现代智能优化算法研究

智能算法的研究不仅有利于国民经济的各个方面,而且给人们的各种活动带来方便,具有一定的理论意义及巨大的应用前景。综述了优化算法的研究动态,评述了群智能算法的发展现状,为后续群智能算法研究提供理论基础。     

大数据环境中群智能算法的应用研究

随着科技的快速发展,大数据时代已经到来.对于大数据的分析与处理推动社会经济的不断发展,在大数据背景下,数据规模、处理难点的优化问题也变得更加多样化,进而使优化方法成为人们日益关注的焦点.一种新型的计算技术——群智能算法,运用高效的优化算法对自然界社会性生物群体进行模拟,解决各个领域的实际问题.本文提出群智能算法中的自适应优化算法——粒子群算法,详细分析粒子群算法的原理,为了提高全局搜索能力及计算效率,本文加入了种群自适应增加/删除个体数目方法有效改进种群多样化,提高收敛速度及质量.基于逻辑斯谛模型的算子设计有效地增强了粒子群的多样性,自适应控制策略更具有一般性特征,可更好地应用到不同的群智能算法中,解决大数据问题的优化性.     

智能算法在稀布阵列天线中的应用研究

遗传算法、差分进化算法和粒子群算法是比较常用的几种智能算法,而稀布阵列天线也是目前阵列信号处理的主要研究趋势,具有一些常规阵列无法比拟的特性,将上述智能算法应用于稀布阵列天线中,并对3种算法在稀布阵列天线中的方向图主副比和收敛速度进行对比,为稀布阵列设计提供设计依据。     

群智能在网络路由中的研究及存在问题

本文介绍了当前网络路由中常用的计算智能方法,针对当前研究的现状提出了在群智能算法融合中需要解决的实际问题。进一步给出了群智能算法路在路由应用研究的方向,有助于算法早日规范,形成实际的路由协议。     

粒子群算法在工程优化设计中的应用

在工程优化设计中群智能算法的应用越来越广泛。为了能够更好的进行优化设计,文中以电机工程的实际条件为依据改进粒子群算法,通过外罚函数法来处理优化设计中的约束非线性优化问题。仿真结果表明,改进后的粒子群算法在工程优化设计中有较好的优化能力。     

基于Harris Hawks优化算法的介质波导滤波器优化设计

Harris Hawks优化(Harris Hawks optimization, HHO)算法是一种模拟鸟群合作捕食行为的新型群智能算法. 介质波导滤波器是当前5G移动通信设备急需的器件,因此如何利用新型优化算法高效且精确地对介质波导滤波器进行优化设计十分重要. 文中首先描述了HHO算法流程,并结合滤波器优化问题提出了一种通用框架;然后基于稳态假设对HHO算法的更新方程进行了理论分析,依据所导出的方程分析了算法的动态特性及收敛行为;最后利用HHO算法实现了两款介质波导滤波器的优化设计. 为验证算法性能,将本文算法与三个著名的群智能算法进行比较. 实验结果表明,HHO算法的收敛速度、效率和精度都明显优于目前业内主流应用的自适应差分进化算法、花粉授粉优化算法和灰狼优化算法.     

基于信息熵的改进狮群算法及其在组合优化中的应用

狮群算法是一种具有较强寻优能力的群智能算法.为了克服基本狮群算法中因狮王替换的长周期性导致收敛速度较慢,幼狮选择策略较盲目导致的前期遍历性不足,幼狮步长扰动因子受解空间影响过大和算法后期局部收敛速度慢等缺陷;本文在原始狮群算法的基础上改良了狮王的替换策略和幼狮选择的概率,引入信息熵分别控制不同幼狮的步长,引入狮王稳定因子解决幼狮后期选择的盲目性,并适当调整狮群整体构成方式.由信息熵的值来度量狮群算法中幼狮选择的不确定性,通过设置不同的扰动因子达到控制算法中不同幼狮的移动范围,实现算法的自适应调节并增大算法的鲁棒性.仿真实验、桁架优化算例和TSP问题求解对比验证了改进算法的有效性.该研究为组合优化问题的求解提供了一种新的思路和方法.     

