量检测,降低运算复杂度;若低于选择阈值则进行循环特征检测,保证良好的检测精度;并可以根据系统对检测精度和感知速率的要求,自适应调整选择阈值的大小。仿真结果表明,所提算法有效的提高了低信噪比条件下频谱感知的准确性,缩短了平均感知时间。     

位域实时视频水印算法

在目前数字水印算法中，图像水印的算法远多于视频水印，然而在现实生活中，视频产品保护更加重要．视频水印除了满足图像水印的一般特性之外，还必须满足实时特性．因此视频水印的嵌入和提取算法必须有较低的计算复杂性．本文提出一种用于视频产品完整性认证的位域实时视频水印的算法．实验表明，该算法有较高的视觉质量，同时能对修改进行准确定位．满足完整性认证水印要求．