基于入侵杂草蝙蝠双子群优化的装备保障编组协同任务规划

针对装备保障编组协同任务规划问题,构建以时效优先为目标,考虑保障任务时序逻辑关系、任务执行质量和保障编组占用冲突等复杂约束以及保障编组能力更新机制的数学模型,提出一种基于入侵杂草蝙蝠混合算法的双子群任务规划方法.首先,采用佳点集初始化方法,在解空间生成具有均匀分布特征的种群;其次,设计具有修复操作的解编码和任务优先排序,实现任务-编组-时间的匹配和冲突消解;再次,划分双子群,利用入侵杂草优化算法和Fuch混沌蝙蝠优化算法协同进化;最后,应用重组算子引导种群进化,均衡算法全局探索和局部搜索能力.仿真算例表明,所提方法可对大规模复杂任务分配方案进行精确高效的求解.     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

基于动态随机搜索和佳点集构造的改进粒子群优化算法

针对粒子群优化算法局部搜索能力不足和易出现早熟收敛的问题,提出一种基于动态随机搜索和佳点集构造的改进粒子群优化算法。该算法通过引入动态随机搜索技术,对种群当前最优位置进行局部搜索;采用佳点集构造对陷入早熟收敛的种群重新初始化;引入负梯度方向直线搜索来加速算法寻优。仿真实验结果表明,与标准粒子群优化(SPSO)算法和耗散粒子群优化(DPSO)算法比较, 提出的改进算法具有快速的收敛能力而且能有效地跳出局部最优, 优化性能得到明显提高。     

一种改进的混沌量子粒子群优化算法

通过将量子粒子群优化算法和佳点集法相结合,提出一种改进的混沌量子粒子群优化算法,用于解决复杂函数问题。将佳点集融合到量子粒子群算法中,以提高解空间的遍历性,对函数实现全局寻优。用混沌序列改变惯性权重 w,调节粒子群优化算法的全局和局部寻优能力。采用线性递减速度比例收缩因子η提高搜索速度,避免早熟收敛。用量子Hadamard门对量子编码进行变异,增强种群的多样性,促使粒子跳出局部极值点。对典型复杂函数的仿真结果表明,该混合算法寻优效率高、收敛速度快,能有效避免早熟收敛。     

求解约束优化的改进粒子群算法

针对种群初始化时粒子过于集中和基本粒子群算法搜索精度不高的缺陷,提出了一种求解约束优化问题的改进粒子群算法。该算法引入佳点集技术来优化种群的初始粒子,使种群粒子初始化时分布均匀,因而种群具有多样性,不会陷入局部极值;同时使用协同进化技术使双种群之间保持通信,从而提高算法的搜索精度。仿真实验结果表明：将该算法用于5个基准测试函数,该算法均获得了理论最优解,其中有4个函数的测试方差为0。该算法提高了计算精度且鲁棒性强,可以广泛应用于其他约束优化问题中。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

双种群粒子群算法及其在UUV路径规划中的应用

提出一种双种群粒子群算法,在粒子进化过程中,具有当前最优位置的种群侧重于局部搜索,而不具有当前最优位置的种群侧重于全局搜索。两个种群在进化过程中受共同的群体最优位置影响进行进化,从而实现信息共享,协调进化。利用几个测试函数对算法性能进行分析验证,并与其他改进算法进行比较,结果表明算法在搜索精度、稳定性以及搜索速度上均优于改进算法。将双种群粒子群算法用于UUV三维空间轨迹规划问题,获得了满意的规划效果。     

云计算任务调度双精英种群文化基因改进算法

云计算任务调度是一个难于精确求解的调度问题,需要兼顾考虑计算时间和资源利用率.为了最大程度地节省计算时间和提升资源利用率,论文提出了一种云计算任务调度双精英种群文化基因改进算法.首先,针对文化基因算法全局搜索能力不高的问题,通过结合遗传算法与粒子群算法,提出一种混合全局搜索策略,提高算法的种群多样性和收敛速度.其次,为改善普通精英种群在迭代后期进化缓慢的缺点,采用了双种群的进化机制.具体的Matlab仿真实验结果表明,改进算法的优化性能更佳.     

