时间和损失不确定的军械紧急调运决策优化

由于自然环境、敌方打击破坏等因素的影响，战时军械紧急调运必然存在着一定的不确定性。为了使决策具有更大实用价值，在决策时必须考虑这种实际调运过程中存在的不确定性。然而，已有的军械调运模型均未考虑这种不确定性，无法适用于时间和损失不确定的调运决策优化。针对这一不足，在已有模型的基础上，建立了一种基于仿真的军械调运决策模型。模型中考虑了军械调运中存在的不确定性，能够适用于时间和损失不确定的调运决策优化。最后通过算例，说明了模型的有效性。     

一类军械物资紧急调运的数学模型及算法研究

军械物资调运是军械保障工作的一个十分重要的环节,关系到军械保障工作能否快捷有效地完成。考虑到战时状况下军械物资调运的复杂性、快速性和危险性等特点,建立了不同时间要素规定情况下多需求点、单货种军械物资有运力限制条件的紧急调运的2种优化模型。通过严格的数学逻辑推导,对这2种模型给出了解析算法,并通过具体的算例表明了模型的正确性及算法的有效性。     

军械物资运输决策支持系统设计

分析了军械物资运输的基本过程,得出了其基本特点和整体构架.结合决策支持系统理论,建立了军械物资运输决策支持系统总体结构,设计了各子系统结构.该系统的建立能够有效提高军械物资调运决策优化的智能性和快速性.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法，已在许多领域得到了非常成功的应用。本以约束优化问题为对象，首先介绍了采用罚函数法将约束优化问题化为无约束优化问题，和将约束优化问题转化为minmax问题，然后对无约束优化问题和minmax问题，采用PSO算法进行进化求解；在此基础上，以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

PSO算法在油船双底结构优化设计中的应用研究

为了研究粒子群优化(PSO)算法用于解决大型复杂结构的优化设计问题的有效性,分别采用基本PSO算法、标准PSO算法与遗传算法(GA)对某一大型油船双层底结构优化设计问题进行了求解.优化过程中双层底结构的响应分析计算过程采用正交异性组合板理论实现.将这3种优化算法的计算结果进行对比分析表明,与基本PSO算法和GA算法相比较,标准PSO算法的收敛速度最快,且能够获得该问题的全局最优解.研究结果表明,基本PSO算法可有效应用于解决如船体双层底等大型复杂结构优化设计问题.     

基于QPSO和MATLAB优化资金投资组合

量子粒子群优化算法（QPSO）是一种基于粒子群优化算法（PSO）的进化算法,它收敛速度快、规则简单、易于编程实现;Matlab是国际控制界公认的标准计算软件。采用QPSO对资金组合投资的多目标问题进行优化,使用Matlab编程,解决了传统方法难以解决的问题,仿真实验表明采用本方法能对资金投资组合问题提出较好的优化决策。     

应急物资调运模型研究

针对应急物资调运兼顾调运成本与调运时间的要求,以运力充足为前提条件,建立了基于调运时间最短和运输成本最低的应急物资调运模型。运力充足条件下,应急车辆进行一次运输,运输任务的最终完成时间等于物资供应点与需求点之间的最长运输时间,在某一特定任务完成时间下可运用典型运输问题模型的求解算法求出对应的最低成本,通过分析比较不同运输任务完成时间下的运输成本选择出模型的最优解,最后以一个实例验证了模型与算法的有效性。     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量（HOC）的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声，其解法一般采用的是梯度搜索法，但是梯度搜索过程难以避免局部收敛而且计算复杂．粒子群优化算法（PSO）具有算法简洁，易于实现，且不需要梯度信息等优势．使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题，为滤波器参数的优化提供了一种新的思路．仿真结果表明，使用PSO优化算法求解自适应滤波器系数能获得更高的精度．同时PSO算法受系统跃变的影响较小，因此它在求解非平稳过程模型系统时具有一定的优势．     

基于移动最小二乘法和粒子群算法的优化算法

针对复杂电磁装置优化问题中目标函数计算次数过多的问题，提出了一种基于移动最小二乘法（MLS）和粒子群优化算法（PSO）的快速全局优化方法.该方法利用基于MLS的表面响应模型，重构原始的优化问题，采用加权PSO算法对重构后的目标函数进行寻优，再使用拟牛顿法，对原优化问题直接寻优，从而得到优化问题最终的最优解，并对基准测试函数和实际电磁装置问题进行优化计算.结果表明，与加权PSO相比，该算法能找到优化问题的全局最优解，并能有效的减少目标函数的计算次数，节省了计算时间，提高了计算效率.     

粒子群优化算法在桁架优化设计中的应用

粒子群优化(PSO)算法是近年来发展起来的一种基于群智能的随机优化算法,具有概念简单、易于实现、占用资源低等优点.为了解决有应力约束和位移约束的桁架的尺寸优化问题,将PSO算法应用于桁架结构的尺寸优化设计.首先介绍了原始的PSO算法的基本原理,然后引入压缩因子改进了PSO算法,并提出合理的参数设置值.对几个经典问题进行了求解,并与传统的优化算法和遗传算法进行了比较.数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的尺寸优化设计.     

