基于微粒群模型的无线传感器网络节点部署

提出了一种新的基于微粒群模型节点部署优化算法.该算法根据节点的位置信息建立节点部署优化模型,利用微粒群算法求解该优化模型,优化过程中的最优解作为节点的最终配置位置.仿真结果表明该算法有效的改善了网络的覆盖率.     

基于微粒群算法的投资组合分析

介绍了将微粒群算法应用于求解均值-方差-峰度投资组合模型,分析了模型中的参数和求解结果之间的关系,并选取深交所4只股票来进行模拟仿真,最后仿真的结果说明微粒群算法对均值-方差-峰度模型是有效的。     

流程系统优化的简约微粒群算法

针对流程系统优化中的非线性规划问题,提出了一种新的混合优化算法--简约微粒群优化算法,并对其求解.利用实例对其进行测试并与其他算法所得的结果进行比较,结果表明,简约微粒群算法是一种有效的求解具有线性约束的NLP问题的方法.     

求解一类不可微优化问题极大熵微粒群混合算法

针对一类不可微优化问题,本文提出了一个新的算法—极大熵微粒群混合算法.首先利用极大熵方法把带约束的不可微优化问题转换成无约束的单目标最优化问题,然后利用微粒群算法对其进行求解.利用4个测试函数对其进行测试并于其它算法进行比较,计算结果表明,本文提出算法在求解的准确性和有效性方面均优于其它算法.     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

基于PSO的无线传感器网络自组织成簇算法

为了有效延长WSN网络的生存时间,需要设计能量有效的自组织成簇机制,以适应无线传感器网络的特点.提出了一种适合无线传感器网络能量有效的成簇优化模型,并使用微粒群优化算法(PSO)对该模型进行求解.为了使微粒群算法适合于该问题的求解,设计了适合微粒群算法的微粒位置向量和速度向量的更新机制,并用罚函数法对两个主要约束进行了处理,给出了适应值函数,并通过MATLAB 7.1进行了实例仿真.仿真结果表明,该优化模型是解决WSN能量问题的有效方法.     

供应商优选与订货量分配的多目标微粒群算法

分析了供应商优选与订货量分配问题的特性,构建了带界约束的多目标优化模型,并设计具备有综合学习机制的多目标微粒群优化算法以求解该模型.实验结果表明,该多目标微粒群优化算法是有效的.     

微粒群算法优化信息的分组延迟传播模式

在改进型微粒群算法基础上,考虑对寻优空间充分搜索及算法总体收敛的需要,将信息的分组延迟传播模式应用于微粒群算法.首先对微粒群进行具体分组,然后设计了用于微粒群迭代寻优求解的分层延迟通讯模式,最后针对高维多峰函数优化问题进行了数值仿真实验.     

动态投入产出最优化控制模型的微粒群算法

对于动态投入产出最优控制模型的以往求解方法,只能求出其局部最优解,而不能求出全局最优解.提出了一个新的动态投入产出最优控制模型,给出一个新的算法-微粒群算法,该算法计算结构简单,具有较强的全局寻优能力、收敛速度快和较高的计算精度.数值实验表明:提出算法的计算结果优于用传统的最优化方法计算的结果,同时也验证了微粒群算法对求解动态投入产出最优控制模型的有效性.     

求解二级分销网络模型的混合微粒群算法

针对现有算法在求解二级分销网络模型时计算量大、难以适用于求解大型规划问题和易陷入局部最优等不足,提出一种求解二级分销网络模型的混合微粒群算法。该算法以二级分销网络的总成本作为适应度函数,采用一种精简的编码方式,通过将遗传算法的变异和交叉操作引入微粒群算法,实现二级分销网络模型的离散优化。算例仿真结果表明:采用提出的算法能获得全局最优解,且收敛性好,运算速度快,稳定性好,能有效避免算法的早熟收敛问题。     

基于粒子群优化算法的均值-VaR投资组合选择

在现实市场中,①为防止由卖空交易引起市场操纵等问题的出现,即使在发达的证券市场,交易仍受到一定的卖空限制;②由于市场相关规定与投资者自身风险控制的需要,在某些资产上的投资比例受到一定限制;③交易过程中需支付印花税等交易成本。故结合这三方面,采用Value-at-Risk(VaR)度量风险,在收益率服从正态和非正态分布两种假设下,构建了带有限卖空约束、投资比例约束和交易成本的均值-VaR投资组合模型。首先,给出了该模型的粒子群优化(PSO)算法;其次采用A股市场的实际数据进行了数值实验;最后分析了有效前沿的特征及有限卖空约束对投资决策的影响。     

Energy Management System Design and Testing for Smart Buildings Under Uncertain Generation (Wind/Photovoltaic) and Demand

This study provides details of the energy management architecture used in the Goldwind microgrid test bed. A complete mathematical model, including all constraints and objectives, for microgrid operational management is first described using a modified prediction interval scheme. Forecasting results are then achieved every 10 min using the modified fuzzy prediction interval model, which is trained by particle swarm optimization.A scenario set is also generated using an unserved power profile and coverage grades of forecasting to compare the feasibility of the proposed method with that of the deterministic approach. The worst case operating points are achieved by the scenario with the maximum transaction cost. In summary, selection of the maximum transaction operating point from all the scenarios provides a cushion against uncertainties in renewable generation and load demand.     