无人机集群编队控制方法研究综述

随着无人机技术的进一步发展，多无人机编队飞行的研究也受到了越来越多的关注。无人机相互配合组成编队群，可以充分发挥单个无人机所不具备的优势，更能胜任复杂、多任务场景下的工作。对无人机集群编队控制方法进行分类，分为传统控制法、群体智能算法、深度强化学习算法；对各类方法进行分析，着重归纳讨论了领导者-跟随者方法、人工势场法、运动学控制方法、蚁群优化算法、粒子群优化算法、人工蜂群算法、深度Q网络算法、深度确定性策略梯度算法、多智能体深度确定性策略梯度算法，并给出各自的优劣势；对无人机集群编队控制方法进行总结，指出传统控制法已接近成熟，但为了实现无人机的智能自主协同编队控制，仍需在群体智能算法和深度强化学习算法上融合新的思想与改进，从而发挥大数量无人机在复杂场景下的优势。     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

改进型粒子群算法解决多维背包问题

微粒群优化算法(PSO)是一种基于种群的随机优化技术.将EDA算法与PSO算法结合起来,形成一种新的改进的算法(EPSO).算法将全局统计信息和全局最优解运用于解空间搜索,以期能更有效解决组合优化问题,最后将EPSO算法用于解决多维背包问题并进行了对比仿真实验.实验结果表明,在解决多维背包问题上,EPSO优于传统的PSO算法以及多种启发式智能算法,与此同时,EPSO算法使用更少的参数,因此更容易实现,运行更加稳定,效果更好.     

多策略集成的樽海鞘群算法的机器人路径规划

针对求解机器人路径规划问题,本文提出了一种多策略集成的樽海鞘群算法.在该算法中,提出了新的自适应领导者结构,以平衡算法的探索和开发能力;引入可以提高Lyapunov指数的Logistic-Cubic级联混沌映射作为食物源的扰动算子,来避免算法陷入局部最优;采用基于自适应参数的分散觅食策略使部分追随者探索有前景的区域.在CEC 2014测试集的多种函数上,本文算法与3种改进的樽海鞘群算法和5种先进的群智能算法进行比较,结果表明本文算法综合优化性能更好.本文算法2将其用于求解机器人路径规划问题,其中用三次样条插值对路径进行平滑.在障碍是8,9,13的环境下分别进行仿真实验,仿真结果表明,本文算法在给定的仿真场景下与给定的对比算法相比获得了最好的结果.     

基于PSO和LM的信号稀疏分解快速算法

传感矩阵和重建算法的性能分析和优化是目前压缩传感领域研究的热点。针对匹配追踪算法在信号稀疏分解中计算量巨大的难题,提出了一种交替使用粒子群算法和LevenbergMarquardt算法的混合智能算法来寻找最佳原子。首先利用粒子群算法得到群体最优解,再以该解作为LM算法的初值,交替使用两种算法,直至发现满意的最优解。数值分析表明,新算法克服了粒子群算法过早收敛于局部极值和LM算法依赖初值的问题,保证了求解的速度和精度。     

采用粒子群算法的频率选择表面优化设计

 粒子群优化算法作为优秀的群体智能算法之一,已经被广泛应用于电磁优化问题中.通过与时域有限差分(FDTD)算法相结合,粒子群优化算法被运用于频率选择表面的优化设计.在此过程中,通过使用图形处理器(GPU)加速技术将FDTD算法速度提高近100倍,配合FDTD的宽频特性显著加速了优化过程.在此基础上,针对给定单元结构以及未知单元结构两种频率选择表面设计情况,分别采用带惯性权重的粒子群优化算法以及二进制离散粒子群优化算法进行优化.提出的两种优化流程在算例中得到验证与分析,证明了其可行性及高效性.     

