基于改进粒子群算法的网络路由选择和CFA的优化研究

为了降低计算机网络的时延和运营费用以改进网络性能,首次采用一种改进的粒子群算法优化计算机网络中路由选择和链路容量与流量分配(CFA)问题.将改进算法的惯性权重改进为线性衰减的变化权重,加入了线性变化的学习因子、模拟退火机制,变异操作及邻域搜索策略,提高了算法的性能.计算机仿真结果表明,同传统优化算法相比该方法对求解网络的路由选择和CFA问题具有很大优越性.研究结果不仅对各类网络的优化问题有一定的应用价值,而且也扩展了粒子群算法的应用范围.     

计算机网络中容量与流量分配优化研究

计算机通信网络中的链路容量与流量分配(CFA)问题是一个极其复杂的网络优化问题。本文采用正交多主体遗传算法求解CFA问题,得到了满意的结果。大量的计算机仿真实验结果表明,与传统方法相比,本文的算法能迅速地求出全局近似最优解,解的质量也有大幅度的提高。     

计算机网络中容量与流量分配优化研究

计算机通信网络中的链路容量与流量分配（CFA）问题是一个极其复杂的网络优化问题。本文采用正交多主体遗传算法求解CFA问题，得到了满意的结果。大量的计算机仿真实验结果表明，与传统方法相比，本文的算法能迅速地求出全局近似最优解，解的质量也有大幅度的提高。     

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。     

异步粒子群优化算法在QoS组播路由中的应用

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。为适应下一代IP网络对实时信息传输的要求,在异步模式粒子群优化算法基础上,给出包含延迟、延迟抖动、带宽、丢包率和最小花费5个约束条件在内的QoS组播路由算法。该算法首先给出数学模型,设计适应度函数,再给出受限的网络模型,通过粒子群优化(PSO)算法最大化适应度函数来求解最优Steiner树。算法仿真实验结果表明:与遗传算法和同步模式的粒子群优化算法相比,该算法有较好的收敛速度和寻优效果。     

智能算法在全终端网络可靠性优化设计中的应用

在计算机通信网络建设过程中,通信主干网的高可靠性一直是广大设计者和用户所关心的重大问题,分析了通信主干网的全终端可靠性优化设计问题,针对一种典型可靠性优化模型,分别设计了用于求解该模型的改进遗传算法、模拟退火算法、改进蚁群算法以及改进粒子群算法,并对该模型进行了优化求解,计算机仿真实例表明:粒子群算法在算法的优化质量和收敛速度上都优于其它三种算法,能够取得满意的优化结果,具有一定的实用价值.     

无线传感网络覆盖的多步长粒子群优化研究

为了改善无线传感网络的网络性能,提高网络的覆盖率,实现网络覆盖范围的最大化,延长网络寿命,在多步长粒子群算法的基础上提出以网络覆盖率为优化目标的覆盖优化策略。该策略针对不同的个体情况改变粒子的最大飞行速度,实现粒子的多步长搜索,有效地解决了粒子群算法容易出现的早熟问题。仿真实验表明,与粒子群算法相比,多步长粒子群算法的有效覆盖率由74.76%提高到82.66%,到达收敛的迭代次数由360次减少到283次,收敛速度提高了21.4%。因此多步长粒子群优化策略比粒子群算法在无线传感网络覆盖优化上具有更好的效果。     

基于粒子群优化与BP算法的协同神经网络学习方法

针对标准BP算法易陷入局部极值及收敛速度慢等问题,提出一种基于粒子群优化与BP算法的协同神经网络学习方法。该方法在网络的学习过程中,同时利用PSO优化算法与BP算法进行最优网络权值的协同搜索,从而充分利用粒子群算法的全局搜索性及BP算法的反向传播特点。将该算法应用于4个复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络算法进行比较。实验结果表明所提的协同算法的性能优于传统的BP网络优化算法。     

基于混合群智能优化的虚拟网络映射算法

网络虚拟化是突破网络发展僵局的一项重要技术,而虚拟网络映射(VNE)是网络虚拟化的一个主要问题。提高底层网络资源的利用率和收益是虚拟网络映射的主要目标。针对底层网络支持路径分裂的情况,建立了整数线性规划(ILP)模型,并提出基于混合群智能优化的虚拟网络映射算法。该算法在兼顾映射开销和映射均衡性的基础上利用粒子群优化算法(PSO)和遗传算法(GA)迭代优化映射方案。仿真实验结果表明,与现有的主流研究成果相比,该算法显著地提高了底层网络长期平均运营收益与虚拟网络请求接受率。     

基于量子激励的粒子群优化的BP网络算法

提出一种基于量子激励粒子群算法优化BP网络参数的新方法.该算法在粒子群优化算法中引入量子论思想,克服了传统粒子群算法易陷入局部极值、优化效果较差的不足,最终得到BP网络的最佳参数值.将该算法应用于3个典型复杂函数,并与传统BP算法、基于传统的粒子群优化BP网络算法的仿真结果进行分析对比.结果表明:该算法训练次数少,模型...     

