基于改进DPSO算法的并行测试任务优化调度研究

并行测试以减少测试时间和降低测试成本的强大优势,已成为当前自动测试系统发展的方向。针对并行自动测试过程中,测试任务调度复杂,难以优化的问题,以PSO算法为基础,通过对问题空间编码的重新定义,并运用交叉、变异算子给出了新的粒子位置的更新公式,提出了一种改进后的DPSO算法。依据并行测试完成时间极限定理,给出了并行测试任务调度的目标函数与约束条件。以某雷达电子装备并行测试系统中三块电路板并行测试为例,对改进的DPSO算法进行了仿真验证,得到了最优调度测试序列。结果表明：与遗传算法相比,改进后的DPSO算法迭代次数更少,寻优性能更好,适用于工程应用。     

改进人工蜂群算法优化ELM分类模型

针对极限学习机(Extreme Learning Machine,ELM)参数优化问题,提出改进人工蜂群算法(Improvement Artificial bee colony, IABC)优化ELM分类模型。算法采用解更新策略池代替固定不变的更新策略,将邻域搜索自适应化;优化侦察蜂搜索方式,利用Kent映射产生均匀性更优的初始随机数序列。在分类数据集中,将IABC-ELM分类模型同ELM、PSO-ELM分类模型进行对比实验。实验中,IABC-ELM模型取得了最佳的分类结果,得到了最低的输出权重范数。结果表明,IABC-ELM模型分类效果显著优于对比模型,证实了IABC算法优化ELM分类模型的有效性和优越性。     

一种改进人工蜂群的分数阶PID控制器优化算法

摘 要：针对分数阶PID控制器参数整定过程参数多复杂性大,传统靠经验试凑的方法不易实现且优化效果差的问题,提出了一种改进的人工蜂群算法,实现分数阶PID控制器参数的整定.该算法通过改进人工蜂群算法中搜索方程,并引入一个淘汰机制,对分数阶控制器参数进行群智能搜索,将搜索到的参数送至分数阶PID控制器中反复迭代,以带有权值的误差绝对值积分指标（AIE）作为人工蜂群寻优的目标函数,最后得出控制器.本文以非线性系统为被控对象,经过实例仿真,验证了该算法实现的控制器比传统整数阶控制器和未改进的人工蜂群算法实现的分数阶控制器的动态性能和稳态性能都有所提高,在超调、上升时间、振荡性方面都优于未改进算法.     

一种基于人工蜂群算法的混沌信号盲分离方法

混沌信号所固有的非周期、宽带频谱和对初值极度敏感等特性使得对这类信号进行盲分离极为困难. 针对这一问题, 提出一种新的盲分离方法, 该方法通过相空间重构来构造代价函数, 将混沌信号的盲分离转化为一个无约束优化问题, 并利用人工蜂群算法进行求解. 不同于现有的独立成分分析方法仅使用混合信号的统计特性来解决分离问题, 该方法能充分利用混合信号内在的动态特性, 因而在处理混沌信号这种确定性信号时能获得更好的分离效果. 此外, 正交矩阵的参数化表示有效地降低了盲分离问题的复杂性, 使优化过程能快速收敛. 实验结果表明, 该方法具有较快的收敛速度和较高的数值精度, 在分离混沌信号时其整体性能优于现有的几种盲分离方法. 同时, 在分离混沌-高斯混合信号的实验中该方法也展现出优异良好的性能, 这表明该文的方法有应用潜力.     

基于神经元网络和人工蜂群算法的拉曼光纤放大器设计方案

介绍了一种将反向传播(BP)神经网络算法与人工蜂群算法相结合的方法,并用该方法对多泵浦拉曼光纤放大器的设计进行了优化.通过研究多层BP神经网络中的隐藏层层数和神经节点数,确定了最佳的学习模型,该模型可以精准地反映泵浦波长和泵浦功率与拉曼净增益分布间的映射关系,能代替传统求解拉曼耦合波方程的方法.同时,为了提高增益谱的平坦性,采用人工蜂群算法来优化泵浦参数,得到了最优的泵浦波长和泵浦功率.仿真结果表明,通过将训练好的BP神经网络模型加入到人工蜂群算法中,所研究的拉曼放大器达到了期望的增益性能,且其目标值与预测值的最大误差不超过0.29 dB.该设计方案为拉曼光纤放大器的研究提供了新的思路和方法.     

