权重自适应clonal选择算法及其应用研究

在求解两个目标以上的多目标优化问题时,基于Pareto支配的多目标进化算法多数需要较长的求解时间.基于固定权重的聚合函数方法求解速度快,但要确定一个适合待求解问题的合理权重是十分困难的,为了解决这一问题,将clonal选择算法与权重自适应方法相结合,提出了一种适用于多目标优化问题的权重自适应clonal选择算法.并将权...     

一种改进的颜色敏感图论着色算法

针对认知无线电频谱分配的公平性问题,提出一种改进的颜色敏感图论着色算法。该算法根据用户频谱效益生成与频谱分配相关的权重,通过该权重对颜色敏感的图论着色算法进行修正,保证频谱分配的公平性。仿真实验结果表明,改进算法网络总效益虽有所下降,但频谱使用的公平性有较大的改善。     

认知Mesh网络中基于免疫多目标优化的频谱分配

针对认知无线Mesh网络(CWMN)的频谱分配问题,提出了一种基于免疫多目标优化的实现算法。该算法将要求解的频谱分配建模为最大化总带宽和最小化占用频谱数的多目标优化问题,设计了适合问题求解的抗体编码方式、整体克隆算子和非支配抗体选择算子。仿真实验结果表明,所提算法可以求得CWMN频谱分配问题的Pareto最优解,提高了最大化总带宽,减少了最小化占用频谱,优化了频谱分配性能。     

基于线性孪生支持向量机的特征选择方法

提出了一种基于线性孪生支持向量机（TWSVM）的嵌入式特征选择方法。该方法在构造分类器的过程中,通过在TWSVM原有优化模型中引入一个惩罚项,来实现特征选择。在求解过程中,采用交替迭代优化方法将该模型求解问题分解成两个子问题来处理,即标准TWSVM优化问题和关于特征权重的非线性约束优化问题,并分别对子问题进行有效求解。在UCI数据集上对算法进行了仿真分析和比较,仿真结果验证了算法的有效性。     

灰色关联分析和粒子群优化算法相融合的合作伙伴选择

针对目前解决云服务商合作伙伴选择问题方法均存在如搜索速度变慢、实用性差、难以获得完全合理的选择方案等不足,提出了一种灰色关联分析和粒子群优化(PSO)算法相融合的合作伙伴选择方法。首先采用灰色关联法对云服务商的评价指标进行筛选,并计算每一种指标的权重值;然后建立云环境下服务商合作伙伴选择问题的数学模型,并采用粒子群算法对其进行求解,找到云服务商合作伙伴选择的最佳方案。具体应用实例性能测试结果验证了方法的有效性和合理性,它可以选择出最佳的合作伙伴。     

基于HS-BP神经网络的认知无线电频谱预测技术

在基于反向传播神经网络(BPNN)的频谱预测中,网络的初始权重与阈值是随机产生的,并且BP算法本身存在陷入局部最优的缺陷,从而导致BPNN训练得到的网络结构具有一定的不确定性。针对上述问题,提出一种基于HS-BP神经网络的频谱预测算法,通过和声搜索算法的全局寻优能力得到BPNN的最优初始权重和阈值,从而BPNN训练可得到最优的频谱预测网络结构,并运用该网络结构进行频谱的预测。仿真结果表明,该算法可以提高频谱预测的准确性及频谱的利用率。     

基于极值优化的频谱分配算法

针对认知无线电网络中的频谱分配问题,融合频谱的连续可用概率,提出了一种改进的分配模型,并基于频谱 分配问题的NP 特性,提出了一种基于极值优化的启发式智能求解算法。仿真实验表明：本算法能获得较好的频谱分配效果, 有利于频谱资源的有效利用。     

求解HP模型蛋白质折叠问题的改进PERM算法

PERM是一种用来求解基于HP模型的蛋白质折叠问题的高效算法.在介绍PERM算法核心思想的基础上,对影响算法效率的因素做了改进:重新定义了权重和权重预测公式,并对选择动作时不同情况下的权重计算公式进行了统一,得到了改进的PERM算法.对当前文献中的多个典型算例进行了测试,并与Monte Carlo算法和PERM进行了比较.结果表明, 改进后的PERM算法在计算速度上比PERM有明显提高,在速度和优度上远高于Monte Carlo算法.特别是对链长为46的算例,找到了比文献中报道的结果能量更低的构形.     