聚类佳点集交叉的约束优化混合进化算法

提出一种基于聚类佳点集多父代交叉和自适应约束处理技术的混合进化算法用于求解约束优化问题.新算法的主要特点是:在搜索机制方面,利用佳点集方法构造初始化种群,使个体能够均匀地分布在整个搜索空间.然后根据父代个体的相似度将种群个体进行聚类分析,从聚类中随机选择个体进行佳点集多父代交叉操作,利用多个父代个体所携带的信息产生新的具有代表性的子代个体,能够维持和增加种群的多样性.另外,引入局部搜索策略以提高算法局部搜索能力和收敛速度.在约束处理技术上,新算法引入了一个自适应约束处理技术,即根据当前种群中可行解的比例自适应选择不同的个体比较准则.通过15个标准测试函数验证了新算法的有效性.     

基于改进PSO的自主车辆实时运动规划方法

通过在孤长-曲率空间建立车辆运动学模型的方法,在满足非完整约束条件的基础上,将运动规划问题转化为函数优化问题.为提高PSO算法的优化速度,满足算法工程应用的实时性要求,提出一种基于多任务种群协同进化的粒子群优化算法.该算法将种群分为3种执行不同任务动作的子群,充分扩展搜索范围,挖掘搜索域内的有用信息,使种群的全局搜索能力和局部搜索能力达到较好的平衡状态.实验结果证明,将协同进化PSO算法应用于弧长-曲率空间中的函数优化问题,可实现对自主车辆的运动规划,规划轨迹满足车辆运动学和动力学约束,保证了车辆行驶的安全性和平稳性.     

Dynamic localization with hybrid trilateration for mobile robots in intelligent space

In this paper, we propose a new localization algorithm based on a hybrid trilateration algorithm for obtaining an accurate position of a robot in intelligent space. The proposed algorithm is also able to estimate a position of the moving robot by using the extended Kalman filter, taking into consideration time synchronization and velocity of the robot. For realizing the localization system, we employ several smart sensors as beacons on the ceiling in intelligent space and as a listener attached to the robot. Finally, simulation results show the feasibility and effectiveness of the proposed localization algorithm compared with existing trilateration algorithms.     

A hybrid algorithm for constrained portfolio selection problems

Since Markowitz’s seminal work on the mean-variance model in modern portfolio theory, many studies have been conducted on computational techniques and recently meta-heuristics for portfolio selection problems. In this work, we propose and investigate a new hybrid algorithm integrating the population based incremental learning and differential evolution algorithms for the portfolio selection problem. We consider the extended mean-variance model with practical trading constraints including the cardinality, floor and ceiling constraints. The proposed hybrid algorithm adopts a partially guided mutation and an elitist strategy to promote the quality of solution. The performance of the proposed hybrid algorithm has been evaluated on the extended benchmark datasets in the OR Library. The computational results demonstrate that the proposed hybrid algorithm is not only effective but also efficient in solving the mean-variance model with real world constraints.     

Energy efficient task allocation for hybrid main memory architecture

Compared with the conventional dynamic random access memory (DRAM), emerging non-volatile memory technologies provide better density and energy efficiency. However, current NVM devices typically suffer from high write power, long write latency and low write endurance. In this paper, we study the task allocation problem for the hybrid main memory architecture with both DRAM and PRAM, in order to leverage system performance and the energy consumption of the memory subsystem via assigning different memory devices for each individual task. For an embedded system with a static set of periodical tasks, we design an integer linear programming (ILP) based offline adaptive space allocation (offline-ASA) algorithm to obtain the optimal task allocation. Furthermore, we propose an online adaptive space allocation (online-ASA) algorithm for dynamic task set where arrivals of tasks are not known in advance. Experimental results show that our proposed schemes achieve 27.01% energy saving on average, with additional performance cost of 13.6%.     

新型双重混合的流媒体直播系统架构

研究内容分发网络(CDN)与对等网络(P2P)的混合模型,提出一种CDN与P2P、树形结构与网状结构双重混合的流媒体直播系统架构。设计基于CDN-P2P的树网结合直播系统模型,阐述核心树的主要构建机制,介绍网状结构的节点选择算法。系统仿真结果表明,与纯P2P模型及CDN-P2P混合模型相比,该系统的播放和启动延迟较小。     

IPV6网络中搜索引擎蠕虫的传播研究

针对传统蠕虫传播模型无法准确预测基于搜索引擎的蠕虫的传播问题,在IPv6网络环境下构建了一种基于搜索引擎的蠕虫-V6.MAMWorm,并在分层扫描策略的基础上提出了一种混合智能算法.在本地应用子网内扫描策略,在子网间应用搜索引擎扫描策略,从而建立了一种新型的蠕虫传播模型(multi-tierarchitecturemodel,MAM).仿真结果表明,V6-MAM-Worm在IPv6网络中具有更快的传播速度,其将对IPv6网络的安全性带来巨大的威胁.     

