一种基于混合量子粒子群的快速运动目标跟踪算法研究

量子粒子群算法在优化过程中需要权衡局部探索性和全局开拓性,进化后期由于全局开拓能力的丧失使得种群多样性减少,设计了一种基于欧式距离的混合量子粒子群算法,通过计算粒子的种群多样性,当种群多样性低于阈值范围时加入基于欧式距离的种群划分策略划分子种群,从而保证获得全局最优解。利用标准测试函数验证提出的混合量子群算法有效性。提出了基于混合量子粒子群的Mean Shift算法(HQPSO Mean Shift)完成目标快速跟踪,克服传统Mean Shift算法的在跟踪快速移动目标时出现"跟丢"的问题。     

智能水滴算法研究

智能水滴算法是模拟自然界中河水与周围环境相互作用的过程而提出的一种智能计算方法。文章首先描述智能水滴算法的原理,然后综述智能水滴算法在多个研究领域的应用,最后对智能水滴算法进行总结与讨论。     

基于粒子群算法的轨道电路补偿电容故障诊断方法

为了延长轨道电路传输距离,改善传输效果。本文提出一种机车信号感应电压幅值包络仿真模型,它是基于均匀传输线理论,通过补偿电容对机车信号感应电压幅值包络的影响规律,使用改进粒子群算法得到当前状态下补偿电容的最优值,进而对补偿电容的故障进行诊断。仿真结果表明,这种诊断方法是可行和有效的,能快速准确地定位故障补偿电容,替补偿电容的故障诊断提供了新的有效手段。     

基于优化支持向量机的人脸表情分类

分析了支持向量机（support vector machine, SVM）目前主要存在的问题和参数选择对分类性能的影响后, 提出了以改进粒子群算法优化SVM关键参数的优化SVM算法。将加入拥挤度因子的微粒群算法引入到SVM中, 在不牺牲泛化性能的前提下, 对其参数进行优化, 增加了SVM初始化参数的多样性, 减慢了局部搜索, 促进其在全局范围内的寻优搜索, 以有效克服SVM算法过分依赖初始值和容易陷入局部极小值的缺点, 并利用由粗到精的策略构造多层SVM人脸表情分类器, 在提高准确率的基础上加快分类的速度。实验证明, 新算法具有速度快、准确率高的优点。     

杂交粒子群算法在列车运行调整中的应用研究

针对列车运行调整存在约束条件多、求解难度大等问题, 结合城市轨道交通列车运行特点, 建立了优化的列车运行调整模型。在此基础上, 引入遗传算法中的杂交思想, 采用改进后的粒子群算法对此模型进行求解, 给出了求解算法的具体步骤, 并采用西安地铁2号线数据进行仿真验证。结果表明, 采用杂交粒子群算法解决列车运行调整问题是一种有效的方法, 并且其优化能力优于标准粒子群算法。     

一种基于RAN架构无线接入网系统容量最大化的功率分配算法

针对新型RAN架构无线接入网中功率分配问题进行研究, 建立系统容量最大化的最优化数学模型, 提出了一种基于RAN架构无线接入网的系统容量最大化的功率分配算法, 并且应用人工鱼群算法求解了算法中目标函数的全局最优解, 即一组使系统容量最大化的发射功率。仿真结果表明, 与现有的分布式网络架构中非合作的功率控制博弈算法相比, 新算法可以显著提高系统容量, 即证明了该算法的有效性。     

基于蜂群算法的移动agent迁移策略研究*

旅行agent问题是一个复杂的组合优化问题,在于解决保证agent在不同主机间移动时如何根据任务情况规划路线,实现在完成任务时间最短的路线上迁移。采用进化算法的搜索求解具有启发性强、鲁棒性强的特点,但也面临着陷于局部最优解,导致agent在迁移过程中整体任务完成效率降低等问题。提出了一种基于蜂群算法的agent迁移模型,将agent划分为侦察、引领和跟随三种角色,agent通过彼此间的信息互换,在群体迁移的过程中同时实施新路径的发现和调整。实验结果表明,该算法可以很好地实现目标寻径效率,与经典蚁群算法相比     

基于混沌微粒群算法的文本分类研究*

针对中文文本分类问题,将其用于分类规则的抽取。为了避免微粒群算法在全局优化中陷入局部极值,利用混沌运动遍历性、随机性等特点,对标准微粒群算法进行了改进,提出了基于混沌微粒群算法的文本自动分类方法。仿真实验表明本算法对文档进行分类是一种比较可行的分类方法,分类精度高、速度快。     

求解背包问题的病毒协同进化粒子群算法

为提高粒子群算法的搜索性能,提出一种基于病毒进化理论的改进离散粒子群算法:病毒协同进化粒子群算法.在粒子群中引入生物病毒机制和宿主与病毒基于感染操作的思想,病毒采用与粒子等长的编码方式,执行反向代换、结合等操作,利用病毒的水平感染和垂直传播能力较好地维持个体的多样性和对解空间的局部搜索能力.通过解决背包问题对算法进行验证,仿真表明所提算法搜索性能优于遗传算法、模拟退火及标准粒子群等其他算法.该算法能有效求解背包问题等NP难题.     

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.