考虑时空相关随机行驶时间的车辆路径问题模型与算法

本文对一类在真实道路网络中考虑时空相关的随机行驶时间的车辆路径问题进行了研究. 首先我们建立了该问题的两阶段随机规划模型. 然后我们将用于候选解寻优的智能优化算法与用于产生评价解的随机场景的情景生成技术相结合,提出一种智能随机优化方法求解该问题. 为了有效地进行解的寻优,本文结合可变邻域下降算法提出了一种混合粒子群优化算法.最后通过一系列基于北京市区道路网络的算例实验,我们验证了所提出的混合粒子群优化算法的有效性.实验结果还表明,考虑实际交通环境中道路网络上车辆行驶时间的时空相关性,会影响最优车辆路径决策方案.     

自主式粒子群优化模型研究

建立了自主式粒子群优化模型,进一步完善了经典粒子群优化算法的学习机制,提高了粒子学习的自主性。在该模型的基础上,针对自主选择共享信息问题,提出了一种学习榜样自主获取的粒子群优化算法,该算法粒子依据自身的内在特征合理地选择学习榜样,充分地利用了进化过程中产生的信息,有效抑制共享信息的流速。对常用单峰多峰基准函数进行了测试,验证了该算法的效率和优越性。     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

组合最小二乘支持向量机与粒子群优化算法研究黄土湿陷性

通过静力触探试验指标结合扰动黄土试样的液限、塑限及含水量等指标用最小二乘支持向量机方法进行建模,提出了静力触探试验指标和湿陷系数的非线性关系模型,并引入粒子群优化算法进行模型反演分析,确定最优参数。通过6个对比勘探点的50组试样实例应用分析,显示了最小二乘支持向量机是一种较为有效的非线性建模方法,粒子群优化算法进行模型参数优化能够保证全局最优。验证结果表明模型的精度较高,有一定的实用价值。     

基于并行粒子群优化算法的变分资料同化

为了提升粒子群优化算法(PSO)应用到实际大气和海洋模式的资料同化时的计算时效性,针对一种最新提出的基于方向的粒子群优化算法(PSOBD),使用消息传递接口(MPI)和整体同步并行(BSP)计算模型,设计PSOBD的并行算法,较好地实现了BSP结构下PSOBD的全局通信操作。为检验并行化后的PSOBD的计算时效,将其用于潜水方程的资料同化并与基于串行的PSOBD的同化数值试验结果比较。大量的孪生同化试验结果的统计分析显示,并行化后的PSOBD与串行PSOBD一样能产生高质量的同化结果,且计算时效相对串行PSOBD提高了13倍以上。这一结果为PSOBD算法用于实际模式的四维变分资料同化(4D-Var)提供了依据。     

分布式主动实时事务预分析与预测的集成框架

为改善分布式主动实时数据库事务处理的可预测性,提出了一种新的基于树的事务语义模型,并基于该模型提出了一个分布式主动实时事务预分析处理与动态预测的集成框架,包括事务生成时的静态预分析、事务接纳时的初始动态预分析和事务运行阶段的即席分析与预测,它可以有效地支持分布式主动实时事务的静动结合分析,改善事务处理的实时性能．     

Vector bundle constraint for particle swarm optimization and its application to active contour modeling

Active contour modeling (ACM) has been shown to be a powerful method in object boundary extraction. In this paper, a new ACM based on vector bundle constraint for particle swarm optimization (VBCPSO-ACM) is proposed. Different from the traditional particle swarm optimization (PSO), in the process of velocity update, a vector bundle is predefined for each particle and velocity update of the particle is restricted to its bundle. Applying this idea to ACM, control points on the contour are treated as particles in PSO and the evolution of the contour is driven by the particles. Meanwhile, global searching is shifted to local searching in ACM by decreasing the number of neighbors and inertia. In addition, the addition and deletion of particles on the active contour make this new model possible for representing the real boundaries more precisely. The proposed VBCPSO-ACM can avoid self-intersection during contour evolving and also extract inhomogeneous boundaries. The simulation results proved its great performance in performing contour extraction.