认知无线Mesh网络中一种有效的多目标优化频谱分配算法

研究认知无线Mesh网络中多目标优化的频谱分配问题,即最大化总带宽和最小化占用频谱数.利用粒子群优化算法(particle swarm optimization algorithm,PSO)在多目标优化方面的优势,提出基于PSO的多目标优化频谱分配算法PSOSA.PSOSA算法不仅考虑频谱之间的差异,而且重新定义PSO的粒子及粒子的3种运算规则.仿真结果表明:PSOSA算法能在最大化总带宽的同时,最小化频谱占用数.     

基于用户公平性的OFDMA业务分集资源调度算法

提出了一种基于用户公平性、适用于多用户传多业务的OFDMA移动通信系统的资源调度算法。该算法采用跨层设计方案,综合考虑MAC层业务的QoS要求和物理层的信道状态信息进行自适应资源调度,以实现提高系统容量和保证用户公平性之间的折中与优化。仿真结果表明,相对于未采用业务分集的方案,该文所提算法能够显著的提高系统容量;同时,相对于已有的基于容量最大化的算法,所提算法在保证用户公平性方面有明显的优势。     

基于QPSCO算法的传感器优化配置

针对以曲线拟合为目标的传感器配置问题,提出了一种基于量子粒子群协同优化(Quantum-behaved particle swarms cooperative optimization,简称QPSCO)算法的传感器优化配置方法.在QPSCO算法中,采用双层的多粒子群协同优化结构,同时引入参数变异策略,在扩大搜索范围的同时加快该算法收敛;将加权最小二乘法的误差平方和引入适应度函数中,以提高传感器位置曲线的拟合精度,从而实现传感器的优化配置.实验结果表明,该方案应用于土壤信息采集系统,不仅可以达到比粒子群优化(Particle swarm optimization,简称PSO)算法和量子粒子群优化(Quantum-behaved particle swarm optimization,简称QPSO)算法更好的寻优结果,而且具有比遗传算法更理想的位置拟合精度,是一种有效可行的传感器配置方法.     

改进的粒子群优化算法求解电力经济调度

将迁移思想引入到标准粒子群优化算法中,把流动迁移算子与粒子群优化算法(PSO)的定向搜索算子结合起来,提出了一种改进粒子群优化算法.将该算法用于求解电力系统经济调度优化问题,采用了非对称惩罚策略处理功率平衡约束,使构造的适应值函数更合理,给出了算法实施的具体步骤.对15机组与40机组系统进行仿真实验,结果表明新算法所得最优解均好于PSO,提高了结果的精度.     

基于粒子群算法的多项目资源均衡方法研究

针对传统粒子群算法容易陷入局部最优的缺点,提出利用动态惯性权重参数和模拟退火算法修改突变概率,进而改进传统粒子群算法,探讨各项目工期最短情况下的多项目资源均衡分配问题。通过对比试验表明,改进的粒子群优化(particle swarm optimization,PSO)算法很好地实现了多项目的资源均衡优化,通过同比试验验证了改进PSO算法在解决不同规模多项目的资源均衡问题时的算法时间复杂度的线性增长性,很好地表达了人们的调度意图。     

免疫粒子群算法及其在水库优化调度中的应用

免疫粒子群优化算法(IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中,利用其特有的浓度选择机制以及免疫接种功能的原理,改进粒子群优化算法的全局寻优能力,提高收敛速度.在分析水库优化调度的数学模型和IA-PSO算法特点的基础上,提出了基于IA-PSO算法的水库优化调度的方法,建立了数学模型,给出了具体求解步骤.经实例验证,IA-PSO得出的水库优化调度方案优于传统动态规划算法的计算结果,而且算法收敛速度快,为水库调度问题提供了一条新的有效求解途径.     

多小区多输入多输出正交空分复用系统中低复杂度用户选择算法

针对抑制协作小区外干扰的多小区多输入多输出(MIMO)正交空分复用系统,提出了一种低复杂度的用户选择算法.该方法通过贪心搜索迭代选择用户,在用户选择的每一步中选择使得小区平均系统容量增幅最大的用户,并自适应地调整服务用户数而使小区平均系统容量最大化.仿真结果表明,在相同信噪比和干扰噪声比条件下,与抑制协作小区外干扰的多小区MIMO块对角化系统用户选择算法相比,该算法提高了小区平均系统容量,且增加了同时服务的用户数.     

基于OpenMP求解无容量设施选址问题的并行PSO算法

讨论无容量设施选址(UFL)问题,提出了一个基于OpenMP技术的并行多粒子群优化(PSO)算法.将整个种群分为若干子种群,同时利用局部信息来更新粒子速度,使得并行算法异步进行.算法运行一定代数后,每个子种群都会与其相邻种群交换最优粒子.通过将并行多粒子群算法对OR-library中的标准测试问题进行测试,并将计算结果与串行多粒子群算法的计算结果进行比较.相比之下,并行多粒子群算法执行时间短,特别对于大规模的计算问题,所得结果有更好的鲁棒性.     

粒子群算法及其在电力系统无功优化中的应用综述

粒子群优化(Particle Swarm Optimization, PSO)算法是一种基于群体智能的启发式全局优化技术.本文首先介绍了粒子群优化算法的基本原理,给出了算法实现的基本步骤、多种改进形式以及研究现状:其次分析了电力系统无功优化的特点,并对PSO算法在无功优化中的应用做了相应的论述.由于电力系统无功优化是一具多变量、多约束、非线性的组合优化问题,使得PSO算法在电力系统无功优化方面具有广泛的应用前景.     

