基于蚁群和粒子群的混合光网络路由优化算法

基于蚁群算法和粒子群算法的特性,提出解决光网络路由问题的混合算法。研究了将粒子群算法生成的信息素作为蚁群算法的初始解,然后利用蚁群算法寻找更优解,再由粒子群算法进行变异、交叉操作,得到了"三阶段"的混合算法。仿真结果表明,在解决光网络路由问题时,混合算法比其他几种优化算法效果较好。     

基于QPSO粒子滤波的航空发动机突变故障诊断

针对标准粒子滤波算法对突变故障诊断迟缓的问题,提出了量子行为粒子群优化(Quantum-behaved particle swarm optimization,QPSO)的粒子滤波算法。该算法引入权值偏差系数的概念,当权值偏差系数超出设置的阈值时,认为系统发生故障,并结合最新的观测值,将量子行为粒子群优化算法融入到粒子的采样过程中,驱使粒子向高似然区域移动,提高粒子群对突变故障的估计性能。仿真结果表明,与标准粒子滤波算法相比,量子行为粒子群优化的粒子滤波算法显著提高了对突变故障的反应速度。     

基于L1范数的k平面聚类算法设计

基于L2范数度量的k平面聚类(k-Plane Clustering,k PC)设计思想,本文提出了一种采用L1范数度量的聚类算法。由于在平面更新步骤中,所导出的优化问题是非凸的,文中给出了一种求解方法,即将非凸问题转化为有限个子集上的凸问题,为避免求解多个优化问题导致训练时间过长问题,本文还设计了一种新的优选策略,有限个子集的搜索任务可在线性时间内完成。本文所提出的方法只需要求解k个线性规划,而不再是k PC的求解特征值问题。在人工和UCI数据集上的实验结果表明:基于L1范数平面聚类算法的训练和测试时间更短,且在大多数数据集上均表现出了更好的聚类性能。     

一种新PSO混合算法在直升机配平中的应用

直升机配平计算是动力学分析的基础，其实质是求解高维复杂的非线性方程组。针对经典算法与智能算法的特点与不足，提出了一种求解非线性方程组的新粒子群方法。在粒子群(Particle swarm optimization, PSO)算法的基础上，根据模拟退火(Simulated annealing, SA)思想，引入了嵌入式LM (Levenberg-marquardt)优化 算子。该方法充分发挥了3种算法的优势，克服了LM算法初值敏感性，PSO算法易陷入局部极值等问题。通过UH-60A直升机实例配平计算，验证了本文算例模型的准确性。在此基础 上，针对某一前飞状态下的配平算例，在收敛可靠性和计算效率上通过与其他算法进行对比，表明该算法具有可靠的收敛性和较高的计算效率，进一步验证了该算法在配平问题上的可信度与实用性，为直升机飞行动力学问题的处理提供了一种新的有效方法。     

联合模糊c-均值聚类模型

提出一种新的结合了模糊c-均值聚类（FCM）算法和可能性c-均值聚类（PCM）算法优点的联合模糊c-均值聚类（AFCM）算法。它克服了PCM对初始值敏感、易产生一致性聚类的缺点，是PCM的扩展算法。试验表明：AFCM能同时产生隶属度和典型值，从而更好地处理噪声，避免了一致性聚类，同时提高了聚类准确性。     

基于Hammerstein模型的非线性建模与预测控制

所有实际的运动机构中都包含一定的非线性,对其进行精确的建模和控制是运动控制中具有挑战性的难题。文中提出了基于粒子群优化算法的RLS-PSO系统辨识建模方法,所得伺服转台模型具有良好拟合效果;对该模型提出改进的两步法,应用基于预测函数控制(Predictive functional control,PFC)的全局优化预测控制;伺服转台的仿真运行结果表明跟踪效果良好。     

