基于粒子群优化的传感器预分配方法

针对实时传感器管理算法的局限,在深入分析传感器管理问题本质特征的基础上,提出一种传感器静态预分配方案。然后,以低轨星座目标连续跟踪为应用背景,提出一种基于修正粒子群优化的传感器预分配方法。仿真实验表明,所提方法虽然需要较长时间的静态分配过程,但是其实时运算效率明显高于实时传感器管理算法,因而给上层系统设计留下更多富余时间。      

新的混沌粒子群优化算法

针对传统粒子群算法初期收敛较快,而在后期容易陷入早熟、局部最优的特点,提出了一种新的混沌粒子群优化算法,不同于己有的混沌粒子群算法的简单粒子序列替换,该算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。并提出了一种新的混沌粒子群数学模型,进行了非线性动力学分析。数值测试结果表明该方法能跳出局部最优,极大提高了计算精度,进一步提高了全局寻优能力。     

基于遗传粒子群的多传感器目标分配算法

针对空基平台多传感器的特点,分析了多传感器目标分配在空基平台信息融合系统中的重要意义以及当前分配算法存在的问题.提出了考虑目标优先等级和传感器协同能力的传感器目标分配的数学模型.针对目标分配的NP问题,建立了遗传粒子群算法模型,并进行了仿真.仿真结果表明,遗传粒子群算法能有效实现传感器资源对目标的分配,并且具有较高的稳...     

基于混沌粒子群算法的多目标调度优化研究

针对当前车间调度多目标优化研究存在收敛速度慢、精度低的问题,提出了混沌多目标粒子群优化算法。在算法中,设计了一种新的叠加Logistic扰动的Tent混沌映射算子,通过该算子周期性地更新种群以保证种群的多样性;对收缩粒子群算法进行了扩展使其能够快速收敛到Pareto前沿。通过标准测试问题与实际应用对所提方法进行了验证,实验结果显示混沌多目标粒子群优化算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。     

混编式防空导弹群目标分配模型

为达到高技术条件下防空作战的目的,混编式防空导弹集群作战成为符合部队实际的作战模式.混编式防空导弹群的目标分配问题属于非线性规划问题,如用一般的方法求解,过程将十分复杂,满足不了防空作战实时性要求.本文将动态规划的思想应用于目标分配,在一定的假设前提下,设计了一种基于多元动态规划的混编式防空导弹目标分配模型,并结合具体的实例计算验证了模型的正确性.结论表明,所建立的模型简单、实用,对进一步探讨符合实战要求的目标分配模型提供了参考.     

基于重心法的粒子群优化算法

针对函数优化问题,提出了一种基于重心法的粒子群优化算法。该算法利用混沌序列产生粒子的位置和速度,并通过重心法和分类方式更新粒子的速度。最后将算法应用到函数优化问题中,并与其它改进的粒子群算法进行比较。数值结果表明,提高了算法局域搜索能力,全局最优解的精度。     

基于粒子群算法的软件可靠性分配问题研究

针对软件可靠性分配中不易求解全局最优解这一问题,将可靠性指标分配到每个模块中,并利用改进的粒子群优化算法来搜索模型的最优解.实验结果表明,改进的粒子群优化算法在求解软件可靠性分配问题时的效果优于遗传算法等其他智能优化算法.     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

基于分布式防空目标分配和作战有利度分析

目标分配是防空火控中重要环节,而随着各项技术的发展,分布式群集火控成为未来防空火控的必然趋势。因此,提出适用于分布式群集火控的目标分配模型是当前的迫切需要。文中综合传统威胁分析方法,给出了作战有利度模型,并借此提出了分布式防空的目标分配方法,结合普通防空火控目标分配,给出了通用式目标分配方法。实例应用表明,该方法可用于实战防空中的目标分配。     

基于粒子群算法的钻进参数多目标优化

为了使钻进过程达到最优,提出了基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型。参考典型的多目标优化进化算法NSGA-Ⅱ,提出了一种多目标粒子群算法(MOPSO)。采用一个钻进参数优化实例对优化模型和算法进行检验,得到分布均匀的Pareto最优解,一些最优解与传统的钻进参数单目标优化的解近似;讨论了算法中的种群规模、迭代次数和外部档案规模三个参数,得到一组兼顾解质量和计算时间的参数值,其计算时间的统计结果证明模型和算法满足钻进参数动态优化的要求。     

基于混合粒子群优化的频率指配方法研究

建立适用于频率指配问题的数学模型,将电磁兼容性分析的各类因素转化为约束条件,使得电磁兼容问题可以被定量描述,并在此基础上构建了代价函数。采用粒子群优化算法来解决频率指配的问题,在算法的迭代过程中引入了遗传算法思想,加入了自然选择和杂交的手段。仿真证明算法能够达到较快的收敛速度,并有一定的避免陷入局部最优的能力。     

满足期望毁伤概率的防空武器目标分配

为了对多目标进行合理的防空武器分配,提出一种满足期望毁伤概率的武器目标分配模型,定义了武器单元对目标的相对权重,以目标威胁度大小为序,依次为目标分配武器单元,能够优先保证以期望的毁伤概率拦截威胁度大的目标,且使各目标倾向于选择对其相对权重较大的武器单元,从而兼顾当前分配结果对后续目标分配的影响,能对更多的目标实施有效打击。给出了该模型的蚁群算法描述,实例分析验证了模型的优越性和算法的有效性。     

