智能算法在全终端网络可靠性优化设计中的应用

在计算机通信网络建设过程中,通信主干网的高可靠性一直是广大设计者和用户所关心的重大问题,分析了通信主干网的全终端可靠性优化设计问题,针对一种典型可靠性优化模型,分别设计了用于求解该模型的改进遗传算法、模拟退火算法、改进蚁群算法以及改进粒子群算法,并对该模型进行了优化求解,计算机仿真实例表明:粒子群算法在算法的优化质量和收敛速度上都优于其它三种算法,能够取得满意的优化结果,具有一定的实用价值.     

基于离散粒子群算法的航天器在轨服务任务分配问题研究

航天器任务分配对于提高多颗服务航天器之间的协同工作效率具有十分重要的意义;针对服务航天器协同目标分配问题特点,提出了一种基于离散粒子群算法的协同目标分配方法,设计了新的离散粒子群位置和速度更新公式,综合分析影响目标卫星价值、服务航天器损耗以及距离消耗等3项关键指标因素,建立了在轨服务任务分配问题的数学模型;仿真结果表明:离散粒子群算法具有收敛速度快、寻优能力强等优点,能够有效地解决多约束条件下的服务航天器协同任务分配问题,特别是在大规模的任务分配中,该方法具有很强的优越性。     

基于SPSO的机械流水线负载任务分配方法

在弱通信条件下,传统的机械流水线任务分配方法采用任务的随机分配,无法根据流水线的实际负载能力,将应有的任务量分配到相应的流水线上。提出一种基于简化粒子群优化算法(Simplified particle swarm optimization algorithm,SPSO)的高效机械流水线任务分配方法,首先对每个流水线的实际负载能力进行动态评估。然后采用粒子群优化算法对所有流水线负载分配相应的计算任务。由于每个负载的任务量是根据实际的流水线性能来分配的,所以可以使得全局的效率最优化。最后通过实验对算法的性能进行验证。结果显示,改进方法在基于粒子群优化的机械流水线任务分配下,任务根据流水线性能,呈现很好的聚类,算法收敛性好,分配任务速度快,具有很好的应用价值。     

多UCAV协同任务分配模型及粒子群算法求解

任务分配是多无人作战飞机(UCAV)协同控制的基础.对此,分析了影响任务分配的关键战技指标,建立了针对攻击任务的多UCAV协同任务分配模型.应用连续粒子群算法对问题进行求解,建立了粒子与实际问题间的映射,通过位置饱和策略构造粒子的搜索空间,采用自适应惯性权重提高粒子群算法的收敛速度和全局寻优能力.考虑到单机的任务载荷限制,引入了买卖合同机制以实现多机任务协调.仿真结果表明,所提出模型和算法可以较好地解决多UCAV协同任务分配问题.     

基于改进离散粒子群的蜂窝网络信道分配

为了提高蜂窝移动通信系统的频谱利用率,提出了一种基于改进离散粒子群算法的频率分配方法.基于文化算法的思想,设计了具有方向性的最优渐进式变异算子.当粒子出现聚集时,对粒子中的最优粒子执行文中引入的最优渐进式变异算子,在增强算法的局部搜索能力的同时,增强了算法的全局搜索能力.粒子采用了最小间距编码,压缩了求解空间加快了算法收敛.仿真实验结果表明,该算法在频率分配问题上的搜索能力更强,在21蜂窝小区中寻找到的最小可用频率数为40.     

基于改进PSO算法的任务分配研究

为了解决虚拟企业中的任务分配问题,建立了任务分配的多目标决策优化模型。分析了传统的PSO算法,通过设置算法中速度惯性权重和加速度系数的自动调整,以及引入遗传算法中的变异操作,实现了对该算法的改进。基于改进的PSO算法求解任务分配模型,研究了求解问题与粒子的映射以及采用TOPSIS计算粒子位置适应度的方法,进而设计了一种基于改进PSO算法的任务分配算法。通过应用实例及仿真实验,证明了改进的PSO算法应用于任务分配的可行性和有效性。     

基于改进离散粒子群算法的炼钢连铸最优浇次计划

提出了浇次数未知的最优浇次计划模型. 在分析该模型求解困难的基础上, 提出了用伪旅行商表示该模型的方法. 针对离散粒子群优化具有收敛速度、精度低, 但能充分利用各粒子的局部最优值和全局最优值信息的特点,而序列倒置算子具有收敛速度和精度较高, 但学习具有盲目性的特点, 结合二者优点, 提出了一种基于序列倒置的改进离散粒子群优化算法. 实验研究表明, 该算法与普通离散粒子群优化算法相比, 不论是收敛速度和还是求解精度都有了较大提高. 基于该改进算法求解最优浇次计划模型的研究表明: 所提伪旅行商问题模型非常适合用于组浇模型描述. 应用实际生产数据的计算表明该模型及其求解方法均非常有效.     