基于改进粒子群的航空军械保障调度优化

针对航空单机军械保障中出现的保障周期长、资源配置不合理等问题,在给出改进粒子群算法的基础上,分析单机军械保障问题中多约束条件,构建多资源约束下的军械保障调度数学模型.将改进算法应用于航空单机军械保障问题中,利用优先值方法编码,提出一种优先进度生成机制作为解码方式求解.通过对实际算例优化分析,得到单机保障的最小时间为64min,远小于未优化时保障周期,而且资源的使用基本趋于均衡,说明改进的方法能快速、正确地解决单机军械调度的优化问题.     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

编队接近非合作目标PSO多脉冲制导方法

为解决地球静止轨道(GEO)非合作目标远距离自主接近中的双视线导航约束以及制导精度问题,提出了一种双星编队接近的粒子群优化(PSO)多脉冲制导方法,该方法将C-W双脉冲制导律转化为带中途修正的多脉冲制导律,然后将时间固定的多脉冲燃料消耗最优问题转化为带双视线夹角约束和制导精度约束的多目标优化问题,接着将带约束的多目标优化问题转化为PSO规划问题并给出规划算法.通过在不同条件下的对比仿真验证结果表明,该方法能够有效的完成对非合作目标远距离的制导.     

空间分割微粒群算法

提出了一种适用于高维数值优化问题的空间分割微粒群算法。该算法通过将整个搜索空间分割成若干子空间,在这些子空间上利用嵌入零搜索算子的微粒群算法进行优化。实验结果表明该改进微粒群算法可以有效地解决高维数值优化问题。     

桁架结构形状优化的粒子群优化算法

为解决有应力约束、几何约束以及局部稳定性约束的桁架结构的形状优化设计,将粒子群优化(PSO)算法应用于桁架结构的形状优化设计.首先详细介绍了原始PSO算法的基本原理,然后引入压缩因子改进了原始的PSO算法,并提出了合理的参数设置值.优化计算过程中,综合考虑了节点坐标和截面面积等两类不同性质的设计变量.最后对几个经典问题进行了求解,并与传统的优化算法进行了比较.数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的形状优化设计.     

利用微粒群优化算法求解非线性规划问题

针对过程系统优化中的非线性规划 (NLP)问题 ,应用微粒群优化算法 (ParticleSwarmOptimization ,PSO)对其进行求解。系统介绍了PSO算法的基本思想和解题步骤 ,通过引入罚函数把PSO算法应用到NLP问题的求解中 ,可以对一般的NLP问题和非凸的NLP问题进行有效地求解。利用两个测试函数和一个过程系统优化的实例对其进行了测试并与其它算法所得的结果进行了比较。结果表明 ,PSO算法在使用的普遍性、求解的准确性方面都优于一般的算法 ,是一种有效的求解NLP问题的方法     

新型混沌粒子群算法在TSP中的应用

针对旅行商问题,提出一种结合混沌优化和粒子群算法的新型混沌离散粒子群方法（CIPSO）。新算法根据此类组合优化问题解的固有地形特征,利用混沌运动的遍历性、随机性等特点进行求解,其基本思想是在求解过程中对粒子进行混沌扰动避免陷入局部最优,并引入群体间粒子的交叉作用来提高寻优效率。通过与遗传算法、蚁群算法和模拟退火算法等比较以及不同TSP问题的仿真实验发现,该方法是一种能进行有效优化的新方法。     

种群分类粒子群改进算法研究

针对粒子群算法在陷入局部最优时难于跳出的缺陷,提出一种改进的粒子群算法.该算法首先利用粒子适应值的统计规律对粒子进行分类,对属于不同类别的粒子采用不同的进化模型,对于利用完全模型进化的粒子,采用动态调整学习因子的方法,从而大大提高了算法的优化效率和优化精度.通过反复实验分析,得出学习因子随着进化推进的最优变化规律,并给出了学习因子的最佳函数表达式.仿真结果表明,利用改进的PSO算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的PSO算法在性能上有本质的提高.     

混合粒子群优化算法和案例推理方法的多机器人学习

以未知环境下多机器人学习为研究平台,因案例推理方法可存储以前的问题和解信息,用该方法的长期记忆特性可帮助粒子群优化算法更好地解决新的问题。在特定的仿真环境里,粒子群优化算法可训练机器人的几个基本行为,经过学习使机器人具有更好的鲁棒性和自适应学习能力。根据机器人不同行为在复杂环境下的性能指标,CBR可从案例库中选择特定的行为,并将其参数传送到粒子群优化算法的初始解库,从而加速整体的学习过程。利用机器人仿真软件MissionLab,采用基于行为的多机器人编队任务,用来测试该算法的有效性。仿真和实验结果表明,案例推理方法和粒子群优化算法相结合,使机器人获得更优的控制参数,同时在未知环境下的多机器人编队具有更好的性能。