单目标-多条件约束S-P网络可靠性优化的微粒群算法

研究2-状态单目标-多条件约束串-并联(S-P)网络的可靠性优化问题(RAP)。设计了具有压缩系数的离散型微粒群算法进行求解,采用Matlab编程对问题实例进行模拟仿真,结果表明,对于合理选择的初始解与算法参数,微粒群算法每次运行都收敛,并且能够收敛到最优解。通过与传统的智能算法(模拟退火算法、蚁群算法、遗传算法)比较,微粒群算法具有初始解容易选择、参数易于设置,收敛性好、收敛快的优势。     

基于进化计算的二元序列优化算法研究

具有良好非周期自相关特性二元序列在通信同步、雷达等领域具有广泛的应用。通过对遗传算法、粒子群算法与量子粒子群算法三种进化算法进行对比分析,设计了具有良好非周期自相关特性的二元序列的搜索算法。研究结果表明,粒子群算法的搜索能力优于遗传算法,而量子粒子群算法具有参数少,易于控制的优点,取得了较好的优化结果。     

改进粒子群优化在稳定平台多空间分析模型的应用

常规伺服系统根据电机轴系转动进行模型分析,以轴系所在的基座空间作为参照系。稳定平台的被控量以惯性空间作为参照系,因此不适合用常规伺服系统模型来建模。针对稳定平台的多参照系问题,文章采用以惯性空间作为电机轴系转动参照系的多空间分析模型,并将改进粒子群算法应用于该模型。粒子群算法作为一种群智能算法,广泛应用于参数优化。文中通过惯性权重改进和越界改进,利用改进后的粒子群算法进行稳定平台PID参数的优化和整定。通过仿真和硬件实验平台验证,结果表明:在稳定平台多空间分析模型基础之上,采用改进粒子群算法优化后的PID控制器可以使稳定平台有更高的稳定精度、更好的鲁棒性,有效地隔离了外部的震动和干扰。     

改进帕累托算法求解超大规模多选择背包问题

实际生产生活中大量多选一的问题都可以转为多选择背包问题（MCKP），但MCKP是一个经典的NP难问题，因此对于超大规模MCKP而言，往往只能利用粒子群算法、狼群算法、鱼群算法等群智能算法对问题进行求解.对于群智能算法而言，高效快捷的贪心算法对于初始解的生成起着至关重要的作用.基于凸帕累托算法（CPA），提出一种能够快速求解线性支配子集的改进帕累托算法（IPA）.IPA首先选择各类项集的质量最小项，然后计算所有物品的价值密度，最后按照价值密度从高到低选择对物品进行贪心选择，若贪心选择项的价值大于其所在项集原有选择项，则进行迭代.仿真实验结果表明：IPA相比于CPA，求解速度平均提升98.86%.且PSO-IPA求解精度平均提升28.92%.     

粒子群优化算法在网格工作流调度中的应用

为了提高网格工作流管理系统的性能,将粒子群优化算法（PSO）引入到网格工作流的调度策略中．分析算法的基本原理,根据网格工作流调度的问题对其进行变形,提出基于粒子群优化算法的网格工作流调度策略,并与基于Dijkstra的网格工作流调度算法进行对比实验．实验数据表明,粒子群优化算法在网格工作流调度中的性能较好．     

基于粒子群算法的图像分割

文章对基于粒子群算法的图像分割进行研究。图像分割是在一个复杂的参数空间寻找最优分割参数。各种智能优化算法可以对复杂的非线性多维数据空间进行快速有效的计算,它不仅可以得到全局最优解,而且会使计算时间大大缩短。智能优化算法用于图像分割的关键是求解最优阈值。最优阈值的选取就是将智能算法作为优化工具,采用迭代的方式计算在某准则下目标函数的最优值,从而求解出分割图像的最优阈值。其中,粒子群算法是经典的智能优化算法之一。     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...