基于粒子群算法的水稻用水的优化配置

本文旨在实现水稻用水资源的优化配置.早稻、一季稻和晚稻等不同类型水稻的用水,以及同一类型的水稻在不同的生长阶段,均存在着用水优化配置的问题.粒子群优化算法比较容易操作,在计算方面具有效率和精度高的优点,可以应用于水稻用水的优化配置模型的求解.以衡阳县高炉村的水稻用水优化配置为具体算例,验证了算法的可行性.     

一种改进的粒子群优化算法及其算法测试

粒子群算法原理简单、参数少、易于实现,但有时容易陷入局部最优解,收敛速度慢.本文在粒子群算法理论研究的基础上,对算法的初始值选取、惯性权重取值、算法结构进行了改进:首先采用线性惯性递减权重调整,平衡全局搜索和局部搜索的能力;然后通过logistic映射将混沌状态引入到优化变量中,增强搜索空间的遍历性;最后引入遗传算法中的选择、交叉、变异保持了种群的多样性,使其具有不易陷入局部最优的能力.采用六种典型的测试函数,对惯性权重和算法进行了测试和对比分析.结果表明,算法在收敛速度和精度上都有所提高.     

一种使用单纯形法优化的粒子群算法

根据单纯形法和粒子群算法的各自特点,提出了一种使用单纯形法优化的粒子群算法,算法利用单纯形法来对粒子群算法的初始值进行处理.数值实验表明,优化后的粒子群算法具有更好的的寻优能力.     

基于粒子群算法的匹配小波的构建

本文研究了在波形匹配原则下的匹配小波的构建问题.利用结合结构化小波滤波器组理论和粒子群算法,获得了构造最优匹配小波的粒子群算法,推广了匹配小波的构建方法.     

基于粒子群算法的大型网络计划费用优化

大型网络计划费用优化对科学有效地进行工程项目进度管理具有重要意义,但大型网络计划费用优化随工作个数增加而约束方程和计算量骤增,成为数学和计算机科学领域至今未解决的难题.借助建立评价函数、设计进化方程、设计网络计划时间参数的计算机算法等基础工作,选择工作持续时间作为粒子空间坐标并设置可行解范围,用蒙特卡洛方法和限制条件优化初始粒子群,用二维动态数组解决大型网络计划粒子群算法优化运行image超限问题,成功求解有61个工作的大型网络计划费用优化算例.因此,经过特定设计的粒子群算法是微机和有限的计算时间条件下求解大型网络计划费用优化问题的一个有效方法.     

基于粒子群算法的大型网络计划资源优化

现有求解网络计划资源优化的方法中,解析法不能解决大型复杂网络优化问题,启发式方法过多依赖具体问题、求解效率低,遗传算法生成新一代优化解种群依据的三个算子的实现参数选择,大部分依靠经验并严重影响解的品质,粒子群算法存在大型网络计划资源优化计算量过大和缺少大型网络计划资源优化算例问题.借助设计网络计划时间参数的计算机算法、建立评价函数、设计进化方程等基础工作,选择与工作开始时间相关的变量作为粒子空间位置,用蒙特卡洛方法和限制条件优化初始粒子群,设置可行解范围,用二维动态数组解决大型网络计划资源优化运行image超限问题,通过粒子群算法进化,寻求大型网络计划资源优化解,算例表明基于粒子群算法的大型网络计划资源优化效果明显,粒子群算法参数分析表明:粒子群算法的参数会影响网络计划资源优化结果,而且初始粒子群限制条件和优化目标设置的影响程度较大.     

基于遗传算子粒子群算法的拖轮动态调度

随着中国港口的发展,进出港口的船舶日益增多,使用拖轮的艘次逐渐增加.而当前极大部分港口所采用的基于人工经验的拖轮调度方案已难以保证船舶的顺利进出港口.如何根据复杂多变的进出港情况来制定合理的拖轮调度方案,已成为当前众多港口迫切需要解决的问题之一.通过分析港口拖轮作业过程与特点,建立了拖轮动态调度的数学模型,采用了基于动态遗传算子的改进粒子群优化算法对该模型进行求解.案例分析表明该拖轮动态调度模型是有效的.通过和传统粒子群算法对比分析,基于遗传算子的粒子群算法不仅在收敛速度上有明显的提高,而且求得的解更优.为港口拖轮动态调度的科学决策提供了依据.     

基于粒子群算法的非线性二层规划问题的求解算法

粒子群算法（Particle Swarm Optimization，PSO）是一种新兴的优化技术，其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。该算法简单易实现，可调参数少，已得到了广泛研究和应用。本文根据该算法能够有效的求出非凸数学规划全局最优解的特点，对非线性二层规划的上下层问题求解，并根据二层规划的特点，给出了求解非线性二层规划问题全局最优解的有效算法。数值计算结果表明该算法有效。     

一种多种群综合学习粒子群优化算法

针对综合学习算法(Comprehensive learning particle swarm optimization,CLPSO)在解决全局优化问题时精度不高且收敛速度慢的问题,提出一种多种群综合学习算法(MS_CLPSO).该算法将传统粒子群算法的社会部分引入CLPSO算法,有效提高了算法的收敛速度和局部开采能力;同时,为扩大粒子的空间搜索范围,算法引入多种群策略,提高了算法全局勘探能力;并针对可能陷入局部极值的粒子,采用全局学习策略更新学习样本,增加了种群中粒子多样性.实验结果表明,在处理单峰和多峰标准测试函数中,MSCLPSO算法有效提高了CLPSO算法的精度和收敛速度.     

