一种MPLS网络拥塞最小化的全局路由优化算法

提出一种启发式群搜索双螺旋优化算法,求解MPLS网络路由全局优化问题,优化目标是使网络拥塞最小化。算法采用群局部搜索,利用混沌变量产生一组分布好的初始解,在邻域搜索过程中融入启发式信息,并设计了特别的贪婪重路由以及扩展贪婪原则,提高了算法效率和全局搜索能力。通过仿真比较说明了所提算法的有效性,及其显著改善网络性能的意义。     

基于免疫机制的PSO算法中IIR数字滤波器设计

针对微粒群算法(PSO)在搜索过程中粒子的多样性差,易陷入局部最优且收敛速度慢等缺陷,将生物免疫系统中克隆选择机制和独特型免疫网络理论引入到微粒群优化算法中,提出了一种基于免疫机制的PSO优化算法(SOIM)并将其用于IIR数字滤波器的设计.该算法结合了微粒群算法的全局寻优能力和免疫多样性保持机制,改善了微粒群算法摆脱局部极值点的能力,提高了算法的收敛速度.仿真结果表明该算法在多模态搜索空间中具有更好的全局收敛性能和稳定性,是一种有效可行的IIR数字滤波器设计方法.     

微粒群算法局部模型邻域研究

详细介绍了微粒群算法局部最好模型几种邻域结构的特点,分析了引入元胞自动机邻居模型的优越性,并通过冯-诺依曼型邻域、摩尔型邻域、扩展的摩尔型邻域以及环形结构4种邻域结构在函数优化中性能的对比,指出了虽然针对不同的函数应该选用不同的邻域,但存在一些好的邻域结构,它们往往更适合比较广泛范围函数的优化。     

一种新形式的微粒群优化算法

提出了一种更为简化的微粒群算法.该算法用相位角的增量代替速度的增量,通过绘制相位角来确定微粒的位置.用这种新的微粒群算法对大学生综合素质测评体系的权重模型进行优化,经与标准微粒群算法进行比较,证明该算法更容易实现,并且具有更好的全局搜索能力.     

多目标的Internet路由优化控制算法

研究通过优化链路权值以控制网络路由来实施流量工程.以网络拥塞最小化和时延最小化为流量工程目标,建立了多目标的全局路由优化数学模型.求解该问题是NP困难的,提出一种混沌群搜索优化算法进行求解.算法采用群局部搜索,利用混沌变量产生一组分布好的初始解,并在邻域搜索进程中应用扩展贪心思想,提高了算法的全局搜索能力.仿真结果表明所提算法能够有效减少由于流量分布不平衡造成的网络拥塞,同时限制长路径,提高了网络性能.     

无线传感网络布局的虚拟力导向微粒群优化策略

无线传感网络通常由固定传感节点和少量移动传感节点构成,动态无线传感网络布局优化有利于提高无线传感网络覆盖率和目标检测概率,是无线传感网络研究的关键问题之一.传统的虚拟力算法在优化过程中容易受固定传感节点的影响,无法实现全局优化.本文结合虚拟力算法和微粒群算法,提出一种面向无线传感网络布局的虚拟力导向微粒群优化策略.该策略通过无线传感节点间的虚拟力影响微粒群算法的速度更新过程,指导微粒进化,加快算法收敛.实验表明,虚拟力导向微粒群优化策略能快速有效地实现无线传感节点布局优化.与微粒群算法和虚拟力算法相比,虚拟力导向微粒群优化策略不仅网络覆盖率高,且收敛速度快,耗时少.     

基于微粒群和模拟退火的图像恢复研究

提出了一种基于微粒群和模拟退火的图像恢复算法.算法结合了微粒群优化快速的搜索能力和模拟退火算法良好的全局收敛性能的优点,能应用于不同类型退化图像的恢复.仿真结果表明,该算法可使图像恢复效果得到改进和提高,是一种有效的图像恢复方法.     

求解Job shop的一种快速混合算法

结合车间调度问题本身的特点,采用关键路径块邻域结构,混合禁忌搜索算法和粒子群优化算法,设计了一种快速混合调度算法.该算法对预选择的块邻域解的性能进行快速估计,对不可行解尽早舍去,大大减小了邻域解的搜索空间.仿真结果表明,该算法在求解平均时间和性能方面均具备明显优势.     

改进的PSO算法在非线性模型参数辨识中的应用

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辩识方法和遗传算法用于模型参数辨识时的缺点,提出一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法的强大优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索,以获得过程模型的最佳参数值,并将其用于对非线性系统模型的参数辨识,可有效提高参数辨识的精度和效率.该方法应用到实际例子中,获得了满意的辨识精度和效率,得到较为精确的过程模型,模型输出与实际输出基本一致,仿真结果令人满意.实例仿真结果表明,微粒群算法为非线性系统模型参数辨识提供了一种有效的途径.     

一种邻域重心反向学习的粒子群优化算法

粒子群优化算法使用反向学习技术可以提高性能.然而,现有的反向学习粒子群优化算法仅采用粒子最大最小边界计算反向解,没有充分利用群体搜索经验.针对此问题,提出了一种邻域重心反向学习策略,使用邻域重心作为参考点计算反向解,充分吸收群体搜索经验的同时保持种群多样性;采用收缩因子拓展反向解搜索范围,增加找到更高质量解的机率.在典型的基准测试函数、CEC'13测试函数和一个实际工程优化问题上进行验证,实验结果说明了邻域重心反向学习策略的有效性和本文算法的竞争力.     

