基于混合群智能优化的虚拟网络映射算法

网络虚拟化是突破网络发展僵局的一项重要技术,而虚拟网络映射(VNE)是网络虚拟化的一个主要问题。提高底层网络资源的利用率和收益是虚拟网络映射的主要目标。针对底层网络支持路径分裂的情况,建立了整数线性规划(ILP)模型,并提出基于混合群智能优化的虚拟网络映射算法。该算法在兼顾映射开销和映射均衡性的基础上利用粒子群优化算法(PSO)和遗传算法(GA)迭代优化映射方案。仿真实验结果表明,与现有的主流研究成果相比,该算法显著地提高了底层网络长期平均运营收益与虚拟网络请求接受率。     

基于一种自适应选择机制的混合优化算法

针对于微分进化(DE)和粒子群优化(PSO)算法收敛精度较低和收敛速度慢的缺点,提出了基于这两种算法的混合优化算法DEPSO。该算法引入了两个新的变量指标,即在迭代过程中种群个体适应值有所优化的概率及种群的全局最优值的变化情况,通过采用这两个变量所形成的一个二维合理的选择机制,实现下一个迭代过程中关于算法的选择迭代问题。该算法一方面参数较少,实现简单;另一方面,利用新引入的第二个变量指标避免种群陷入早熟。对几种典型的测试函数进行数值模拟实验,结果表明与传统的算法比较,新的算法具有收敛精度高和收敛速度快的特点,同时对于高维的问题依然表现出较好的效果。     

基于混合粒子群算法的锌电解过程能耗优化

针对锌电解过程能耗过高的情况,研究其能耗优化问题.根据电力部门实行的分时计价政策,建立以全天锌电解过程电能消耗和总用电费用为目标的锌电解过程多目标优化模型.提出一种带加速度调整的粒子群优化算法,当粒子陷入局部最优时,通过加速度策略增强种群速度,使算法获得持续搜索的能力,有效克服早熟收敛;并和Powell算法相结合构成新的混合粒子群算法,将粒子群算法的全局搜索能力与Powell算法的局部寻优能力有机结合起来.最后将该混合粒子群算法应用于所建优化模型的求解,获得优化生产方案.仿真结果证明了该算法的有效性.工业应用效果表明,按所得优化方案组织生产降低了电能消耗,减少了用电费用.     

PSO和ABC的混合优化算法

通过将粒子群优化(Particle Swarm Optimization,PSO)算法与人工蜂群(Artificial Bee Colony,ABC)算法相结合,提出一种ABC-PSO并行混合优化算法。在每次迭代中,将种群分为两个子种群,一个子种群使用PSO算法,另一个子种群使用ABC算法,两个算法寻优后进行比较,选出最优适应值。通过混合算法对4个标准函数进行测试,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。     

PSO和AFSA混合优化算法

结合粒子群优化(PSO)算法和人工鱼群算法(AFSA)的优势,提出一种PSO-AFSA混合算法。将种群分为2个子群体,在每次迭代中,一个子群体利用PSO算法进化,另一个子群体利用AFSA进化,2个算法共享整个种群极值信息。通过混合算法对5个标准函数进行实验,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。     

基于群智能混合算法的物流配送路径研究

针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了一种双种群蚁群算法,在蚁群的基础上引入差分进化(DE)和粒子群算法(PSO)。通过在PSOAS种群和DEAS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,以免某一方因错误的信息判断而陷入局部最优点。通过matlab仿真实验测试,表明该群智能混合算法可以较好地解决TSP的问题。     

基于交叉变异的混合粒子群优化算法

粒子群优化算法是一种基于群体智能理论的全局优化算法,通过群体中粒子间的合作与竞争实现对问题空间的高效搜索。针对算法后期收敛速度较慢、易陷入局部最优的缺点,提出了一种混合粒子群算法。该算法通过改变种群初始化方法,引入交叉和变异机制等措施改善基本粒子群算法的性能。数值试验结果表明,改进型粒子群算法在提高全局寻优能力和加快收敛速度等方面均有良好的表现。     

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EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

基于智能优化算法的高效用项集挖掘方法综述

高效用项集挖掘（HUIM）能够挖掘事务数据库中具有重要意义的项集,从而帮助用户更好地进行决策。针对智能优化算法的应用能够显著提高海量数据中高效用项集的挖掘效率这一现状,对基于智能优化算法的HUIM方法进行了综述。首先,以智能优化算法的类别为角度,从基于群智能优化、基于进化以及基于其他智能优化算法的方法这3个方面对基于智能优化算法的HUIM方法进行了详细的分析与总结。同时,从粒子更新方式的角度对基于粒子群优化（PSO）的HUIM方法进行了详细梳理,包括基于传统更新策略、基于sigmoid函数、基于贪心、基于轮盘赌以及基于集合的方法。另外,从种群更新方法、对比算法、参数设置、优缺点等角度对比分析了基于群智能优化算法的HUIM方法。然后,从遗传和仿生两个方面对基于进化的HUIM方法进行总结概括。最后,针对目前基于智能优化算法的HUIM方法所存在的问题,提出了下一步的研究方向。     

Electrical Resistivity Inversion Based on a Hybrid CCSFLA-MSVR Method

Neural Processing Letters - 2D electrical resistivity inversion is a complicated nonlinear optimization problem, which is high-dimensional and non-convex. Using traditional neural networks to solve...     