一种模糊认知的协同过滤算法

协同过滤是目前电子商务推荐系统中应用最成功的个性化推荐技术之一,但传统的协同过滤算法认为各个时期的评分数据信息是静态的。针对该问题,提出两种模糊认知：评分的模糊递增和评分权重的模糊递增。首先,对项目的评分信息划分时间窗口,且利用链式结构计算项目的相似性,选择目标项目的最近邻居;其次,对评分数据赋予时间权重,提出一种权重函数,并对传统的预测方法进行改进。同时,在预测阶段提出一种分层式的优化策略对评分的时间权重进行求解,完成推荐。最后,在Netflix的数据集实验结果表明,该算法较传统的协同过滤算法有显著的提高,推荐准确率提升了9.8%~14.1%。     

突发灾害下医疗资源供应商选择模型及算法

对医疗资源供应商选择问题进行建模,提出一种权重系数信息不完全的多准则区间直觉模糊集的供应商排序算法。该算法通过逻辑集成得到各供应商的区间直觉模糊集,计算各供应商的区间直觉模糊数的Hamming距离,并利用粒子群优化算法求解建立的非线性优化模型,得出最优准则的权重系数。通过比较各供应商与优等及次等供应商的距离,进行最优排序。以大规模突发灾害事件下的供应商选择为案例,说明该模型及算法的有效性和可行性。     

一种求解函数优化问题的改进鲸鱼优化算法

为提高鲸鱼优化算法求解复杂函数优化问题的性能,提出一种基于自适应参数及小生境技术的改进鲸鱼优化算法。首先,引入自适应概率阈值协调算法的全局探索及局部开发能力;其次,利用自适应位置权重对鲸鱼位置更新公式进行调整,提高算法的收敛速度及寻优精度;最后,采用预选择小生境技术,避免算法出现早熟收敛的现象。通过对12个典型基准测试函数的仿真表明,改进算法的寻优精度和收敛速度较对比算法均有明显提升,证明了提出的改进策略能有效提高鲸鱼优化算法求解复杂函数优化问题的性能。     

基于改进粒子群优化算法的TSP问题研究

针对标准粒子群优化算法易出现问题,提出一种改进粒子群算法。该算法为不同的粒子分配不同的任务,对性能较好的粒子使用较小的惯性权重,对性能较差的粒子采用较大的惯性权重,惯性权重根据适应度函数自适应调整,更好地平衡算法的全局与局部搜索能力,提高算法的多样性与搜索效率。用14点TSP标准数据对算法性能进行测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

混合粒子群优化算法优化前向神经网络结构和参数*

提出了综合利用粒子群优化算法（PSO）和离散粒子群优化算法（D-PSO）同时优化前向神经网络结构和参数的新方法。该算法使用离散粒子群优化算法优化神经网络连接结构,用多维空间中0或1取值的粒子来描述所有可能的神经网络连接,同时使用粒子群优化算法优化神经网络权值。将经过该算法训练的神经网络应用于故障诊断,能够有效消除冗余连接结构对网络诊断能力的影响。仿真试验的结果表明,相比遗传算法等其他算法,该算法能够有效改善神经网络结构和参数的优化效率,提高故障模式识别的准确率。     

多普勒信号的Burg算法优化研究

随着高速列车的发展,测速精度高的多普勒测速方式被广泛应用。其将多普勒信号看作广义平稳随机信号,利用功率谱估计方法进行信号处理。针对现代谱估计中Burg算法基本原理分析其误差来源。分析了两种优化算法,一种是基于窗函数的优化算法,另一种针对改进的协方差法实现了基于预测误差功率最小意义的优化算法。通过仿真对比原算法与两种优化算法的频谱估计性能,分析算法复杂度,选择模型最优参数,并验证了在列车测速范围内不同频段的适用性。结果表明,优化算法在不增加运行时间的基础上可降低频谱偏移程度、改善频谱分辨率,可识别出列车测速范围内各个频段频率,并且谱估计频率误差小于1%。     

