微粒群优化算法

介绍了微粒群优化（PSO）算法的原理、算法流程、算法参数及其对算法性能的影响．讨论了各种改进的PSO算法．分析了多相微粒群优化算法（MPPSO）的原理、算法方程、算法参数及其对算法性能的影响．最后归纳了PSO算法的应用概况，并就PSO算法进一步的研究工作进行了探讨和展望．     

一个简化的正弦余弦算法：正弦算法*

为了简化正弦余弦算法,本文首先在对该算法进行理论分析后,提出正弦余弦算法的一个简化算法——正弦算法。然后利用10个标准的优化算法测试函数和一个选址问题来对正弦算法进行测试,并与正弦余弦算法进行对比。仿真结果表明正弦算法的搜索效率明显高于正弦余弦算法。     

警示传播算法的原理分析及算法改进

详细分析了警示传播算法基本原理,给出了算法的收敛性分析及算法的改进。实验证明,改进后的算法比原算法具有更 少的迭代次数和更少的运行时间,提高了收敛速度。警示传播算法的分析有助于理解和分析信念传播算法、调查传播算法的数学原理、以及传播算法的演化过程。     

混合花粉算法求解全局优化问题

元启发式算法可以用作寻找近似最优解的有效工具,因此,对元启发式算法进行改进,提高算法性能是有必要的。本文介绍花粉算法(Flower Pollination Algorithm, FPA)的增强变体,将花粉算法与极值优化算法(Extremal Optimization, EO)混合形成FPA-EO算法。FPA-EO算法综合利用了FPA的全局搜索能力和EO的局部搜索能力,并将其应用于11个基准测试函数来测试新算法。同时将该算法与其他4种著名优化算法（标准花粉算法(FPA)、蝙蝠算法(BAT)、萤火虫算法(FA)、模拟退火算法(SA)）进行比较。综合结果表明,本文算法能够找到比其他4种算法更精确的解。     

最优化问题算法模式的研究

论文在对最优化问题的结构和实例进行严格描述的基础上,提出一种沿算法框架、算法模式再到具体算法的路线来解决最优化算法设计问题的方法。文中对算法模式概念进行了重新定义,给出求解最优化问题的一个算法框架,以及从该算法框架导出算法模式、算法及其实现程序的实例,同时对算法模式的使用步骤,算法框架、算法模式与算法三者之间的关系,算法模式的编程实现技术进行了论述。     

一种改进的基于分水岭的图像分割算法

针对分水岭算法过分割现象,提出一种综合分水岭算法、中值过滤算法和归一化割算法的改进算法;该算法首先应用改进型的中值过滤算法对图像进行适当的除噪;然后通过分水岭变换对图像进行了初步分割,最后使用归一化割算法进行图像精度分割;算法集合了分水岭算法、中值过滤算法及归一化割算法的优点,既较好地解决了分水岭算法中过度分割的问题,又降低了归一化割算法的时间复杂度;实验结果表明该算法是一种切实可行的图像分割方法。     

基于量测划分的单传感器多目标数据关联算法

在PDA算法的基础上,提出了一种基于量测划分的单传感器多目标数据关联(MSDA)算法;与JPDA算法相比,MSDA算法采用二维分配算法来消除共有量测对相邻目标的影响;与PDA算法相比,MSDA算法仅采用扩充后的私有量测集合来完成目标航迹的更新过程。对MSDA算法、JPDA算法、PDA算法在不同条件下的关联效果进行了仿真计算。仿真结果表明:在关联精度上,MSDA算法要优于PDA算法,但略低于JPDA算法;在实时性上,MSDA算法与PDA算法基本相当,而要明显优于JPDA算法。     

基于拥塞控制的AQM算法研究

在对网络拥塞控制进行分析的基础上,介绍了AQM(Active Queue Management)算法的特点及网络流量特征对AQM算法的影响。根据AQM算法的发展概况,将AQM算法中的DropTail算法、RED(Random Early Detection)算法、Adaptive RED算法、PI算法、REM(Random Early Marking)算法和AVQ(Adaptive Virtual Queue)算法进行了比较评价。并对AQM算法的反馈方式及AQM算法的控制理论进行了较为详细的分析与探讨。     

MapReduce大数据处理平台与算法研究进展

本文综述了近年来基于MapReduce编程模型的大数据处理平台与算法的研究进展。首先介绍了12个典型的基于MapReduce的大数据处理平台,分析对比它们的实现原理和适用场景,抽象它们的共性。随后介绍基于MapReduce的大数据分析算法,包括搜索算法、数据清洗/变换算法、聚集算法、连接算法、排序算法、偏好查询、最优化算法、图算法、数据挖掘算法。将这些算法按MapReduce实现方式分类,分析影响这算法性能的因素。最后,将大数据处理算法抽象为外存算法,并对外存算法的特征加以梳理,提出了普适的外存算法性能优化方法的研究思路和研究问题,以供研究人员参考。具体包括优化外存算法的磁盘I/O,优化外存算法的局部性,以及设计增量式迭代算法。现有大数据处理平台和算法研究多集中在基于资源分配和任务调度的平台动态性能优化、特定算法并行化、特定算法性能优化等领域,本文提出的外存算法性能优化属于静态优化方法,是现有研究的良好补充,为研究人员提供了广阔的研究空间。     