基于人工蜂群的无线传感器网络能耗均衡算法

由于无线传感器网络中的节点链路状况、数据传输能耗及节点剩余能量的限制,造成网络中部分感知节点寿命缩短,影响网络生存周期,提出了一种基于人工蜂群算法的WSNs能耗均衡算法,优化网络能耗均衡,从而提高网络寿命;文章给出了网络能耗相应的数学模型及优化求解算法,介绍人工蜂群算法的寻找食物过程,阐述了人工蜂群算法在网络能耗均衡方面的实现步骤;通过实验仿真证明,文章提到的算法与LEACH分簇算法、蚁群优化算法相比,具有更好的能耗和负载均衡能量、丢包率和时延性,有效地提高了网络生存周期。     

金团簇结构的人工蜂群算法研究

采用具有群体智能的蜂群优化算法(ABC)结合半经验Gupta原子间相互作用势对金团簇Au_n(n=2~100)的稳定结构、结合能(Eb)、平均结合能(Eab)、平均间距(ra)、对称性(PG)、一阶差分(ΔE1)和二阶差分(ΔE2)进行了研究.结果表明:一、ABC算法在中小尺度团簇上具有良好的全局寻优能力,其与遗传算法(GA)、动态格点搜索(DLS)等算法结果吻合非常好,当团簇尺度增大时,与其它算法一样,标准ABC算法的全局最优搜索能力也逐渐减弱;二、ABC算法中三参数取值对最优解获取有直接影响,当团簇尺度n小于60时,中等参数值即能获得最优解,当n大于60时,为平衡计算时间和精度,较大的最大迭代次数(g_(max))、中等或偏小的可行解尺度(SN)和最大侦查蜂数目(glimit)取值是一种较好的选择;三、通过对ABC和文献结果比较,几个金团簇的新低能结构被提出和确认,另外,本文首次对Au_(91)~Au_(99)进行了系统描述.     

金团簇结构的人工蜂群算法研究

采用具有群体智能的蜂群优化算法(ABC)结合半经验Gupta原子间相互作用势对金团簇Aun(n=2~100)的稳定结构、结合能(Eb)、平均结合能(Eab)、平均间距(ra)、对称性(PG)、一阶差分(∆E1)和二阶差分(∆E2)进行了研究。结果表明: 一、ABC算法在中小尺度团簇上具有良好的全局寻优能力,其与遗传算法(GA)、动态格点搜索(DLS)等算法结果吻合非常好,当团簇尺度增大时,与其它算法一样,标准ABC算法的全局最优搜索能力也逐渐减弱;二、ABC算法中三参数取值对最优解获取有直接影响,当团簇尺度n小于60时,中等参数值即能获得最优解,当n大于60时,为平衡计算时间和精度,较大的最大迭代次数(gmax)、中等或偏小的可行解尺度(SN)和最大侦查蜂数目(glimit)取值是一种较好的选择;三、通过对ABC和文献结果比较,几个金团簇的新低能结构被提出和确认,另外,本文首次对Au91~Au99进行了系统描述。     

金团簇结构的人工蜂群算法研究

采用具有群体智能的蜂群优化算法(ABC)结合半经验Gupta原子间相互作用势对金团簇Aun(n=2~100)的稳定结构、结合能(Eb)、平均结合能(Eab)、平均间距(ra)、对称性(PG)、一阶差分(∆E1)和二阶差分(∆E2)进行了研究。结果表明: 一、ABC算法在中小尺度团簇上具有良好的全局寻优能力,其与遗传算法(GA)、动态格点搜索(DLS)等算法结果吻合非常好,当团簇尺度增大时,与其它算法一样,标准ABC算法的全局最优搜索能力也逐渐减弱;二、ABC算法中三参数取值对最优解获取有直接影响,当团簇尺度n小于60时,中等参数值即能获得最优解,当n大于60时,为平衡计算时间和精度,较大的最大迭代次数(gmax)、中等或偏小的可行解尺度(SN)和最大侦查蜂数目(glimit)取值是一种较好的选择;三、通过对ABC和文献结果比较,几个金团簇的新低能结构被提出和确认,另外,本文首次对Au91~Au99进行了系统描述。     

