基于离散粒子群优化算法的多用户检测器

利用粒子群优化算法解决优化问题的基本思想,提出了一种新的粒子群算法,进而设计了两种使用NDPSO和多阶段检测器（MSD）相结合的混合方法进行CDMA通信系统的多用户检测．一种方法是使用NDPSO作为MSD的初始阶段给后面阶段的MSD提供一个好的初始值;另一种方法是把MSD嵌入到NDPSO的每一代中．通过混合MSD到NDPSO中,可以加快NDPSO的收敛速度,减少计算复杂度．另外,NDPSO所提供的好的初值可以改善MSD的性能,嵌入的MSD还改善了NDPSO的性能．仿真结果表明。多用户检测方法与传统检测器和已有的DPSO多用户检测方法相比,在误码率、抗远近能力方面都有显著提高．     

用离散粒子群优化算法求解WTA问题

为了提高武器-目标分配(WTA)问题的求解效率和性能,提出了一种用离散粒子群(DPSO)算法求解此问题的新方法.对粒子群算法中的速度和位置进行了重新定义,使其可求解WTA这类离散组合优化问题,并采用贪心的启发式策略对迭代产生的方案进行调整,以利于快速找到最优或次优的分配方案.算法测试表明新算法执行速度快,结果令人满意,...     

基于粒子群算法的OFDMA系统自适应子载波分配问题

为了研究OFDMA系统中的自适应子载波分配问题,将粒子群算法引入到OFDMA系统的自适应子载波分配问题中,利用该算法参数少、收敛速度快、全局寻优能力强等特点,较好地解决了OFDMA系统中的子载波优化分配问题.仿真结果表明,改进算法能得到最优的子载波分配方案,减小了整个系统所需的发射功率,同时又提升了算法的收敛速度.     

混合离散粒子群算法在混流装配线生产调度中的应用

为使混流装配线有效运作,研究了混流装配线的生产调度问题。以最小化最大完工时间为优化目标,建立了调度模型。针对算法中存在的"早熟"现象,提出了一种与基于NEH方法的领域搜索策略结合的混合离散粒子群算法,并通过实例验证了算法的有效性。经与其他算法比较后发现:混合离散粒子群算法在求解摩托车混流装配线生产调度问题上具有优势,能快速搜索到最优解,具有较好的收敛性。     

双尺度协同变异的离散粒子群算法

针对离散粒子群算法局部搜索能力差的不足,提出了一种基于双尺度协同变异的离散微粒群算法.采用对当前最优解进行双尺度速度变异的方法,来实现提高算法局部最优解搜索和改善最优解精度的能力.在算法初期利用大尺度速度变异可增加粒子的多样性,快速定位到最优解区域;算法后期则通过逐渐减小的小尺度变异可提高算法在最优解附近的局部精确解搜...     

量子粒子群优化算法在运输问题中的应用

将量子粒子群优化算法用于运输问题求解。用粒子的位置表示运输路径,建立运输路径的数学模型。与遗传算法相比,实验结果表明,该算法在求解运输问题中提高了最优解的精度,且具有较快的收敛速度。     

面向离散优化问题的改进二元粒子群算法

二元粒子群算法被广泛用于求解离散组合优化问题。在求解离散优化问题时,二元粒子群算法会出现解空间利用率低,速度和状态趋同以及退化和波动等演化问题。针对这些问题,提出一种改进的二元粒子群算法。算法使用Gray码演化基编码,混沌初始化过程,改进速度和状态调整方法以及子代处理方法用于提高种群利用率和种群多样性。在不同类型的检验函数以及多选择背包问题上,和现有优化算法及其他二元粒子群算法相比,改进算法能够获得较高的收敛精度以及较快的收敛速度,体现出多离散优化问题的实际效用。     

基于混合粒子群算法的粮食应急调度系统中的路径规划

粮食应急调度系统能够在受灾时对应急救援物资进行科学、有效、快速地调配,其中路径规划起重要的作用.然而,由于实际中受灾的需求点数目较多、数目分散、路型与路况不同、时间急迫等特点,对合理有效路径规划的要求越来越高.粒子群算法是一种有效的进化计算方法,能够快速、准确地求解连续变量的优化问题.提出一种新的包括离散个体与连续个体的混合编码粒子群优化算法,用于粮食应急调度系统中的路径规划.结果显示:该算法不仅具有简单的原理,而且能够很好地解决粮食应急调度系统中的路径规划问题.     