基于离散微粒群算法求解背包问题研究

微粒群算法(PSO)是一种新的演化算法,主要用于求解数值优化问题.基于离散微粒群算法(DPSO)分别与处理约束问题的罚函数法和贪心变换方法相结合,提出了求解背包问题的两个算法:基于罚函数策略的离散微粒群算法(PFDPSO)和基于贪心变换策略的离散微粒群算法(GDPSO).通过将这两个算法与文献[7]中的混合微粒群算法(Hybrid_PSO)进行数值计算比较发现:对于求解大规模的背包问题,GDPSO非常优秀,其求解能力优于Hybrid_PSO和PFDPSO,是求解背包问题的一种非常有效的方法.     

利用粒子群优化算法求解圆排列问题

针对已有算法搜索时间较长,且易于过早地收敛于非最优解的缺陷,利用粒子群优化算法给出了圆排列问题的求解方法.首先,在分析了圆排列问题与旅行商问题关系的基础上,将圆排列问题转化为旅行商问题,从而得到一个相应的组合优化问题.然后,利用粒子群优化算法进行了求解.接着,为了进一步提高算法的精度,文中给出了一种利用混合粒子群优化算法的方案.最后,在仿真实验中,与已有算法进行了比较,实验结果表明,文中所给方法是有效的.     

一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题．通过对模糊神经网络和微粒群算法的深入分析，提出了一种多目标微粒群算法．在算法中将网络的精确性和复杂性分别作为目标进行优化，再用一种启发性分量加权均值法来选取个体极值和全局极值．算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解，为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法．茶味觉信号识别的仿真实验验证了该算法的有效性．     

基于灰关联分析方法

针对一致关联度算法不具有普遍性和动态改变惯性权的自适应粒子群算法(DCW)不易跳出局部收敛能力的缺陷,本文提出了完全关联度算法和自适应变异的动态粒子群优化算法。完全关联度算法主要用来选择软测量的辅助变量。在改进的粒子群优化算法中,除了采用动态惯性权重外,还引入了自适应学习因子和新的变异算子。为了构造一种性能较好的神经网络,采用改进的粒子群优化算法来优化神经网络所有的权值参数,并将提出的软测量建模方法预测延迟焦化的汽油干点,实验结果表明,与DCW算法优化神经网络(DCWNN)的建模方法相比,该算法不仅具有较好的泛化性能,而且具有较高的精度和良好的应用前景。     

基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。     

Ensemble particle swarm optimizer

According to the “No Free Lunch (NFL)” theorem, there is no single optimization algorithm to solve every problem effectively and efficiently. Different algorithms possess capabilities for solving different types of optimization problems. It is difficult to predict the best algorithm for every optimization problem. However, the ensemble of different optimization algorithms could be a potential solution and more efficient than using one single algorithm for solving complex problems. Inspired by this, we propose an ensemble of different particle swarm optimization algorithms called the ensemble particle swarm optimizer (EPSO) to solve real-parameter optimization problems. In each generation, a self-adaptive scheme is employed to identify the top algorithms by learning from their previous experiences in generating promising solutions. Consequently, the best-performing algorithm can be determined adaptively for each generation and assigned to individuals in the population. The performance of the proposed ensemble particle swarm optimization algorithm is evaluated using the CEC2005 real-parameter optimization benchmark problems and compared with each individual algorithm and other state-of-the-art optimization algorithms to show the superiority of the proposed ensemble particle swarm optimization (EPSO) algorithm.     

融合可行基规则的粒子群优化算法及其应用

基本粒子群优化算法对于离散的优化问题处理不佳,容易陷入局部最优。针对基本粒子群优化算法处理离散型优化问题时的缺陷,提出了一种融合可行基规则的改进型粒子群优化算法,并用该算法求解车辆路径问题。实验结果表明,该算法的优化性能和求解精度均优于其他文献算法,在求解车辆路径问题中具有较高的应用价值。     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。