模拟退火算法的并行化策略研究

模拟退火算法是一种能应用到求最小值问题或连续更新的学习过程(随机或决定性的)。在此过程中,每一步更新过程的长度都与相应的参数成正比,这些参数扮演着温度的角色。标准模拟退火算法仅进行串行优化,其效率很难提高。因此,考虑引入多种群群体优化机制构造并行算法,并对接受准则进行讨论。     

基于耦合模拟退火优化最小二乘支持向量机的车轮踏面磨耗量预测

针对最小二乘支持向量机(LS-SVM)超参数优化问题,提出采用改进耦合模拟退火(CSA)算法优化LSSVM超参数。首先,耦合模拟退火算法通过并行处理多个独立模拟退火(SA)寻优过程,提高LS-SVM模型超参数优化效率;然后通过调整接受温度控制耦合项超参数的接受概率方差,降低CSA算法初始设置对LS-SVM最优超参数确定过程稳健性的影响;最后结合既有线轮轨现场的实际检测数据,开展了基于改进耦合模拟退火优化的最小二乘支持向量机(CSA LS-SVM)回归模型性能对比实验。结果表明,CSA LS-SVM回归模型达到了模型精度、算法快速性、算法鲁棒性的有效折中,所建立的LS-SVM优化模型用于现场的车轮踏面磨耗量的预测是有效的。     

基于改进的模拟退火算法及其在火炮控制系统中的应用

针对现有火炮控制系统与模拟退火算法优化存在的问题,提出了一种改进的模拟退火算法用于火炮控制系统PID参数寻优的方案,即基于变尺度法的模拟退火算法。该算法采用了全局优化和局部优化相结合的思想,能显著提高算法的执行效率,收敛性较好,而且不易陷入局部最优解。给出了具体实现过程和优化实例,并将该算法应用到火炮控制系统中,仿真实验表明,该算法是一种有效的全局优化算法。     

VC++环境下的BP神经网络建模和模拟退火优化研究

文章简要介绍了BP神经网络和模拟退火算法的原理,提出了一种基于VC 环境的BP神经网络建模与模拟退火优化方法,通过模拟退火对BP网络的输入参数进行优化,实现算法接口并进行了软件设计.采用一个焊接算例进行验证,证明了该BP神经网络逼近能力强、收敛速度快,模拟退火能寻找到最优焊接参数,该软件平台具有一定的实用性.     

蚁群算法中约束和边界搜索的研究

蚁群算法是一种仿生式算法,模拟蚂蚁寻径过程。尽管蚁群算法不像模拟退火等算法具有相对坚实的数学基础,但从应用效果来看,尤其在离散优化问题具有一定优势。本文研究参数变化对蚁群算法的影响进行蚁群优化。     

混合遗传模拟退火算法求解旅游线路优化问题

广西旅游资源丰富,对出行线路的规划可以能让旅游线路更为优化合理。本文以广西30个城市的旅游线路优化问题构造TSP问题,分析了遗传算法和模拟退火算法的优缺点。利用两种算法的互补性,构造了混合遗传模拟退火算法,指出三种算法对旅游线路的求解算法过程。通过对实验数据的对比分析,得出了混合遗传模拟退火算法在求解精度上优于遗传算法或模拟退火算法。     

时滞系统控制参数优化的遗传模拟退火算法

该文基于遗传模拟退火算法,提出一种时滞系统的控制参数优化方法,同时对Matlab遗传算法工具箱GAOT进行改进,使之适用于PID参数的优化。该文所采用的算法保留了遗传算法和模拟退火算法分别在全局和局部搜索能力强的优点,能克服常规遗传算法中解的早熟现象、局部寻优能力差,难以保证对参数优化的计算效率和可靠性要求等缺陷。研究表明,改进后的遗传模拟退火算法是一种行之有效的方法,具有实用价值。     

