基于PSO的矿山企业动态配矿优化研究

采用粒子群优化(PSO)算法求解矿山企业动态配矿问题。依据开采条件圈定出可开采的矿块,用粒子的一位代表矿块,并用0或者1代表选择该矿块来开采,重新定义在约束条件下PSO粒子的运算与“飞行”规则,实现动态配矿优化的粒子群算法。该PSO算法实施简单,优化效果明显,通过2009年实际生产情况与优化结果的对比表明,该算法在生产成本几乎不变的情况下,明显提高了企业效率。     

平均计算时间复杂度优化的动态粒子群优化算法

粒子群优化(PSO:Particle Swarm Optimization)算法已经被广泛地应用,其中包括大量实时性要求很高的领域,如宽带数字信号处理。传统PSO算法需要对大量粒子分别进行若干次迭代运算,这将导致该算法的平均计算时间复杂度较高,运算延时大,不能满足这种高实时性要求。因此,需要在不影响性能的前提下降低PSO算法的平均计算时间复杂度。提出了一种粒子数量可变的动态粒子群优化(DPSO:Dynamic PSO)算法,其核心是丢弃粒子判定条件,在迭代过程中,根据该条件动态地抛弃一些粒子,从而降低算法的平均计算时间复杂度。此外,在算法迭代过程中对粒子的个体极值进行变异,从而避免陷入局部最优解。实验和理论分析结果表明,在算法的平均计算时间复杂度方面,对于相同的优化结果,DPSO算法的平均计算时间复杂度比传统PSO算法降低了30%左右;在算法的性能方面,对于单峰值目标函数,DPSO算法与传统PSO算法的优化性能相当,而对于多峰值目标函数,DPSO算法的优化性能要优于传统PSO算法。     

基于粒子群算法的自动配煤系统多目标优化

粒子群优化(PSO)算法是一种有效的基于群体智能的全局优化方法,不能直接应用于多目标自动配煤系统的优化中。文章考虑实际灰分最大限度接近目标灰分、配煤时间最短、能耗最小经济效益最高这3个目标,建立了具有条件约束的多目标自动配煤系统模型;利用加权法将自动配煤系统的多目标优化问题转化为单目标优化问题,然后利用PSO算法对系统进行优化,求出最优解集。仿真结果表明,应用PSO算法优化多目标自动配煤系统的方法简单可行,效果较为理想,但也存在适应度函数和权值参数选取难的问题。     

基于食物链机制的动态多物种粒子群算法

针对粒子群优化(PSO)算法在解决多峰函数时容易陷入局部最优的问题,提出了一种基于食物链机制的动态多物种粒子群(DSPSO)算法。受生物界的启发,引入食物链机制来保证种群的多样性,并结合繁殖机制使得算法具有良好的优化性能。食物链机制中,整个标榜群被分为几个子种群,每个子种群都能够捕食另外一个子种群。通过一定概率发生的捕食现象使得标榜群得以进化,剔除对种群贡献小的粒子,并通过繁殖策略生成新的粒子。种群通过不断地进化保证了种群的多样性,同时通过剔除较差粒子的误导作用使算法的进化更有效率。为了验证算法的有效性,选择了包括偏移函数、旋转函数在内的10个测试函数来测试DSPSO算法的性能。实验结果表明DSPSO算法有着良好的寻优性能。与PSO、局部版本的粒子群(LPSO)算法、动态多群粒子群(DMS-PSO)算法和全面学习粒子群(CLPSO)算法相比,DSPSO算法不仅能够得到较高精度的解,而且还具有较高的可信度。     

基于粒子群算法的智能电梯群控系统调度

电梯群控系统(Elevator Group Control System,EGCS)调度是一个多输入、多输出的复杂优化问题,属于NP难问题.为解决EGCS调度优化,提出了一种基于粒子群优化算法(Particle Swarm Optimization,PSO)的电梯调度策略.算法中,每个粒子代表一种派梯方案,系统首先随机初始化若干解,然后以候梯时间最短、乘梯时间最少、电梯能耗最低为主控目标,来实现电梯群控系统的调度优化.仿真对比结果表明了算法的有效性.     