基于改进蜂群算法的倒立摆控制器优化设计

环形倒立摆系统以其非线性、不稳定、高阶的、强耦合的特性,已经成为控制理论教学以及模拟机器人行走、卫星飞行姿态等复杂系统控制的重要实验平台;文章中引入了LQR控制算法,实现对倒立摆的稳定控制;而为了避免LQR控制器设计过程中反复调节加权矩阵Q,R的复杂性,同时得到更优异的控制效果,将人工蜂群(ABC)算法应用于LQR控制器设计中;而为了克服传统蜂群算法的缺陷,加快收敛速度和增加种群的多样性,在雇佣蜂阶段和跟随蜂阶段对算法进行了改进;仿真结果表明,改善的ABC算法的能够很好地完成LQR控制器参数寻优,控制效果良好。     

基于蜂群算法的多目标加权优化负荷频率控制研究

为进一步提高两区域互联再热火力发电系统中工作频率和联络线功率的稳定性,提出了一种加权和多目标对负荷频率控制（LFC）的优化方法;采用人工蜂群算法（ABC）和加权和方法实现LFC的多目标优化,而后将其转化为复合目标函数;根据负荷需求变化和系统参数变化情况,利用加权和方法对复合目标函数做归一化处理,使得两区域PID控制器增益达到同步调谐,获得了频率响应的调节时间和超调量达到最佳折中条件。仿真结果表明,该方法简单有效,在不同的运行条件和系统参数变化情况下具有良好的鲁棒性。     

基于混沌人工蜂群算法的无线传感器网络覆盖优化

针对无线传感器网络随机播撒的节点严重冗余并且导致网络寿命短、覆盖效率不高等缺陷,提出了一种混沌人工蜂群算法的无线传感器网络覆盖优化算法;将节点的利用率和覆盖率作为优化目标函数,建立与之对应的数学模型,之后用混沌人工蜂群算法改善人工蜂群算法陷入局部最优、收敛慢等问题,提高算法收敛速度和精度,对节点覆盖模型进行求解,得出网络最优覆盖方案;通过实验仿真,提出的算法提高了无线传感器网络的覆盖率,覆盖率可达93.48%以上,减少了网络节点冗余,提高了网络寿命,降低了网络成本。     

Mean shift tracker with Chaotic Artificial Bee Colony and Space Variant Resolution

A novel mean shift algorithm is proposed for object tracking in this paper. The mean shift procedure with Chaotic Artificial Bee Colony (Chaotic ABC) and Space Variant Resolution (SVR) of human visual system is utilized for adaptation of the target acceleration and estimation of the target's scale and orientation changes. In order to test the effectiveness and robustness of our proposed method, two groups of experiments were carried out and the related results of the proposed mean shift tracker with Chaotic ABC and SVR (MS-Chaotic ABC&SVR) are compared with three other algorithms, which demonstrate that our proposed approach is most robust and effective in solving object tracking problems than the others.     

一种用于云计算资源调度的双向蚁群优化算法

对云计算环境中的资源调度问题进行了研究,针对蚁群优化算法(ACO)在处理大规模组合优化问题时易陷入搜索速度慢和局部最优解的缺陷,提出了一种实现云计算负载均衡的双向蚁群优化算法(BACO)用于资源调度;该算法考虑到了每个虚拟机的负载和计算能力,同时在云环境中引入了蚂蚁的向前移动和向后移动;最后通过在CloudSim平台进行仿真实验,结果表明该算法的总任务完成时间较短,具有较好的寻优能力,并且能够实现负载均衡,是一种有效的资源调度算法。     

Investigation on Identifying Implicit Learning Event from EEG Signal Using Multiscale Entropy and Artificial Bee Colony

The way people learn will play an essential role in the sustainable development of the educational system for the future. Utilizing technology in the age of information and incorporating it into how people learn can produce better learners. Implicit learning is a type of learning of the underlying rules without consciously seeking or understanding the rules; it is commonly seen in small children while learning how to speak their native language without learning grammar. This research aims to introduce a processing system that can systematically identify the relationship between implicit learning events and their Encephalogram (EEG) signal characteristics. This study converted the EEG signal from participants while performing cognitive task experiments into Multiscale Entropy (MSE) data. Using MSE data from different frequency bands and channels as features, the system explored a wide range of classifiers and observed their performance to see how they classified the features related to participants’ performance. The Artificial Bee Colony (ABC) method was used for feature selection to improve the process to make the system more efficient. The results showed that the system could correctly identify the differences between participants’ performance using MSE data and the ABC method with 95% confidence.