一种改进粒子群优化算法在入侵检测中的应用

针对现有的粒子群优化(PSO)算法大多存在早熟收敛、容易陷入局部最优值的问题,提出了一种新的协同粒子群优化(CPSO)算法。该算法拥有两个子群,一个用于全局搜索始终保持粒子多样性,另一个用于局部搜索保证搜索精度,通过相互协同合作在全局最优值附近实现精确搜索。最后把该算法应用到动态聚类入侵检测,通过优化聚类半径和聚类阈值,对训练数据进行正、异常类聚类,然后用测试数据进行攻击检测。试验结果表明该算法较粒子群和突变粒子群(MPSO)算法性能明显提高。     

Hybrid particle swarm optimization for solving resource-constrained FMS

In this paper,an approach for resource-constrained flexible manufacturing system(FMS)scheduling was proposed,which is based on the particle swarm optimization(PSO)algorithm and simulated annealing(SA)algorithm.First,the formulation for resource-con-strained FMS scheduling problem was introduced and cost function for this problem was obtained.Then.a hybrid algorithm of PSO and SA was employed to obtain optimal solution.The simulated results show that the approach can dislodge a state from a local min-imum and guide it to the global minimum.     

Hybrid particle swarm optimization for solving resource constrainted FMS

In this paper, an approach for resource-constrained flexible manufacturing system （FMS） scheduling was proposed, which is based on the particle swarm optimization （PSO） algorithm and simulated annealing （SA） algorithm. First, the formulation for resource-constrained FMS scheduling problem was introduced and cost function for this problem was obtained. Then, a hybrid algorithm of PSO and SA was employed to obtain optimal solution. The simulated results show that the approach can dislodge a state from a local minimum and guide it to the global minimum.     

改进粒子群算法的电动汽车时空优化分配策略

兼顾待充电汽车的时间分配和空间分配,以每个时段每个充电站的充电电动汽车数量为决策变量,建立了集中充电时段内充电负荷方差和充电站充电汽车数量方差的数学模型.提出时空优化分配策略,使待充电汽车在时空上达到均衡分配,并在基本粒子群算法基础上结合了线性递减权重和异步变化学习因子方法.基于纽约州独立系统交易运行机构(NYISO)的原始负荷数据进行算例仿真.结果表明,文中提出的电动汽车集中充电调度策略在时空上优化分配待充电汽车,达到了降低负荷峰谷差、减小负荷波动的目的.     

改进粒子群算法在三维水下导航规划中的应用

基于群智能理论提出了一种改进粒子群算法.以非线性策略改变惯性权值,增强粒子群算法局部和全局寻优的调度能力,以改变迭代公式加大"优秀"粒子的影响,增强粒子群体的寻优能力.通过理论推导、验证和实验仿真,证明了改进粒子群算法具有更优的性能.在此基础上,将该算法应用到水下潜器的三维路径规划中,通过对三维空间的分割降维,并进行条件约束,实现了将路径规划问题转化为路径点求解的优化问题.实验仿真获得了从起点到终点的无碰撞路径,验证了该方法的可行性.     

基于微粒群算法的半导体炉管区调度应用研究

提出了用微粒群算法来解决半导体炉管区的调度问题.给出了算法的具体过程及参数设置方案.实例计算的结果表明,该算法是解决半导体炉管区调度问题可行且高效的方法.     

PSO算法在电力系统中的应用现状和前景探析

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,在简要介绍PSO算法工作原理的基础上,描述了粒子群优化方法在电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面的应用,并对今后可能的应用指出了研究方向．     

一种新的改进粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构.通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向,并对全局最优解进行变异.提高了粒子间的多样性差异,从而改善算法能力.改进后的粒子群算法的性能优于带线性递减权重的粒子群算法.     

基于混沌粒子群算法的高速旅客列车优化调度

列车优化调度是一个大规模、复杂的、具有非线性离散变量和多约束的多目标数学优化问题.在优化过程中,考虑了特快旅客列车中途离开时间和整个运行时间等因素.首次将粒子群优化(particle swarmoptimization,PSO)技术引入列车优化调度,克服了传统优化方法易陷入局部最优和维数灾难等弊端.通过一个工程实例验证了该算法的可行性和有效性.同时,与现存的列车优化调度方法相比,粒子群优化方法的搜索时间短而且优化结果更接近最优解.     

基于粒子群算法的车间调度与优化

通过对车间调度问题的描述,针对传统调度算法寻优效率低或全局寻优能力差的弱点,提出了一种基于粒子群算法(PSO)的车间调度问题解决方案.根据车间调度问题的特点,对粒子群的编码及寻优操作进行了研究,确定了更适合车间调度问题的编码和操作方式,并将算法进行编程,应用到了系统的车间调度部分.仿真结果表明,通过设置适当的参数,可以快速地得到很好的排序结果,能够适用于动态的车间调度问题.     

A Novel Particle Swarm Optimization for Flow Shop Scheduling with Fuzzy Processing Time

Since in most practical cases the processing time of scheduling is not deterministic, flow shop scheduling model with fuzzy processing time is established. It is assumed that the processing times of jobs on the machines are described by triangular fuzzy sets. In order to find a sequence that minimizes the mean makespan and the spread of the makespan, Lee and Li fuzzy ranking method is adopted and modified to solve the problem. Particle swarm optimization （PSO） is a population-based stochastic approximation algorithm that has been applied to a wide range of problems, but there is little reported in respect of application to scheduling problems because of its unsuitability for them. In the paper, PSO is redefined and modified by introducing genetic operations such as crossover and mutation to update the particles, which is called GPSO and successfully employed to solve the formulated problem. A series of benchmarks with fuzzy processing time are used to verify GPSO. Extensive experiments show the feasibility and effectiveness of the proposed method.