基于综合优化方法的风力发电机故障诊断

支持向量机(SVM)一种新型的统计学习方法。但是作为分类算法,它存在计算量大、运行时间长的缺点。针对LSSVM的参数选择问题,引入物理学中的黑洞概念,建立黑洞模型,结合模拟退火算法,提出了黑洞粒子群-模拟退火算法(BH-PSOSA)。该算法可以增加粒子的多样性,克服PSO算法优化过程中陷入局部极值的问题,提高了优化性能,改善了收敛特性。利用BHPSO-SA算法对LSSVM的参数进行优化选择,用UCI数据库的数据进行分类验证,相比CV参数优化的LSSVM,提高了分类速度和精度。最后把BHPSOSA-LSSVM算法应用到风机齿轮箱的故障诊断中,取得了良好的效果。     

混合PSO在最小均方误差调节器中的应用

利用最小均方误差调节器来改善有限拍系统是一种常用的方法,而调节器参数的选择是非常重要的。本文在确定最小均方误差调节器的过程中设计基于模拟退火的粒子群算法对参数进行了优化,并对一具体系统进行了仿真。结果表明,混合粒子群算法比单独使用粒子群算法和模拟退火算法的效果要好,同相关文献确定参数方法相比,系统的超调量和调节时间都得到了明显的改善,验证了所提算法的有效性。     

融合模拟退火的随机森林房价评估算法

传统的随机森林房价评估算法存在着大量参数组合计算问题,参数的优劣对算法准确度影响很大。针对此问题,结合随机森林和模拟退火算法提出一种融合模拟退火的随机森林房价评估算法。首先,通过10次10折交叉验证法对参数进行敏感性测试,选择出对随机森林算法敏感的参数;然后结合模拟退火算法对敏感的参数迭代寻优,通过与网格搜索算法、随机搜索算法进行对比分析发现,在参数组合计算过程中,模拟退火算法在运行时间和算法准确率方面更优,弥补了网格搜索算法耗时过长和随机搜索算法低准确率的缺陷;最后,将融合模拟退火的随机森林算法应用于房价评估问题,构成新的房价评估算法。将新算法与传统随机森林房价评估算法进行了对比实验分析,结果表明,融合模拟退火的随机森林房价评估算法误差值减少,拟合优度值增加,评估的准确度得到了显著提升。     

基于GLR的动态位置管理方法

为平衡位置更新代价和寻呼代价,结合网关位置寄存器的三层数据库结构,设计一种基于移动域的动态位置管理方法。根据移动速度和呼叫到达率调整移动域大小,降低位置管理总开销。根据呼叫移动比选择寻呼策略,优化位置管理性能。仿真结果表明,采用该方法可以获得最优移动阈值。     

异质网络间移动管理方案研究

针对下一代移动通信网络的异构性,提出一种可以适用于异质网络间的移动管理方案,通过利用所设计的“主机信息库”结合HIP（Host Identity Protocol）协议实时更新多模移动终端的接入状态信息,以维持服务的连续性。实验仿真结果表明,该方案可以优化接入网络系统的整体性能。     

软件定义网络中延迟满足的路由选择与实时调度更新

由于数据流的动态性和流量负载转移,软件定义网络（software defined networking,简称SDN）需要频繁更新数据平面以优化网络性能.大多数已有路由更新策略首先根据网络当前流量状态确定目标路由配置,然后更新数据流的路由.然而,由于交换机基于TCAM（ternary content addressable memory）进行流表更新的速度较慢,导致路由更新的延迟通常较大.当网络规模大或网络拓扑结构经常变化时,路由更新的延迟可能更大.研究发现,大多数数据流的持续时间很短且整个网络的流量强度在一段时间后会发生变化.如果路由更新延迟过长,更新后的路由配置可能不再有效.为此,研究了SDN的实时路由更新问题,提出了延迟满足的路由选择和调度更新策略（delay satisfied route selection and updating scheme,简称DSRSU）.与大多数现有研究不同,DSRSU同时从控制平面路径选择和数据平面的更新调度两方面来联合优化,降低路由更新的延迟.路径选择阶段只选择部分数据流进行路由更新;更新调度阶段通过建立更新关系图挖掘数据流的更新先后顺序,进一步加快路由更新速度.仿真分析结果表明,与现有几种路由更新策略相比,DSRSU能够在大幅度降低路由更新延迟的同时,达到与现有策略相似的网络性能.     