基于多传感器的智能车辆姿态解算方法

针对智能车辆主动环境感知的需求,提出了一种采用三轴加速度计、三轴磁强计和三轴陀螺仪组合进行车辆姿态解算的方法.首先以旋转矢量法为陀螺仪的车辆姿态解算方法,作为扩展卡尔曼滤波的状态方程,用于车辆姿态的预测;其次以高斯牛顿法为加速度计和磁强计的车辆姿态解算方法,作为扩展卡尔曼滤波的观测方程,用于车辆姿态校正;然后在此基础上构建扩展卡尔曼滤波传播方程,采用扩展卡尔曼滤波进行多传感器信息融合,得到车辆的姿态解算结果;最后通过构建实车测试环境对解算方法有效性进行验证.实验结果表明,通过基于多传感器的车辆姿态解算方法解算得到的车辆姿态角稳定、准确,能够满足智能车辆行为参数估计的实际需求.     

基于主成分分析的煤岩界面识别方法

提出了基于主成分分析的煤岩界面识别方法,详细介绍了主成分分析的原理及识别煤岩界面的过程。该方法采用多个传感器同时监测采煤机割煤时的各项参数,并对数据进行实时的主成分分析;利用主元信息建立HotellingT2和SPE统计量,再根据统计量捕捉采煤机割到岩石时的异常,从而识别煤岩界面。实际应用表明,该方法能够较快并准确地识别煤岩界面。     

一种基于混合遗传和粒子群的智能优化算法

粒子群算法(particle swarm optimization, PSO)原理简单、搜索速度快,但前期容易“早熟”.遗传算法(genetic algorithm, GA)具有很强的全局搜索能力,但收敛精度不高.综合考虑二者优缺点,把遗传算子引入PSO算法中,并采用交叉搜索的方法,调整惯性权重以及变异方式使粒子得到进化,当粒子种群进化到一定层度后,对部分粒子进行变异处理,这样不仅避免算法陷入局部最优解,而且获得较高收敛精度和执行能力,可解决工程中非线性、多极值的问题.据测试函数以及与其他寻优算法的对比分析表明,此混合策略在求解精度、搜索效率和处理不同复杂度问题等方面都有很好的优越性,具有满足工程需要的能力.     

基于混合智能优化算法的复杂软件可靠性分配

软件可靠性是系统设计、研究和运行过程中必须考虑的关键因素之一.与目前大多数软件可靠性分配的研究主要局限于简单的串并联模型不同,本文将最优化算法应用于大型复杂软件系统的可靠性分配.针对分布估计算法收敛速度快,全局搜索能力强,但是易于陷入局部最优;而差分进化算法局部搜索能力强,但搜索速度略慢的问题,本文提出一种元启发式算法——基于罚函数的混合分布估计和自适应交叉差分进化的优化算法（PHEDA-SCDE）,该算法收敛速度快,全局搜索能力强且不易陷入局部最优.基于四种特定的体系结构风格——顺序、并发、循环、容错,对复杂软件可靠性进行评估.为不失算法通用性,本文采用三个仿真算例进行实验,分别为单输入单输出系统,单输入多输出系统和多输入多输出系统.实验结果表明,PHEDA-SCDE算法在软件可靠性分配方面与同类算法相比,具有明显的可行性和有效性.     

基于LSM和RELBP的煤岩识别方法探讨

对当前煤岩识别方法的研究现状进行了介绍,并提出将最小二乘法模型(Least square model,LSM)和融入平滑滤波思想的鲁棒扩展局部二值模式(Robust extended local binary Pattern,RELBP)融入煤岩识别领域。对基于LSM和RELBP的煤岩识别方法的煤岩自动化识别技术(RELBP-LSM)进行了探讨。结果表明:(1)当前的煤岩识别方法大多存在效果较差、稳定性欠佳、适用范围小等缺点,同时易受人为因素的影响;(2)以最小二乘法和局部二值模式为理论基础,建立起RELBP-LSM煤岩识别方法,并通过参数敏感性分析,确定正则化参数λ的最佳取值为10-3.5,优选模式数d的最佳取值为500;(3)对不同方法的准确识别率进行对比分析,认为RELBP-LSM法不仅具有较高的准确识别率,同时能大大降低内存占用率,加快识别速率和效率。     

基于矩阵转换的卷积计算优化方法

提出一种基于矩阵转换的高效卷积计算优化方法MCFA。根据输出矩阵的宽度和卷积核大小对输入矩阵进行分块,通过im2col方法转换输入矩阵子块和核函数矩阵,利用计算统一设备架构中封装的矩阵-矩阵乘法加速库提升卷积计算的速度。在此基础上,将输出子块按序排列,最终得到完整的输出矩阵。实验结果证明,该方法相比im2col方法能节省61.25%的计算空间,相比MEC方法能提高20.57%的计算速度,且在分块情况下可以缓解大输入矩阵引起的缓存压力,提高缓存利用率。     

基于智能感知网的物料配送动态优化方法

针对动态环境下的车间物料配送准确性和及时性需求,在车间部署智能感知设备组建智能感知网。以工位实时生产状态为依据,动态调整各工位配送时间窗,以最小物料配送成本为优化目标,建立基于智能感知网的物料配送动态优化模型,并设计一种基于禁忌搜索的改进蚁群算法。该算法将禁忌搜索的记忆功能融进蚁群算法,引入2-opt局部优化方法,并设置最大最小信息素浓度,以提高算法的搜索速率和求解稳定性。最后通过案例和算法对比验证了该模型和算法的可行性和有效性。     

求解全局优化问题的混合智能算法

把序列二次规划作为遗传算法的一个局部搜索算子,嵌入到实数编码遗传算法中,构成一种基于序列二次规划和实数编码遗传算法的高效的混合智能算法。该方法充分利用序列二次规划法的强局部搜索能力和遗传算法的全局收敛性,使得混合算法的全局收敛性得到改善并且减少了计算量。数值实验结果表明,混合算法是高效可靠的。