基于HSDPA的增强型分组调度算法研究

从系统吞吐量、用户公平性等方面分析研究了HSDPA系统中支持非实时业务的三种经典分组调度算法RR、Max C/I和PF。针对PF算法重传时延过长问题,提出了一种结合混合自动请求重传HARQ的增强分组调度算法。该算法通过提高重传分组的优先级降低重传时延,有效地避免系统资源的浪费。MATLAB仿真结果表明,该算法在降低单用户重传时延的同时,仍能保证用户间的公平性和系统的吞吐量。     

基于群集智能算法的移动机器人路径规划研究

本文提出一种新的群集智能算法,在用Dijkstra算法基于链接图建模的地图中得到一个最优解的可行空间后,再用粒子群算法或蚂蚁算法优化得到全局的最优路径。因为群集智能算法是一种概率搜索算法,没有集中控制约束条件,不会因为个别个体的故障影响整个问题的求解,具有较强的鲁棒性,所以在机器人全局路径规划应用中具有较显著的优点。仿真结果表明了算法的有效性,是机器人路径规划的一个较好的方法。     

基于粒子群优化的多用户MIMO下行链路调度算法

将多用户MIMO下行链路调度问题描述为一优化问题,并引入粒子群优化(particle swarm optimization,PSO)算法进行求解.针对容量和复杂度有不同要求的应用场合,给出了两类采用不同目标函数PSO调度算法:基于容量PSO(C-PSO)调度算法和基于特征值下界PSO(LBE-PSO)调度算法.C-PSO算法目标是获得接近最优容量的性能;而LBE-PSO算法旨在有效降低算法复杂度的同时尽可能获得高的容量增益.进一步,从粒子和速度两方面对PSO算法的收敛性进行分析并得出收敛条件,然后通过不同参数值的实例对其进行验证.仿真结果表明,C-PSO算法能够以较低的复杂度获得接近穷搜索算法的容量,而LBE-PSO调度算法则提供了一种能够在容量和复杂度之间很好折中的调度方案.     

群集智能算法研究现状及进展

基于群集智能的算法研究,近年来受到了广泛的关注.本文讨论了群集智能的两种算法,蚁群智能与微粒群智能.分别阐述了它们的原理、基本算法及其一些改进算法.最后讨论了群集智能算法的一些应用实例以及它们的应用领域和未来的研究方向.     

改进混合粒子群算法的立体车库存取调度

为了进一步提高立体车库存取效率，提出一种改进混合粒子群算法，应用于立体车库存取策略时间模型，寻找存取车最优时间和最优排序。该算法主要在粒子群算法前期引入遗传算法，改善全局搜索能力，后期引入模拟退火算法弥补其局部搜索能力弱的特点。与目前应用于立体车库存取车调度的遗传算法相比，改进混合粒子群算法存取效率提高了24.5%~36.07%，并优于其他车库调度算法，提高了车库运营效率。     

基于遗传粒子群混合算法的供应链调度优化

针对大规模定制模式下的供应链调度优化问题,首先将供应链调度优化问题进行数学规划建模,并通过一些定义将模型映射为有向图,以便于智能搜索算法的应用;然后,结合遗传算法全局搜索能力强与粒子群算法收敛速度快的特点,进行优势互补,构造了一种混合算法;最后,运用混合算法对供应链优化调度问题模型进行求解.通过与其他算法进行比较,所得结果表明混合算法有着更好的整体性能.     

基于混合GA算法求解车间调度问题

由于车间调度问题组合排序众多等复杂性因素的存在,使用遗传算法求解时,初始种群的随机产生和变异的随机发生对寻优的效率影响很大。针对上述问题,提出一种混合GA算法,主要从变异策略和种群生成两方面进行改进,采用经过选择、交叉操作种群的平均适应度值来决定是否进行变异操作,借鉴SA算法中的重升温策略,将引入自适应控制因子和排列操作的PSO算法产生的个体极值种群代替GA算法特定代数的种群。仿真结果验证了该算法求解车间调度问题的有效性。     