一种基于离散粒子群优化的战场动态频谱指配策略

针对战场频谱动态指配问题,建立了基于用频冲突等级最小的频谱指配数学模型,提出了 一种采用粒子编码和交叉更新位置的离散粒子群优化算法,根据本问题特征设计了合适的适 应度函数和局部搜索策略。实验结果表明,提出的算法能够有效地求解频率指配问题。     

采用混合粒子群算法的星图识别方法

为提高大视场高灵敏度星敏感器的星图识别速度和识别成功率,提出了一种基于混合粒子群算法的星图识别方法,该方法首先根据星图中星点的灰度信息确定候选识别主星集合;然后选择该集合中的一个星点为圆心,以一定角距为半径画圆,将圆内的所有星点构成特征数据集合;然后利用混合粒子群算法对圆内的星点进行快速路径寻优;最后利用最优路径长度进行索引,并利用最优路径中前三个星点间的角距以及它们的星等信息进行匹配识别;实验结果表明,与现有识别方法相比,该方法具有高的识别率,良好的实时性和鲁棒性,且所需的导航星库容量小.     

基于混合离散粒子群算法的MPRM电路延时和面积综合优化

Polarity optimization for mixed polarity Reed-Muller(MPRM) circuits is a combinatorial issue.Based on the study on discrete particle swarm optimization(DPSO) and mixed polarity,the corresponding relation between particle and mixed polarity is established,and the delay-area trade-off of large-scale MPRM circuits is proposed. Firstly,mutation operation and elitist strategy in genetic algorithm are incorporated into DPSO to further develop a hybrid DPSO(HDPSO).Then the best polarity for delay and area trade-off is searched for large-scale MPRM circuits by combining the HDPSO and a delay estimation model.Finally,the proposed algorithm is testified by MCNC Benchmarks.Experimental results show that HDPSO achieves a better convergence than DPSO in terms of search capability for large-scale MPRM circuits.     

一种新型的混合粒子群算法

针对粒子群算法存在的收敛速度慢,容易早熟的缺点,为了获得更好的算法性能,采用两种基本的改进策略,在MATLAB2009中对几个典型测试函数的优化问题进行了实验,即采用全局粒子群算法与局部粒子群算法相结合,同时引入遗传算法的交叉、变异操作,给出了混合粒子群算法的在线、离线性能图.为了作为比较,以表格的方式给出了混合、全局、局部3种不同粒子群算法在测试函数上的运行结果.结果表明,混合粒子群算法在收敛速度、收敛于全局方面都表现良好.     

基于改进的粒子群算法的ASON保护容量问题求解

针对求解ASON网络保护容量的NP完全非线性组合优化问题,提出了基于改进粒子群(PSO)搜索寻优算法.与线性规划寻优方法相比,该算法在可行解搜索空间及计算量上大大降低,为算法在工程上的实现提供了可行性.同时跟其它的进化计算方法(如免疫、遗传、蚂蚁等)相比,PSO简单、容易实现、不需要调整许多参数.仿真实验结果表明该算法计算效率大大超越整数线性规划(ILP),同时也略优于遗传算法,更重要的是该算法结构简单、搜索效率高、能迅速地求出保护容量优化问题的全局近似最优解.     

快速混合粒子群优化算法应用研究

文中针对把最小化总流动时间作为基准(Fm|fmls,Splk,prmu|∑Cj)的流水车间序列依赖组调度问题(FSDGS),研究了一种新的粒子群优化算法(PSO)。并基于排序值(Ranked Order Value,ROV)开发了一种编码方案,这种方案能将PSO算法中粒子的连续位置值转化成作业和组排列。文中用了一种称为个体增益(IE)的邻域矩阵搜索策略来保证提高搜索的质量并在深度和广度上做出平衡。新算法的性能被拿来与当前文献中提到的已知最好的元启发式算法即蚁群算法(ACO)进行对比,基于常用测试测试问题,结果显示新算法性能较诸ACO算法更加优越。     

粒子群优化的SVM在雷达目标识别中的应用

支持向量机(SVM)在雷达目标高分辨距离像(HRRP)识别中可获得较高的正确识别率和更好的泛化性能,然而其性能很大程度上取决于其参数包括核函数参数σ2和惩罚因子C的合理选择。所以利用粒子群优化算法(PSO)全局搜索能力强的优点来搜寻最优参数,并针对粒子群优化易陷入局部最优的问题,提出一种惯性权重自适应改变的改进方法。通过对雷达目标高分辨率距离像(HRRP)的识别实验发现,利用PSO优化SVM参数的方法克服了传统SVM存在的很难精确找到最优参数的缺点,识别准确率也有很大提高;同时惯性权重自适应改变的方法也有效解决了PSO优化的"早熟"问题,大大缩短参数寻优时间。     

基于粒子群优化算法的机器人路径规划

文章提出一种机器人路径规划的有效算法,为机器人找到一条从起点到终点最短的无碰撞路径,主要是优化了粒子群的惯性权重,然而其在不同的阶段采用不同的权重值。通过实验发现,改进后粒子群能够收敛得更快,数据收敛得更精确。