基于改进粒子群算法的多无人机任务分配研究

任务分配问题是多无人机协同控制的关键技术之一.在深入分析多无人机任务分配问题特点的基础上,对现有模型进行了扩展,建立了多无人机协同任务分配的混合移数线性规划(MILP)模型.对现有粒子群算法进行了改进,提出一种具有较强全局搜索能力的多子群多阶段粒子群算法,开展了粒子群算法在多无人机协同任务分配问题中的应用研究,主要针对粒子群算法的编码策略、约束处理、算子选取、参数设置等方面进行相应的调整和改进.最后对算法进行了仿真,仿真结果表明了该方法的有效性.     

基于粒子群算法的移动边缘计算任务分配方法

为提高移动终端任务分配效率,降低计算能量损耗,提出基于粒子群算法的移动边缘计算任务分配方法。通过构建异构网络获取完整的需要分配的任务,明确任务分配时所需的特定条件,即分配消耗和时延等。将分配任务转化成寻找分配结果的最优解,构建最优解模型,利用粒子群算法对模型实施求解,经过不断迭代和更新,生成最优边缘计算任务的分配结果。实验结果表明,粒子群方法在分配任务数量为20~100之间时计算时间在1 s~3.3 s;当任务数量为100时,本文方法能耗仅为4107 J;粒子群方法在任务达到率达到100%时,其时延仅为12.5 ms;其任务分配计算时间短、能量消耗小和数据传输的时延短,能较好地满足实际应用需要。     

基于多目标粒子群优化算法的装备维修任务分配

装备维修任务分配问题是典型的多约束/多目标/非线性规划问题,利用传统方法无法求解,因此提出了一种约束多目标粒子群算法,并运用该算法对装备维修任务分配问题进行了优化求解。仿真结果表明,约束多目标粒子群算法针对该问题,在不同参数和约束条件下都有很强的收敛寻优能力,能快速产生多个非支配解,是一种高效的算法,对实现装备维修任务分配的客观量化优化决策有重要作用。     

基于KnCMPSO算法的异构无人机协同多任务分配

随着无人机(Unmanned aerial vehicle, UAV)技术的广泛应用和执行任务的日益复杂,无人机多机协同控制面临着新的挑战.以无人机总飞行距离和任务完成时间为优化目标,同时考虑异构无人机类型、任务执行时序等多种实际约束,构建基于多种约束条件的异构无人机协同多任务分配模型.该模型不仅包含混合变量,同时还存在多个复杂的约束条件,因此,传统的多目标优化算法并不能有效地处理混合变量及对问题空间进行搜索并生成满足多种约束条件的可行解.为高效求解上述模型,提出一种基于拐点的协同多目标粒子群优化算法(Knee point based coevolution multi-objective particle swarm optimization,Kn CMPSO),该算法引入基于拐点的学习策略来更新外部档案集,在保证收敛性的同时增加种群的多样性,使算法能搜索到更多可行的任务分配结果;并基于二进制交叉方法,引入基于学习的粒子更新策略来提升算法的收敛性及基于区间扰动的局部搜索策略以提升算法的多样性.最后通过在四组实例上的仿真实验验证了所提算法在求解异构无人机协同多任务分配问题上的有效性.     