多目标优化的粒子群算法研究

本文介绍了粒子群优化算法PSO中的多目标优化的粒子群算法及其应用,并将其运用在防守对方多个前锋球员的进攻威胁,以粒子群算法随机性来适应不断变化的形势。     

动态邻域混合粒子群优化算法

粒子群优化(PSO)算法对于多峰搜索问题一直存在早熟收敛问题。为在增强PSO算法全局搜索能力的同时提高收敛速度,提出一种动态邻域混合粒子群优化算法DNH_PSO,采用PSO局部模型,将随机拓扑和冯诺依曼拓扑相结合形成动态邻域,提高算法的全局搜索能力,为增强算法的局部搜索能力并加快收敛速度,使用粒子邻域全面学习策略,将拟牛顿法引入算法中。与其他PSO实验对比分析表明,该算法对于多峰搜索问题具有较好的全局收敛性。     

基于扩散机制的双种群粒子群优化算法*

为了避免标准粒子群优化算法（PSO）过早收敛的缺点,把热力学中的扩散现象引入到PSO算法的改进当中,提出了基于扩散机制的双种群粒子群优化算法(DPSO)。DPSO算法中定义了粒子的扩散能、种群的温度和粒子的扩散概率三个概念,两个群体中的粒子在进化过程中根据粒子的扩散概率被选入到各自种群的扩散池中,从而实现两个种群之间信息的交换和共享。通过解决典型的多峰、高维函数优化问题来证实DPSO算法的有效性,实验结果表明DPSO比标准PSO具有更高的性能。     

动态环境中的Memetic算法

针对近几年在进化计算领域被广泛关注的动态优化问题,提出了一种基于粒子群优化(PSO)的Memetic算法.在一种环状拓扑结构的局部PSO模型中,利用模糊认知局域搜索策略来改善部分粒子的质量,同时引入一种自组织随机移民策略来保持算法的种群多样性.通过对一组标准动态测试问题的仿真实验,能够证明所提出的算法在动态环境中的有效性和适应能力.     

一类新颖的粒子群优化算法

粒子群优化(PSO)是一类有效的随机全局优化技术。它利用一个粒子群搜索解空间,每个粒子表示一个被优化问题的解,通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出一类新颖的PSO算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项。积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,该算法增加了限制搜索空间范围的机制,这对某些函数优化问题是必需的。用5个基准函数做的对比实验结果显示,该算法优于基本PSO算法以及自适应修改惯性因子的PSO算法。     

一种新型无约束优化方法的研究

提出了一种新型无约束全局优化方法。主要是从当前常用算法的优化过程中总结出共性—反馈特性,然后利用反馈控制系统来实现这种优化特性。在这种智能计算系统中,将无约束优化问题的目标函数作为控制对象,将PID控制器作为一种优化算法。由于传统PID方法容易达到局部极小点,提出了多系统并行PID优化方法。最后采用基准函数对此优化算法进行测试,并与几种不同类型的改进优化算法进行对比,数值实验结果验证了此种算法的有效性。     

Spark性能优化技术研究综述

近年来,随着大数据时代的到来,大数据处理平台发展迅速,产生了诸如Hadoop,Spark,Storm等优秀的大数据处理平台,其中Spark最为突出。随着Spark在国内外的广泛应用,其许多性能问题尚待解决。由于Spark底层 的执行机制极为复杂,用户很难找到其性能瓶颈,更不要说进一步的优化。针对以上问题, 从开发原则优化、内存优化、配置参数优化、调度优化、Shuffle过程优化5个方面对 目前国内外的Spark优化技术进行总结和分析。最后,总结了目前Spark优化技术新的核心问题,并提出了未来的主要研究方向。     

一种基于混沌的自适应粒子群全局优化方法

充分利用粒子群优化算法的收敛速度较快及混沌运动的遍历性、随机性以及对初值的敏感性等特性,考虑到惯性因子对多样性的影响,通过引入早熟收敛程度评价机制,采用逻辑自映射函数来产生混沌序列,提出一种基于混沌思想的自适应混沌粒子群优化（ACPSO）算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。仿真结果表明提出的自适应混沌粒子群优化算法的性能明显优于一般混沌粒子群优化算法。     