蚁群算法与粒子群算法的融合策略

蚁群算法和粒子群算法是群智能算法的两种主要算法,本文介绍了两种算法的原理,总结出两种算法的优缺点,并针对这两种算法的不足,着重分析了两种算法的混合策略以提高算法性能。     

非线性互补问题的粒子群算法

针对非线性互补问题求解的困难,利用粒子群算法并结合极大熵函数法给出了该类问题的一种新的有效算法。该算法首先利用极大熵函数将非线性互补问题转化为一个无约束最优化问题,将该函数作为粒子群算法的适应值函数;然后应用粒子群算法来优化该问题。数值结果表明,该算法收敛快、数值稳定性较好,是求解非线性互补问题的一种有效算法。     

非线性系统辨识方法研究

讨论了利用小波神经网络对非线性系统辨识的新方法。在辨识过程中,为了提高小波神经网络对非线性系统的辨识性能,使用一种改进粒子群优化算法对BP小波神经网络参数进行训练,求得最优值,达到对非线性系统辨识目的。在数值仿真中,与采用标准粒子群优化算法相比,结果显示了提出的方法在收敛性和稳定性等方面均得到了明显的改善。     

QPSO算法优化的非线性观测器设计方法研究

具有量子行为的粒子群优化算法(Quantum-behavedParticleSwarmOptimization,简称QPSO)是继粒子群优化算法(ParticleSwarmOptimization,简称PSO)后,最新提出的一种新型、高效的进化算法。论文在研究基于PSO算法的非线性观测器基础上,提出了一种基于QPSO算法的非线性观测设计方法。以vanderPol系统为例进行了仿真实验,其基本思想是将非线性连续时间系统的状态估计问题转换为非线性函数的在线优化问题,然后利用PSO或QPSO算法获得系统状态的最优估计。仿真结果显示了基于QPSO算法的非观测器比基于PSO算法的非线性观测器的性能更优越。     

非线性方程组问题的粒子群-邻近点混合算法

非线性方程组问题是一类经典的数值计算问题,单纯的进化算法不但需要很高的进化代数,而且也不能保证100％收敛到全局最优解。为求解此问题,把粒子群算法和邻近点算法相混合,利用邻近点算法作为外层算法,粒子群算法作为内层算法进行求解。实验结果表明该算法对凸问题有较好的计算效果,是求解非线性方程组问题的一种有效算法。     

QPSO算法在非线性观测器设计中的应用*

具有量子行为的粒子群优化(Quantum-behaved Particle Swarm Optimization,QPSO)算法是继粒子群优化算法(Particle Swarm Optimization,PSO)后,最新提出的一种新型、高效的进化算法.提出了运用QPSO算法设计的非线性观测器方法.该方法属于滚动时域估计方法,利用具有量子行为的粒子群算法优化获得系统状态的最优估计.仿真结果显示该方法对初始条件不敏感,具有很强的跟踪能力.     

求解非线性方程组的混合粒子群算法

结合Hooke-Jeeves和粒子群的优点,提出了一种混合粒子群算法,用于求解非线性方程组,以克服Hooke-Jeeves算法对初始值敏感和粒子群容易陷入局部极值而导致解的精度不够的缺陷。该算法充分发挥了粒子群强大的全局搜索能力和Hooke-Jeeves的局部精细搜索能力,数值实验结果表明：能够以满意的精度求出对未知数具有敏感性的非线性方程组的解,具有良好的鲁棒性和较快的收敛速度和较高的搜索精度。     

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

基于混合粒子群的土壤水分特征曲线参数优化

土壤水分特征曲线是研究土壤水运动的重要参数。Van Genuchten方程(简称VG方程)是目前运用最广泛的土壤水分特征曲线方程。将VG方程参数计算问题转化为一个非线性优化问题,然后构建单纯形算法和基本粒子群算法相结合的混合粒子群算法对其进行求解。仿真实验结果表明采用混合粒子群算法与普通遗传算法、混合遗传算法、基本粒子群算法相比,不但提高了收敛成功率、降低了迭代次数,而且对参数的取值范围也放宽了;采用混合粒子群算法计算参数的精度比非线性单纯形法和阻尼最小二乘法要高,且不需给出参数的初始值。     

变异量子粒子群优化算法在系统辨识中的应用

为了增加全局搜索能力,避免陷入局部最小,在量子粒子群优化算法（QPSO）中引入变异机制,即基于QPSO的特点,用Cauchy分布分别对全局最优和所有个体极值的平均值进行变异。该算法称为带变异算子的量子粒子群优化算法（MQPSO）。通过对一典型的大海捞针类（NiH）问题的试验,证明了MQPSO在全局优化和快速收敛能力上有较大的提高。在此基础上将该算法应用于系统参数辨识中,辨识结果表明该方法具有参数辨识精度高,抗噪声能力强,对输入信号通用性强,也适用于非线性系统参数辫识,具有重要的工程应用价值。     

一类非线性极小极大问题的改进粒子群算法

针对一类非线性极小极大问题目标函数非光滑的特点给求解带来的困难,利用改进的粒子群算法并结合极大熵函数法给出了此类问题的一种新的有效算法。首先利用极大熵函数将无约束和有约束极小极大问题转化为一个光滑函数的无约束最优化问题,将此光滑函数作为粒子群算法的适应值函数;然后用数学中的外推方法给出一个新的粒子位置更新公式,并应用这个改进的粒子群算法来优化此问题。数值结果表明,该算法收敛快﹑数值稳定性好,是求解非线性极小极大问题的一种有效算法。