基于多种群进化与粒子群优化混合的频谱分配算法

为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。     

两群微粒群优化算法及其应用

针对微粒群优化算法容易陷入局部极值的缺陷,提出两群微粒群优化算法．通过对5种常用测试函数进行测试和比较,结果表明两群微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率明显提高．然后将两群微粒群优化算法用于催化裂化装置主分馏塔轻柴油95%点软测量建模,通过与实际工业数据对比,表明该软测量模型具有高的精度、好的性能和广阔的应用前景．     

高斯-柯西变异算子优化的LSSVM模型研究

论文针对标准量子粒子群算法易陷入局部极值的问题,提出一种改进的量子粒子优化最小二乘支持向量机的方法。利用高斯变异数的局部开发能力以及柯西变异数的全局搜索能力,在量子粒子群优化算法中,引入高斯-柯西变异算子,帮助算法跳出局部极值。并利用该优化模型进行光伏发电量预测实验,对优化的最小二乘支持向量机模型的预测结果与其他模型预测结果进行比较,结果表明:基于高斯-柯西变异算子的量子粒子群优化的最小二乘支持向量机对光伏发电量的预测具备较好的收敛速度和跳出局部收敛困境的能力。     

考虑空间众包工作者服务质量的任务分配策略及其萤火虫群优化算法求解

针对空间众包中的任务分配问题,考虑空间众包工作者的服务质量对分配结果的影响,从而提出了一种加入了工作者服务质量评价的任务分配策略。首先,在每个时空环境下,加入工作者的评价要素以建立充分考虑工作者服务质量和距离成本的多目标模型;其次,通过改进离散型萤火虫群优化算法的初始化及编码策略、位置移动策略、邻域搜索策略使算法收敛速度加快、全局寻优能力提高;最后,利用改进后的算法来求解模型。在模拟和真实数据集上的实验结果表明,该算法在不同规模数据集上较其他群智能算法可提高2%~25%的任务分配总得分。该算法考虑了工作者的服务质量后,可有效提高任务分配效率和最终总得分。     

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。     

基于分区间强化学习的集群导弹快速任务分配EI北大核心CSCD

针对集群导弹在线任务分配面临的环境不确定、耗时过长等问题,本文研究了一种基于分区间强化学习的集群导弹快速任务分配算法.首先,建立集群导弹的综合攻防性能模型,并将存在环境不确定性的集群导弹任务分配问题表述为马尔可夫决策过程.其次,针对该过程采用分区间强化学习,通过将搜索空间划分成若干个子区间,降低搜索维度,加快算法的收敛过程,并通过理论证明给出了最优区间划分依据.最后,通过3组仿真实验,分别从收敛速度、不确定条件下的寻优能力以及导弹和目标数量可变情况下的决策能力3个方面,验证了所提算法的快速性和优化性能.     

基于粒子群优化的异构多处理器任务调度算法

为提高异构多处理器任务调度的执行效率,充分发挥多处理器并行性能,提出一种基于粒子群优化的异构多处理器任务调度算法——FPSOTTS算法。该算法以求得任务最短完成时间为目标,首先通过建立新的编码方式和粒子更新公式实现粒子搜索空间到离散空间的映射,使连续的粒子群优化算法适用于离散的异构多处理器任务调度问题;同时通过引入禁忌算法进行局部搜索,克服粒子群算法的早熟收敛现象,避免陷入局部最优。实验结果表明,FPSOTTS算法的执行效率优于Min-min算法和遗传算法,有效地降低任务的执行时间。FP-SOTTS算法很好地解决了异构多处理器任务调度问题,并且适合于大规模并行任务调度。     

基于改进粒子群算法的空间众包任务分配模型

如何进行高效合理的任务分配是当前空间众包（SC）研究中的关键问题之一。针对SC分配效能低的问题,建立了最佳质量任务分配模型（maximum quality task assignment model,MQTAM）,并提出了基于改进粒子群算法的空间众包任务分配算法（SCTAM_PSO）。该模型充分考虑了工作者到达工作地点后完成任务的时间延迟、完成任务的可信度等因素,通过SCTAM_PSO算法智能搜索最佳分配方案以最大化提高任务完成质量。实验结果及分析表明MQTAM和SCTAM_PSO具有一定的有效性与可行性。     

基于改进DPSO的网格资源调度算法

基于市场经济模型的网格资源调度问题是一个典型的离散问题及NP-Hard问题,考虑到离散粒子群优化算法在解决离散问题上的有效性,本文在现有算法的研究基础上,提出一种基于改进的离散粒子群优化算法的网格资源分配和任务调度算法,并采用GridSim模拟器对相关算法进行仿真模拟实验和比较。实验结果表明,本文提出的调度算法在作业完成时间、综合性能以及资源的负载平衡方面均具有较大的优势。