粒子群算法在组合优化问题上的研究与发展

粒子群优化算法是一种新兴的基于群智能搜索的优化技术。该算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。介绍了算法的基本原理和算法在组合优化上一些改进方法的主要应用形式。最后,对粒子群算法作了一些深入分析并在此基础上对粒子群算法应用于组合优化问题做了一些总结。     

Tent混沌粒子群算法及其在结构优化决策中的应用

首先对Tent混沌序列加以改进,将其引入粒子群算法中;然后提出一种基于改进的Tent映射的粒子群算法.采取分阶段更新的优化策略,使其在搜索初期更具遍历性,在搜索后期,通过人为更替最差粒子的速度和位置,使算法具有更快的收敛速度与更好的全局搜索能力.构建一种资源配置结构优化模型,并将改进的Tent映射粒子群算法引入资源配置结构优化决策中,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

并行智能优化算法研究进展

基于种群迭代搜索的智能优化算法在农业、交通、工业等很多领域都取得了广泛的应用.但是该类算法迭代寻优的特点使其求解效率通常较低,很难应用到大规模、高维或实时性要求较高的复杂优化问题中.随并行分布式技术的发展,国内外很多学者开始着手研究智能优化算法的并行化.本文首要介绍了并行智能优化算法的基本概念;其次从协同机制、并行模型以及硬件结构3个维度综述了几类常见的并行智能优化算法,详细分析阐述了它们优点及不足;最后对并行智能优化算法的未来研究进行了展望.     

基于文化的连续蚂蚁优化算法的研究*

针对蚂蚁优化算法在求解连续空间问题方面的缺陷,提出一种基于文化的连续蚂蚁优化算法。该算法将蚂蚁优化算法纳入文化算法的框架,组成基于蚂蚁优化算法的主群体和信念的两大空间。在知识和群体层面使用双重进化机制支持问题的求解和知识的提取,从而充分利用精英蚂蚁所携带的特征信息,在很大程度上提高了收敛速度,增强了搜索的多样性。实验结果表明,该算法求解速度快、寻优成功率高,是一种提高蚂蚁优化算法性能的有效算法。     

Many-objective evolutionary optimization based on reference points

Many-objective optimization problems are common in real-world applications, few evolutionary optimization methods, however, are suitable for solving them up to date due to their difficulties. A reference points-based evolutionary algorithm (RPEA) was proposed in this paper to solve many-objective optimization problems. The aim of this study is to exploit the potential of the reference points-based approach to strengthen the selection pressure towards the Pareto front while maintaining an extensive and uniform distribution among solutions. In RPEA, a series of reference points with good performances in convergence and distribution are continuously generated according to the current population to guide the evolution. Furthermore, superior individuals are selected based on the evaluation of each individual by calculating the distances between the reference points and the individual in the objective space. The proposed algorithm was applied to seven benchmark optimization problems and compared with ɛ-MOEA, HypE, MOEA/D and NSGA-III. The results empirically show that the proposed algorithm has a good adaptability to problems with irregular or degenerate Pareto fronts, whereas the other reference points-based algorithms do not. Moreover, it outperforms the other four in 8 out of 21 test instances, demonstrating that it has an advantage in obtaining a Pareto optimal set with good performances.     

基于Riverbed的ITER广域网优化方案

为了满足参与国际热核聚变实验堆(ITER)各采购包对CN DA和ITER之间的网络性能不断增长的需求,给出一个基于Riverbed的ITER网链路优化加速解决方案。 Riverbed实现了三层优化系统RIOS, RIOS在数据层、传输层和应用层实现了数据优化和协议优化,此外RIOS支持丰富的QoS标志和加速设备负载均衡和冗余的高可用性集群技术,同时RIOS实现了管理优化,使得网络部署更加容易和快捷。     

基于密度熵的多目标粒子群算法

提出了一种基于密度熵的多目标粒子群算法（EMOPSO）。采用一个外部集保存所发现的Pareto最优解（精英）,并将外部集作为粒子的全局极值。为保证种群的多样性,当精英大于外部集的大小时采用一种基于密度熵的策略进行分布度保持,从而使所得到的解集保持良好的分布性。最后与经典的多目标进化算法（MOEAs）进行了对比实验,实验结果表明了该算法的有效性。