基于信任度加权的合作频谱感知算法

为进一步提高认知无线电频谱感知性能,提出一种基于信任度加权的软合并感知算法TWCS(trustweighted cooperation sensing)。该算法首先定义一个模糊型指数信任度函数,对两认知用户间的信任程度进行量化处理,并通过信任度矩阵度量各认知用户测得数据的综合信任程度,以合理分配测得数据在融合过程中所占权重。仿真结果表明,与最大比合并和信噪比加权合并等算法相比,TWCS算法不仅具有更强的可靠性,而且使系统整体感知性能得到了较大提高。     

车联网D2D通信中最大化频谱资源利用率分配算法

无线通信技术快速发展,终端设备不断增多,为缓解这一现象,提升系统网络容量,针对车联网蜂窝D2D(device to device)通信资源分配问题,提出了一种最大化频谱资源利用率分配算法.该算法以最大化频谱资源利用率为优化目标,在满足车联网通信的基本服务质量(quality of service,QoS)下,通过V2V(vehicle to vehi-cle)和V2P(vehicle to people)共享信道资源来提高频谱资源利用率.首先利用信道状态信息定义的链路增益因子为终端用户找到潜在的通信链路集合;然后证明终端用户复用链路资源时功率分配问题为一个凸优化问题,利用凸优化理论求得最优传输功率;随后求解最优的信道匹配问题,此问题为多对一的加权匹配问题,为降低算法复杂度用KM(Kuhn Munkres)算法来求解.仿真结果表明,所提算法较其他算法能够有效地提升系统吞吐量、提高频谱资源利用率、提升网络性能,优化车联网通信资源分配问题.     

基于混沌和声搜索的最优线性协作频谱感知算法

为了进一步提高认知无线电频谱感知的准确性和可靠性,提出一种基于混沌和声搜索(CHS)的最优线性协作频谱感知算法。该算法基于能量检测的线性加权协作频谱感知模型,利用和声搜索(HS)算法本身的优化能力和混沌映射的遍历性、随机性等特点,通过求解最优权值的方法,提高频谱感知的性能。仿真实验结果表明,CHS算法的优化性能和收敛速度均优于传统的HS算法,基于CHS的最优线性协作频谱感知算法能够找到最优的权值,从而提高了复杂通信环境下的检测概率;并且在相同的虚警概率下,所提算法性能优于基于修正偏差因子的协作频谱感知算法。     

基于改进的鲸鱼优化算法在ELD上的应用

针对电力系统经济负荷分配这一典型的非凸、非线性、组合优化问题,提出一种将基于自适应权重更新策略和差分进化的随机变异策略的鲸鱼优化优化算法(ADWOA)相结合。该算法首先在鲸鱼优化算法中引入了自适应权重来提高WOA的搜索能力,使算法能够在早期执行精细的全局搜索,在后期执行精确的局部搜索,加速寻优算法的迭代,同时由于随机变异策略,会再次更新位置。然后从更新的结果中选择最优位置,以加速种群的收敛,并有效防止种群陷入局部最优将适应度较好的个体信息更快地保留用于下一次鲸鱼优化算法的迭代,提高了求最优解的速度和精度。最后,对多个算法在电力系统经济负荷分配问题进行了测试,验证了基于自适应权重的的鲸鱼优化算法可以更合理地配置电力系统的经济负荷,能够有效找到可行解,避免陷入局部最优,能实现经济负荷的合理分配。     

混沌拟态物理优化的认知频谱差异分配

针对认知无线电网络的频谱分配问题,提出了一种考虑频谱可用率的分配模型,并在约束处理时,将可用率更高的频谱分配给认知用户;基于频谱分配问题的NP(非确定性多项式)特性,进而提出了一种基于混沌拟态物理优化的智能算法。使用混沌的遍历性初始化种群,改进了微粒的作用力方程,避免算法陷入局部最优。仿真实验结果表明:该算法能获得更高的网络收益,提高了频谱使用效率。