Application of Multi-agent Particle Swarm Algorithm in Distribution Network Reconfiguration

An improved algorithm based on Multiagent particle swarm (MAS) is proposed to solve the distribution network reconflguration problem in this paper.The approach is a combination of the learning,competition and cooperation mechanism of multi-agent technology and the strategies of Particle swarm optimization (PSO) algorithm.Using the Von Neumann topology structure in PSO algorithm,each particle represents an agent;each agent not only competes and cooperates with its neighborhood,but also absorbs the evolutionary mechanism of PSO algorithm,so as to share the information with the agent of global optimal.The rules of particle renovating reduce unfeasible solution in the process of particle renovating,and it is able to converge to global optimal accurately and quickly.Test on the IEEE 16-node,32-node and 69-node system shows both a rapid convergence and a good robustness of this proposed approach.     

激光修锐砂轮工艺参量的预测和优化算法

为了找到一种适用于激光修锐砂轮工艺参量预测和优化的方法,采用神经网络和粒子群算法,建立了激光修锐砂轮工艺参量优化模型。首先构建了工艺参量与工件表面粗糙度之间映射关系的神经网络模型,然后基于预测模型采用粒子群算法实现工艺参量优化,最后采用粒子群算法优化获取的5组工艺参量进行了激光修锐试验。结果表明,样本值与神经网络仿真输出值的相对误差小于3%,试验值与期望值的相对误差控制在6%以内。综合说明该优化模型具备良好的优化能力。     

基于改进粒子群算法的压缩感知

在稀疏信号处理中,压缩感知能够用较低的采样频率对稀疏信号进行压缩采样,而信号重建的问题则可归结为一个最优化问题,并可采用粒子群算法进行求解。针对压缩感知问题,本文对传统的粒子群算法进行了深入的分析和改进,得到了粒子数目的下界,并提出了三维环形邻域结构和多群协作机制,依此建立了有效的感知压缩重建方法,且将其应用于二维稀疏信号的重建。最后,本文通过在模拟和真实数据上实验结果验证了这种新型感知压缩方法的有效性和优越性。      

基于改进粒子群算法的红外WSN覆盖研究北大核心CSCD

为了提高红外无线传感器网络覆盖效果,采用改进粒子群算法。首先建立红外无线传感器网络覆盖模型,包括无线传感器的覆盖率、剩余能量率、利用率;接着对粒子进行方向感知,粒子的适应度函数值与自身当前最佳值比较,获得不同的更新速度与位置,为了避免进化过程中受方向感知粒子过度引导,自适应感知因子在算法运行初期设置较大值,而在算法运行后期设置较小值;最后构建粒子群适应度函数,给出了算法流程。实验显示本文算法增加了覆盖率,减少了功耗,同时也降低了传感器节点利用率,不同场景下本文算法评价指标较优。     

一种基于PSO的改进型多智能体遗传算法

通过将多智能体系统加入基本的粒子群算法（PSO）,提出了一种新的函数优化方法——多智能体遗传PSO算法（MAGPA）。该方法将智能体固定在网格上,而每个智能体通过邻域的竞争和合作,随机交叉操作,变异操作,再联合PSO的进化机制,不断地感受局部环境,逐步影响整个智能体网格,以增强对环境的适应度。该算法可以有效地保持智能体的多样性,提高优化的准确性。     

基于神经网络集成的微带天线谐振频率建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.提出基于十进制粒子群优化(DePSO)算法和二进制粒子群优化(BiPSO)算法的选择性神经网络集成方法,通过粒子群优化(PSO)算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度,减小"多维共线性"和样本噪声的影响.为有效保证PSO算法的粒子多样性,在迭代过程中加入混沌变异策略.仿真试验表明:混沌PSO算法可以有效提高神经网络集成的泛化能力,基于混沌PSO算法的选择性神经网络集成所建立的微带天线的谐振频率模型好于此问题的已有结论.     

基于优化神经网络算法的电离层foF2预测

为了提高基于反向传输（back propagation,BP）神经网络的电离层f_oF₂预测的精度,采用了一种改进粒子群优化神经网络的方法,对BP网络的初始权值进行优化,防止出现神经网络训练中的局部最优.通过比较基于粒子群优化的神经网络预测结果与遗传算法优化的神经网络预测结果,我们发现对于BP神经网络,两种方法都有很好的性能.此外,和电离层经验模型国际参考电离层模型（international reference ionosphere 2016,IRI2016）结果进行对比,结果表明,本文提出的自适应变异粒子群（adaptive mutation particle swarm optimization,AMPSO）优化神经网络能有效提高f_oF₂的预测精度,并在低纬地区有更好的预测效果.     

采用粒子群优化算法的二阶偏振模色散自适应补偿实验

报道了使用两阶段补偿器的二阶偏振模色散(PMD)自适应补偿实验,采用粒子群优化(PSO)作为自动控制单元的算法,比较、分析了两种结构的PSO算法(全局邻居结构的PSO算法和局部邻居结构的PSO算法)的实验结果。     

小数据集BN建模方法及其在威胁评估中的应用

贝叶斯网络是数据挖掘领域的主要工具之一。在某些特定场合,如重大装备的故障诊断、地质灾害预测及作战决策等,希望用少量数据得到较好的结果。因此,本文针对小数据集条件下的贝叶斯网络学习问题展开研究。首先,建立基于连接概率分布的结构约束模型,提出I-BD-BPSO（Improved-Bayesian Dirichlet-Binary Particle Swarm Optimi-zation）结构学习算法;其次,建立单调性参数约束模型,提出MCE（Monotonicity Constraint Estimation）参数学习算法;最后,应用所提算法构建威胁评估模型并应用变量消元法进行推理计算。实验结果表明,在小数据集条件下,本文的结构学习算法优于经典的二值粒子群优化算法,参数学习算法优于最大似然估计、保序回归及凸优化算法,并能够构建有效的威胁评估模型。