合作博弈的粒子群算法求解

随着局中人人数的增加,利用传统的“占优”方法和“估值”方法进行合作博弈求解无论从逻辑上还是计算上都变得非常困难。针对此问题,将合作博弈的求解看作是局中人遵照有效性和个体理性提出分配方案,并按照一定规则不断迭代调整直至所有方案趋向一致的过程。依据该思路,对合作博弈粒子群算法模型进行构建,确定适应度函数,设置速度公式中的参数。通过算例分析,利用粒子群算法收敛快、精度高、容易实现的特点,可以迅速得到合作博弈的唯一分配值,这为求解合作博弈提供了新的方法和工具。     

基于遗传算法的座位优化控制模型

座位优化控制是航空运输界增加利润的有效方法 .基于旅客的需求预测 ,可以利用数学规划模型为不同的航段和票价组合计算座位销售上限或者销售竞价 ,从而达到单个航班收入最大化的目的 .常用的方法可分为确定模型和概率模型 ,但对多航段多舱位的优化问题 ,由于出现了复杂的组合和约束 ,这些模型必须简化 .提出了基于遗传算法的座位优化控制模型 ,并和常用的优化方法进行了仿真对比 .研究结果表明 ,遗传算法应用于座位优化 ,可得到满意的解 ,同时 ,遗传算法简化了复杂的约束关系 ,易于实现 ,具有明显的优势 .     

基于粒子群优化算法的库存不确定性分析

库存不确定性问题是供应链不确定性研究的重点之一.利用粒子群优化算法快速搜寻最优解的优点对库存不确定性问题进行仿真分析,得出了库存不确定性环境下的最优解,这说明了粒子群优化算法能够辅助供应链管理者在不确定性环境下对供应链进行优化设计和决策分析.     

粒子群优化的收敛分析及在广义预测控制中的应用

在进行粒子群优化的收敛性理论分析的基础上,推出了保证粒子群优化算法收敛性的参数设置区域,合理选择粒子群算法的关键参数,将粒子群优化与广义预测控制有机融合,用粒子群算法来解决广义预测控制的优化问题,提出基于粒子群优化的广义预测控制算法,通过工业过程对象的仿真并和传统的广义预测控制算法进行了对比分析,表明了该算法的有效性,特别是算法具有良好的输出跟踪精度和较强的鲁棒性.     

基于改进粒子群算法的翼型稳健型气动优化设计

基于标准粒子群算法,将位移变化作为影响微粒速度的变量,使得粒子群算法关于粒子位置为二阶精度函数,加快了收敛速度;进一步地在粒子速度更新公式中引入振荡环节,提高了群体多样性,改善了算法的全局收敛性．以改进粒子群算法为基础,结合气动分析程序、代理模型以及翼型参数化方法,构建了翼型稳健型气动优化设计系统．针对某型客机的基本翼型以及翼梢小翼翼型气动优化设计结果表明,优化后的翼型气动特性相对于初始翼型在较宽的设计范围内都有了大幅度提高．     

基于近邻刺激的改进粒子群优化算法

针对粒子群算法在优化复杂问题时收敛速度慢和易早熟的缺点,提出了基于近邻刺激的改进粒子群优化算法(NSPSO),通过增加一维刺激机制,加强了种群中粒子相互间的信息交流,改善了粒子的学习能力和算法的搜索能力.同时,粒子在速度更新时自适应采用两种更新机制,防止了陷入局部最优,也增强了粒子的搜索效率.在8个测试函数上的实验表明,与一些改进的粒子群算法相比较,在6个函数上的收敛精度和收敛速度都优于其他改进算法,且t检验结果证明了NSPSO算法具有明显的优势,并通过混合动力汽车能源控制策略的优化问题,进一步验证了NSPSO的有效性.     

基于CUDA的边界变异量子粒子群优化算法

针对量子粒子群优化算法面对复杂优化问题时,临近最优解的搜索阶段存在收敛速度慢、在边界附近全局搜索性差的问题,提出了基于CUDA的边界变异量子粒子群优化算法.GPU(图形处理器)以多颗密集的计算核心模拟粒子的搜索过程,利用并发的优势提升粒子搜索速度;边界变异则通过以随机概率将边界粒子扩散到更大的搜索域,增加种群的多样性,提升粒子群的全局搜索性.对若干优化算法的仿真实验表明,所提出方法具有较好的全局收敛性,且同等目标精度下,取得了较高的有效加速比.     

基于粒子群优化的神经网络预测模型

BP学习算法多采用梯度下降法调整权值,针对其易陷入局部极小、收敛速度慢和易引起振荡的固有缺陷,提出了一种改进粒子群神经网络算法.其基本思想是:首先采用改进粒子群优化算法反复优化BP神经网络模型的权值参数组合,再用BP算法对得到的网络参数进一步精确优化,最后用得到精确的最优参数组合进行预测.实验结果表明,该算法在股指预测中的预测性能明显提高.     

基于样块和粒子群算法的图像修复

图像修复是近年来图像视觉研究当中的一个热点.Criminisi算法是一种比较常用的方法.为了消除原算法当中置信度和数据项相互影响的问题,并且考虑到平滑项对图像的锐化作用,对优先权的计算重新进行了调整.而将粒子群算法运用到最佳匹配块的搜索过程当中,避免了全局搜索带来的大工作量和不准确性,提高了算法的修复效率和准确性.经过仿真实验证明,改进后的算法不仅在PSNR值上有所提高,修复效果也更符合人们的视觉需求.