MQPSO: 一种具有多群体与多阶段的QPSO算法

提出了一种改进的QPSO(Quantum-behaved Particle Swarm Optimization)算法,即一种具有多群体与多阶段的具有量子行为的粒子群优化算法.在该算法中,粒子被分为多个群体,利用多个阶段进行全局搜索,这样可以有效地避免粒子群早熟,提高了算法的全局收敛性能.对几个重要测试函数的测试结果证明,MQPSO算法的收敛性能优于标准粒子群算法(Standard Particle Swarm Optimization, SPSO)以及QPSO算法.     

一种基于改进PSO的K—means优化聚类算法

针对传统的K—means算法对初始聚类中心的选取敏感、容易收敛到局部最优的缺点,提出一种基于改进粒子群优化算法（PSO）的K—means优化聚类算法。该算法利用PSO算法强大的全局搜索能力对初始聚类中心的选取进行优化：通过动态调整惯性权重等参数增强PSO算法的性能;利用群体适应度方差决定算法中前部分PSO算法和后部分K—means算法的转换时机;设置变量实时监控各个粒子和粒子群的最优值变化情况,及时地对出现早熟收敛的粒子进行变异操作,从而为K—means算法搜索到全局最优的初始聚类中心,使聚类结果不受初始聚类中心影响,易于获得全局最优解。实验结果表明文中提出的改进算法与传统聚类算法相比具有更高的聚类正确率、更好的聚类质量及全局搜索能力。     

GA模糊神经网络在电梯群控交通流识别中应用

本文介绍了应用基于遗传算法的模糊神经网络的电梯群控系统的交通流模式的识别方法.采用正规化模糊神经网络学习和训练来识别电梯群控系统交通流模式,并用遗传算法优化输入特征向量的隶属函数,实验结果表明,该方法能够准确识别交通流模式.     

一种基于进化过程学习的粒子群优化算法

随机优化的PSO只利用了进化过程中的上一时刻t的速度v(t)和位置x(t)信息,以及个体最优值Pi和群体最优值Pg,缺乏对待优化目标函数特征的充分认识,导致了后期进化过程的长期停滞现象。PSO在长期进化过程中,尤其是在经历了大量函数评估次数的进化后期,待优化的目标函数的性态特征可以从进化迭代过程信息中得到了解。通过采集学习PSO进化过程中的目标函数的解分布特征信息,使PSO可以利用这些特征信息来控制部分粒子的重新初始化过程和交叉选择过程,以及在参数选择中平衡探索模式和开采模式。实验结果表明,利用了进化过程信息的PSO可以增加种群的多样性,从而获得更高的优化精度和更少的期望迭代次数,虽然其轻微地增加了进化过程特征采集的时间和空间复杂性。     

一种改进的微粒群优化算法

提出了一种基于差分进化算子变异的改进微粒群优化算法，为减小陷入局优的可能性，在群体最优信息陷入停滞时引入差分进化算子变异，使算法摆脱局部极优点的束缚，同时又保持前期搜索速度快的特性，提高全局搜索能力。仿真实验表明：与标准微粒群优化算法相比，该文算法的全局收敛性能得到了显著提高，能有效避免微粒群优化算法中的早熟收敛问题。     

PDM系统与群件系统的集成

在CIMS环境下,企业的产品信息管理主要由PDM来完成;而办公部门则使用群件系统作为协同工作办公自动化平台,要实现整个的信息集成,不可避免地要将PDM系统与群件系统集成起来,文中通过对PDM系统和群件系统主要功能的分析,总结出这两种系统集成的需求,内容和原理,并以具体的软件系统探讨了集成的实现。     

Pareto档案多目标粒子群优化

设计Pareto档案多目标粒子群优化(PAMOPSO).该算法利用改进的强度Pareto进化算法2(SPEA2)对外部档案进行维护.并在维护过程中,为每个粒子从档案中选取合适的全局最好位置,将档案维护和全局最好位置选取结合在一起.将该算法应用于5个测试实例并与3种多目标优化算法比较,计算结果表明该算法性能良好.     

车联网环境下电动汽车群有序充电优化策略

针对当前无序充电所引起的电能供需失衡、路线过载、电网安全受到威胁等问题,提出一种车联网环境下综合多方面因素的电动汽车群有序充电控制策略.该策略综合考虑电网、充电站、用户三者诉求构建多目标优化函数:电网侧以电网多时段负荷、总损耗和电压的变化值最小为目标,充电站侧以配电变压器容量值最大为目标,用户侧以用户充电成本最小为目标...     

多源信息融合约束下的工作面电磁波CT 探测智能反演方法

为满足煤矿工作面智能精准开采对地质异常分布精准感知的需求,进一步提高工作面电磁波CT反演的精准性,提出了多源先验信息约束下的电磁波CT智能反演模型。在对工作面电磁波CT反演稀疏矩阵方程进行泛函优化转换的基础上,分析了基本遗传算法(Single Genetic Algorithm, SGA)的寻优进化机理,探讨了不同遗传参数对SGA智能算法搜索优化性能的影响,设计了基于多种群自适应遗传算法(Multi-population Adaptive Genetic Algorithm, MAGA)的工作面地质异常电磁波CT反演目标函数求解机制。除此之外,提出了范围约束、就近约束和平均值约束3种约束模型,将生产过程中揭露的巷探、钻探及回采等多源先验地质信息作为约束条件,不断调整地质异常反演目标函数搜索的进化方向,最终形成了基于MAGA智能算法和多源先验信息约束的电磁波CT反演模型,并通过数值模拟和工程实例进行了测试和验证。试验结果表明:MAGA智能算法能够充分结合多种群协同进化和遗传参数自适应调节策略,相比于单一的遗传算法具有更高的全局及局部搜索准确性和稳定性;随着外部约束数据的增加,基于平均值约...     

基于RMSprop的粒子群优化算法

粒子群算法对所有粒子采用相同的惯性权重,忽视了单个粒子的特性,导致收敛精度偏低且易陷入局部最优.结合RMSprop算法中对每一个维度进行自适应设置的策略,提出一种自适应惯性权重粒子群优化算法RMSPSO.考虑粒子每一个维度的速度变化及动量,进行自适应动态惯性权重设置,使算法在全局寻优和局部寻优之间达到良好平衡.选取10...