遮荫条件下光伏发电最大功率的智能跟踪方法综述

局部遮荫条件下光伏发电将会产生多峰值输出功率,可能导致最大功率点跟踪失效从而造成能量损失。本文对两类最大功率智能跟踪方法进行归纳和评述,第一类方法是传统的控制算法,如粒子群算法等;第二类方法是混合算法,如粒子群和电导增量混合算法等。结果表明:尽管第一类方法能对光伏发电中复杂的非线性、多峰值功率进行寻优,但收敛时间较长和收敛精度不够高;第二类方法可以扬长避短,有效地发挥各算法的优点,提高搜索性能;如粒子群与电导增量混合算法,在0.25 s附近跟踪到最大功率点,其精度达到98.2%;电导增量法在0.29 s附近跟踪到最大功率点,其精度仅为88.5%;而粒子群算法在0.27 s跟踪到最大功率点,其精度仅为95.9%。该综述对未来全局最大功率点跟踪技术的发展提供了指导。     

两种基于图论的聚类算法改进(英文)

近年来,基于图论的聚类算法被广泛地应用在数据聚类和图像分割之中。聚类任务主要是挖掘一组给定数据隐含的分布规律和结构信息,而图像分割则是将一幅图像划分为若干互不交迭区域的过程。主要讨论两种比较流行的基于图论的聚类算法,即基于有向树的数据聚类算法和基于最小生成树的图像分割算法。创新在于:(1)改进基于有向树的数据聚类算法,将其应用于图像分割;(2)改进基于最小生成树的图像分割算法,将其应用于数据聚类。在人工数据和实际图像数据上的实验结果表明,改进的有向树算法可以很好地分割图像并保留图像中足够的细节,而改进的最小生成树聚类算法能比较好地聚类具有流形结构的人工数据。     

基于粒子群优化的多导弹动态武器目标分配算法

针对复杂多变的未来战场环境,对空防御系统需要实现对多个目标进行武器分配。由于传统静态武器目标分配（Static weapon target assignment, SWTA）模型受到很多因素的限制,无法适应战场态势的快速变化。为了解决多导弹的动态武器目标分配（Dynamic weapon target assignment, DWTA）问题,将对空防御过程离散为多个阶段,并根据战场实时态势数据构建了DWTA的数学模型,提出了一种改进的粒子群优化算法,引入了武器转火时间窗等约束条件,在算法中考虑拦截概率和导弹耗费等多个指标。最后通过大量仿真实验,验证了粒子群算法进行多导弹目标分配的合理性和有效性。     

改进相似性度量的谱聚类算法

传统的谱聚类算法通常利用高斯核函数作为相似度函数,由于算法对核参数非常敏感,且难于确定一个合适的尺度参数。为解决该问题,通过改进相似度函数,给出了谱聚类算法。在人工数据集和UCI数据集上的仿真实验表明,该算法提高了聚类的准确度,提升谱聚类算法的性能。     

协同多目标攻击空战决策的启发式粒子群优化算法

利用协同多目标攻击战术的特定知识，并结合粒子群算法，提出了一种用于空战决策的启发式粒子群算法。该算法利用粒子群算法对解空间探索能力强，容易跳出局部最优陷井及启发式算法局部搜索能力强的优点，快速、高效地对全局最优值进行搜索。该算法通过求解友机导弹对目标的最优分配来确定空战决策方案。仿真实验结果表明。本文算法对最优空战决策方案的搜索性能明显优于普通粒子群算法及其他两种遗传算法。     

Solving Job-Shop Scheduling Problem Based on Improved Adaptive Particle Swarm Optimization Algorithm

An improved adaptive particle swarm optimization(IAPSO)algorithm is presented for solving the minimum makespan problem of job shop scheduling problem(JSP).Inspired by hormone modulation mechanism,an adaptive hormonal factor(HF),composed of an adaptive local hormonal factor(H l)and an adaptive global hormonal factor(H g),is devised to strengthen the information connection between particles.Using HF,each particle of the swarm can adjust its position self-adaptively to avoid premature phenomena and reach better solution.The computational results validate the effectiveness and stability of the proposed IAPSO,which can not only find optimal or close-to-optimal solutions but also obtain both better and more stability results than the existing particle swarm optimization(PSO)algorithms.     