基于量子粒子群算法的测试数据自动生成算法

本文针对现在流行的进化算法生成测试数据存在参数设置难、算法复杂度高、易陷入局部最优解等缺点,提出了一种应用于软件测试中的基于量子粒子群算法（QPSO）的测试数据自动生成算法。该算法是在粒子群（PSO）算法基础上引入量子理论的思想。解决了PSO算法搜索空间有限,容易陷入局部最优解的问题。通过具体实验证明,该方法是有效可行的,其效率也明显高于GA算法和PSO算法。     

求解TSP问题的增强型自探索粒子群算法

分析了单点调整思想自探索粒子群算法求解TSP问题的不足,并以此为基础构造了求解TSP问题的增强型自探索粒子群算法。在算法中进一步强化了粒子的自探索行为,增加了随机序列段调整思想,以提高算法发现全局最优解的概率。实验结果分析,表明了该增强型自探索粒子群算法具有较强的全局搜优能力,比其他同类算法获得了质量更高的解。     

PSO的改进——跳蚤算法

针对PSO算法所存在的早熟问题,提出了一种新的优化方法,即跳蚤算法。此算法在粒子之间加入排斥力,使得各个粒子无法聚集在同一点上,从而整个粒子群不可能趋同于局部最优解,跳蚤算法不需要假设函数最优解在粒子群运动轨迹包络体之内。采用F(x1,x2)=sin(r)/r,其中r=x21+x22(1/2)等函数验证了该算法的寻优效果。     

改进的协同粒子群优化算法

针对协同粒子群优化算法存在停滞,不能保证收敛到局部或全局最优值的问题,提出一种改进的协同粒子群优化算法(CCPSO-Hk),该算法将混沌理论引入协同粒子群算法(Chaos PSO)中,利用混沌运动的随机性、遍历性和规律性等改善了协同粒子群算法(Cooperate Particle Swarm Optimization)的性能.通过仿真验证算法的有效性.     

基于免疫粒子群优化算法的多用户检测器

该文将免疫系统的免疫机制引入到粒子群优化算法的设计中.模拟免疫系统、群集智能的信息处理机制,提出了免疫粒子群优化算法.这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力.然后在CDMA系统中,利用此算法设计了多用户检测器,仿真结果证明该文的方法能够快速收敛到全局最优解,并且抗多址干扰能力和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器.     

关于救灾物资分配问题的优化模型

在各种各样的抢险救灾行动中,应急物资的合理分配在降低灾害的影响方面体现出重要作用。本文首先确立了通过合理优化物资分配使其能最大限度降低灾害的影响为根本分配原则,接着对不同物资给定了适当的权重并确定了不同灾民受灾程度的判定标准,在此基础上用救灾效果表示整个救灾过程使灾情降低的程度。最后给出了一个具体灾情,并用量化后的模型求出最优解。     

Drilling Path Optimization Based on Particle Swarm Optimization Algorithm

This paper presents a new approach based on the particle swarm optimization (PSO) algorithm for solving the drilling path optimization problem belonging to discrete space.Because the standard PSO algorithm is not guaranteed to be global convergence or local convergence,based on the mathematical algorithm model,the algorithm is improved by adopting the method of generate the stop evolution particle over again to get the ability of convergence to the global optimization solution.And the operators are improved by establishing the duality transposition method and the handle manner for the elements of the operator,the improved operator can satisfy the need of integer coding in drilling path optimization.The experiment with small node numbers indicates that the improved algorithm has the characteristics of easy realize,fast convergence speed,and better global convergence characteris- tics.hence the new PSO can play a role in solving the problem of drilling path optimization in drilling holes.     

一种降维求解机组组合问题的双重粒子群优化算法

考虑机组组合的电力系统动态经济调度是一个高维复杂的非线性优化问题。提出了一种采用降维思想解决大规模机组组合问题的新方法,降维的方式是将对整个调度周期的优化转化为对每个调度时刻依次、分别优化,即将对矩阵的优化转化为对行向量的优化,降低求解维数。结合离散与连续粒子群(particle swarm optimization,PSO)算法,分别得到当前调度时刻最优的机组组合状态及对应的最优负荷分配。采用初始化策略提高初始解质量,并对机组启停、爬坡等约束条件处理,使寻优都在可行域中进行,结合优先次序法及智能调整策略避免算法早熟。算例表明本文方法在经济性上具有很大的优越性,且可明显减少开机机组数目,对于求解机组数较多的大规模系统更具优势。     

基于离散粒子群优化的鲁棒Web服务组合

服务于互联网业务的Web服务,其服务质量（QoS）具有内在的不确定性,增加了QoS感知的Web服务组合优化难度。假设QoS及其聚合服从正态分布,构建一种QoS感知的鲁棒Web服务组合优化模型,重点讨论两个独立的正态分布随机变量的和、最大值、最小值和积的期望与均方差的计算方法。通过重新定义加减法操作算子,选择合适的适应度函数,设计一种支持约束条件的离散粒子群优化算法求解该模型。仿真实验表明,该模型具有较好的精度,所获取的组合服务具有较好的鲁棒性。     

基于多样性优化策略的粒子群算法

针对标准粒子群优化算法(SPSO)存在粒子群多样性丢失而易陷入局部最优的问题,提出了一种改进优化算法(PSOBF),该算法通过引入排斥操作而提高了搜索效率.通过对4个标准测试函数的性能数值实验对比,并比较了PSOBF、SPSO及ARPSO算法结果,证实PSOBF可以较好地实现全局与局部搜索的平衡,表明改进算法是有效的.     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．