一种基于混合粒子群优化算法的深度卷积神经网络架构搜索方法

神经架构搜索（neural architecture search,NAS）技术自动寻找神经网络中各层的最佳组合和连接方式,以及各种超参数的最佳分布。该方法从搜索空间生成若干不同的卷积神经网络（CNN）,使用混合粒子群优化（hybrid particle swarm optimization,HPSO）算法,将一定数目的神经网络个体视做一个群体,将每个网络个体在评价指标下的表现值视做适应度,在给定的世代数范围内,每个神经网络个体都学习自身的历史最佳适应度个体,和整个群体的最佳适应度个体,迭代改善自身的网络架构。实验结果表明,算法运行中出现的最优网络架构,在图像分类任务的多个基准数据集上,与手工设计的神经网络和以遗传算法为基础的NAS算法相比,在网络参数数量和准确率的平衡上取得了有竞争力的结果。     

基于综合时空特性的混合式轨迹压缩算法

针对车辆全球卫星定位系统(GPS)中如何降低轨迹数据存储空间,提高数据分析及传送速度等问题,提出一种基于综合时空特性的混合式轨迹压缩算法.该算法一方面采用了新的综合时空特性的在线轨迹压缩策略,利用GPS数据的位置信息、时间信息、方向角、速度信息进行轨迹特征点的综合判断,以更准确地选取特征点;另一方面,采用了在线与批处理相结合的混合式轨迹压缩策略,定时采用道格拉斯批量压缩算法对在线压缩的轨迹集进行二次压缩,以提高轨迹的压缩效率.实验结果表明,较现有的时空特性压缩算法,新的综合时空特性在线轨迹压缩策略虽然在压缩率上略有下降,但压缩误差有显著减小.进一步采用混合式压缩策略后,通过选取适当的批处理时间周期,所提算法在压缩率和压缩误差上较现有的时空特性算法均有所改进.     

A Hybrid Particle Swarm Branch-and-Bound (HPB) Optimizer for Mixed Discrete Nonlinear Programming

This paper proposes a new algorithm for solving mixed discrete nonlinear programming (MDNLP) problems, designed to efficiently combine particle swarm optimization (PSO), which is a well-known global optimization technique, and branch-and-bound (BB), which is a widely used systematic deterministic algorithm for solving discrete problems. The proposed algorithm combines the global but slow search of PSO with the rapid but local search capabilities of BB, to simultaneously achieve an improved optimization accuracy and a reduced requirement for computational resources. It is capable of handling arbitrary continuous and discrete constraints without the use of a penalty function, which is frequently cumbersome to parameterize. At the same time, it maintains a simple, generic, and easy-to-implement architecture, and it is based on the sequential quadratic programming for solving the NLP subproblems in the BB tree. The performance of the new hybrid PSO–BB architecture algorithm is evaluated against real-world MDNLP benchmark problems, and it is found to be highly competitive compared with existing algorithms.      

Centroid based Multilayer Perceptron Networks

In this study we investigate a hybrid neural network architecture for modelling purposes. The proposed network is based on the multilayer perceptron (MLP) network. However, in addition to the usual hidden layers the first hidden layer is selected to be a centroid layer. Each unit in this new layer incorporates a centroid that is located somewhere in the input space. The output of these units is the Euclidean distance between the centroid and the input. The centroid layer clearly resembles the hidden layer of the radial basis function (RBF) networks. Therefore the centroid based multilayer perceptron (CMLP) networks can be regarded as a hybrid of MLP and RBF networks. The presented benchmark experiments show that the proposed hybrid architecture is able to combine the good properties of MLP and RBF networks resulting fast and efficient learning, and compact network structure.     

混合遗传算法及在多处理机调度问题中的应用

针对遗传算法存在收敛速度较慢,易陷入局部极值的缺点,通过算法混合,提出一种基于混沌及差分演化的混合遗传算法。该算法利用混沌运动的遍历性和内在随机性择优产生初始群体,借鉴差分进化算法中的繁殖策略,使染色体在解空间中更有效的搜索最优解。最后将该混合遗传算法应用于多处理机调度问题中,实验表明,该混合算法具有较高的优化效率,能寻找到更好的优化结果。