基于改进PSO算法的导弹控制参数优化

研究了将粒子群算法(PSO)应用于空对空导弹控制参数自动设计的方法,解决导弹控制参数手工设计中遇到的困难与问题.标准PSO算法在导弹静稳定工作点参数优化中表现出良好性能,但在静不稳定工作点优化时容易限入局部最优,因此引入遗传算法(GA)的杂交思想对标准PSO算法进行了改进,以扩大解空间的范围.仿真结果表明:改进后的PSO优化算法具有更强的全局搜索能力,获得的参数能够满足给定的性能指标,并且可以节省大量的设计时间,具有很高的工程应用价值.     

基于改进微粒群算法的无人机姿态控制参数智能整定(英文)

提出了基于改进微粒群算法的无人机姿态控制器参数智能整定方法.标准微粒群算法在搜索后期由于群体缺乏多样性而容易出现收敛停滞现象,为此提出了一种改进的微粒群算法.标准微粒群算法中的微粒速度是根据惯性运动、群体历史最优位置和自身历史最优位置来调节的.改进微粒群算法中的微粒除了保持惯性运动外,仅向当前群体中任意更优个体的状态学习,而且惯性权重系数是随机数.改进方案减少了算法不确定参数,简化了微粒学习机制,且增强了群体多样性.本文构建了无人机姿态控制系统,将改进微粒群算法用于四个控制参数的寻优整定.仿真结果表明,改进微粒群算法比一般微粒群算法具有更强的全局搜索能力,故获得更优的无人机姿态控制参数.     

多旋翼无人机飞行控制自动调参技术

目前,多旋翼无人机控制器设计问题中存在着大量的依靠经验的调参工作。为了使调参简单而又可靠,本文基于控制器参数与控制系统性能响应存在的对应关系,提出了自动调参思想。在满足控制器各项性能指标的前提下,利用粒子群算法(Particle swarm optimization,PSO)提炼出优化目标和约束条件。对被控对象进行建模并搭建非线性模型。然后,利用工程实践方法估算出参数范围,并利用粒子群快速优化特点自动寻找在约束条件下符合性能指标的控制器参数。最后,通过Matlab/Simulink对模型进行仿真验证。仿真结果分析表明,PSD可快速准确地对飞行控制进行自动调参。     

AC-PSO算法在无人机任务规划中的应用

无人机飞行中合理的路线规划可以减小飞行时间、降低油耗,减小被敌方发现、攻击的可能,从而提高了完成任务的概率.鉴于大部分无人机是以一个相对固定的高度进行侦察和任务飞行,故可将无人机的飞行任务规划视为二维平面的TSP问题.本文进一步将地面防空威胁与飞行距离统一量化,通过求解TSP求取最优无人机任务规划.文中通过分析蚁群算法与粒子群算法,提出了一种新的混合方法AC-PSO算法解决TSP求解问题.算法借鉴了蚁群算法的路线构造方法和粒子群算法的进化策略思想,同时给出了提升算法效率的一些措施.实验验证,该算法和威胁建模方法相结合,能有效地满足无人机飞行任务规划的要求.     

Multi-target Collaborative Combat Decision-Making by Improved Particle Swarm Optimizer

A decision-making problem of missile-target assignment with a novel particle swarm optimization algorithm is proposed when it comes to a multiple target collaborative combat situation.The threat function is established to describe air combat situation.Optimization function is used to find an optimal missile-target assignment.An improved particle swarm optimization algorithm is utilized to figure out the optimization function with less parameters,which is based on the adaptive random learning approach.According to the coordinated attack tactics,there are some adjustments to the assignment.Simulation example results show that it is an effective algorithm to handle with the decision-making problem of the missile-target assignment(MTA)in air combat.     

基于混合粒子群算法的机场停机位优化分配问题研究

合理且高效的停机位分配方案是提高机场运营效益的重要手段之一。通过对航班占用停机位特性的分析,以旅客步行距离最短和停机位空闲时间均衡为目标函数建立优化模型,设计一种基于遗传算法与PSO算法相结合的混合粒子群算法对其求解,最后运用试验数据来说明该算法求解停机位分配问题的可行性。     

改进的粒子群算法求解背包问题

本文提出了改进的粒子群算法求解背包问题,阐明了该算法求解背包问题的具体实现过程。通过与其他文献中实例的计算结果比较,表明该算法切实可行,有较高的搜索效率。