基于动态优化模型集的多模型自适应控制

针对多模型自适应控制的传统算法中固定模型集无法准确覆盖对象的不确定域的问题,提出了一种新型的能够在线动态优化模型集的方法。该方法能够在线自动添加、删除以及修改模型集中的模型,有效地控制模型数量以及优化模型集,使模型集对不确定域进行精确覆盖,并且在系统运行的稳定阶段可以停止优化模型集的动作,从而大幅减少计算量。该方法在优化控制性能的同时不会过分增加系统运算负担,仿真实验表明了此算法的优越性。     

基于聚类的位置数据库动态重组

在无线移动计算环境中,如何合理地组织和存储移动对象(mobile object)的配置信息从而有效地降低查询和更新代价是位置管理(location management)中的一个重要问题.将数据挖掘应用到移动计算环境中是一项具有挑战性的研究课题,具有广阔的应用前景.从数据挖掘的角度出发,提出了一种优化位置数据库的解决方案.首先采用一种新的层次聚类算法对移动日志聚类,然后根据聚类的结果对位置数据库动态重组,从而有效地降低了查询和更新代价.     

基于改进双层蚁群算法的移动机器人路径规划

为提升移动机器人的路径规划能力,提出一种改进双层蚁群算法,将蚁群划分为引导层蚁群和普通层蚁群.为提升算法的收敛速度和路径的平滑程度,在设计引导层蚁群启发函数时加大终点栅格的吸引力,设计普通层蚁群启发函数的同时考虑起点、终点和转折点的影响;针对复杂环境下蚁群算法死锁严重的问题,为引导层蚁群设计应对死锁问题的自由寻路-剪枝...     

基于蚁群优化算法的纠删码存储系统数据更新方案

由于纠删码具备高可用性和高存储空间有效性的特点,采用纠删码为大规模分布式存储系统提供数据持久性已成为事实标准然而,纠删码的密集型更新操作将导致大量的数据传输和I/O开销.如何减少数据传输量,优化现有网络资源的利用率,以提高纠删码的更新效率,成为纠删码存储系统面临的重要挑战.然而,在多重服务质量(quality of s...     

基于多智能体强化学习的多AGV路径规划方法

AGV(automated guided vehicle)路径规划问题已成为货物运输、快递分拣等领域中一项关键技术问题。由于在此类场景中需要较多的AGV合作完成,传统的规划模型难以协调多AGV之间的相互作用,采用分而治之的思想或许能获得系统的最优性能。基于此,该文提出一种最大回报频率的多智能体独立强化学习MRF(maximum reward frequency)Q-learning算法,对任务调度和路径规划同时进行优化。在学习阶段AGV不需要知道其他AGV的动作,减轻了联合动作引起的维数灾问题。采用Boltzmann与ε-greedy结合策略,避免收敛到较差路径,另外算法提出采用获得全局最大累积回报的频率作用于Q值更新公式,最大化多AGV的全局累积回报。仿真实验表明,该算法能够收敛到最优解,以最短的时间步长完成路径规划任务。     

基于向量的动态XML编码方法研究

基于向量的动态可扩展标记语言(XML)编码方法计算简单,但不能对已删编码进行重用,严重影响XML更新效率。为此,利用Stern-Brocot树对中间向量计算进行改进,提出一种求解最短位长中间向量的多项式时间算法,对批量分配进行优化,从而提高向量编码的更新性能。实验结果证明改进的编码方法能较好地重用已删编码,适用于XML的频繁更新。