HSDPA中F-HARQ技术的FPGA实现

高速下行分组接入(HSDPA)技术是实现提高3G网络高速下行数据传输速率最为重要的技术,F-HARQ为其核心技术。在分析各种混合重传请求技术(HARQ)原理基础上,完成发送端F-HARQ硬件模块的设计及其Verilog实现,并通过FPGA仿真验证,结果表明所设计的硬件模块发送速率达到50MHz。     

基于群智能算法的自动化码头协同调度研究

为了提高码头作业效率和服务水平,保障港口在激烈竞争中的生存和发展,研究自动化码头自动引导车、岸桥和自动化轨道吊的协同调度问题,根据边装边卸作业模式,建立混合整数规划模型,以完成船舶装卸时间最小化为目标,利用群智能算法中多种算法进行求解,通过数值实验证明了该模型的有效性,获得优化的调度方案,并对不同算法的性能进行比较,结果表明启发式的混合遗传粒子群算法能够在最短的时间内获得最优解,其在求解的质量和速度方面都表现得更为优秀,可以应用于码头的实际作业中。     

解决单机准时调度问题的混合粒子群算法

针对共同交货期给定的单机准时调度问题,提出了一种混合粒子群优化（Hybrid Particle Swarm Optimization,HPSO）算法。该算法采用了工件排列和开工时间混合的粒子编码方式及新的粒子产生策略,非常适合于求解开工时间不为零的调度问题。为了提高算法性能,将HPSO分别与模拟退火算法、局部搜索算法和迭代的局部搜索算法相结合,得到了三种混合算法：HPSO1、HPSO2和HPSO3。基于典型算例的试验表明：三种算法在求解质量和求解效率两方面均优于Hino等人的研究成果。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

.求解小批量流水线调度问题的混合微粒群算法*

针对基于交货期的小批量流水线调度问题,提出了一种微粒群优化算法。其中利用最小位置值(smallest position value,SPV)规则,使具有连续本质的微粒群算法能直接应用于调度问题,并通过动态调整参数平衡算法的全局搜索和局部搜索的能力。针对微粒群算法容易陷入局部最优的缺陷,利用模拟退火算法的概率突跳机制改进其优化性能,并设计了三种微粒群模拟退火混合算法。最后,仿真实验表明所得算法具有良好的寻优特性与运算效率。     

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.     

基于混合微粒群优化的多目标柔性Job-shop调度

应用传统方法求解多目标柔性Job-shop调度问题是十分困难的,微粒群优化采用基于种群的搜索方式,融合了局部搜索和全局搜索,具有很高的搜索效率.模拟退火算法使用概率来避免陷入局部最优,整个搜索过程可由冷却表来控制.通过对这两种算法的合理组合,建立了一种快速且易于实现的新的混合优化算法.实例计算以及与其他算法的比较说明,该算法是求解多目标柔性Job-shop调度问题的可行且高效的方法.     

差分进化混合粒子群算法求解项目调度问题*

针对求解资源受限项目调度问题（RCPSP）,提出了基于差分进化（DE）的混合粒子群算法（PSODE）。通过在PSO种群和DE种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验,结果表明PSODE算法可以较好地解决RCPS问题。     

基于改进粒子群算法求解柔性作业车间批量调度问题

基于工序排序和机器分配的粒子编码方式,提出一种新的粒子位置更新方式,该方式使得粒子群算法更新可以直接在离散域执行.通过对工件工序进行多次机器分配来扩大搜索范围,引入改进的模拟退火算法,用以增强粒子群算法的邻域搜索能力,实现全局搜索与局部搜索能力的有效平衡.最后通过数值算例以及某电声企业纸盆车间批量调度的应用实例验证了所提出算法的有效性和可行性.     

基于模拟退火算法的可逃逸粒子群算法

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。     

协同混合粒子群算法求解车间作业调度问题

针对如何有效解决车间作业优化调度问题,提出一种协同粒子群和引力搜索的混合算法。新算法在粒子群算法进化停滞时引入引力搜索算法,利用引力搜索算法进化后期快速寻优的能力,及时跳出局部最优,保证全局最优。同时采用协同原理简化算法结构,提高算法收敛速度。将提出算法对车间作业调度典型测试用例进行仿真,仿真结果表明该算法较PSO和GA等算法在求解车间作业调度问题上更具优越性。     

基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。