粒子群算法与遗传算法的结合研究

自上世纪80年代以来,智能优化算法(粒子群算法、遗传算法等)通过模拟或者揭示某些自然现象和过程而发展起来,为优化理论提供了新的思路.通过将不同算法结合来达到更好的优化效果日益成为当前优化研究领域的热点.在粒子群算法中引入遗传算法的交叉和变异算子及种群分割策略,将两种算法有机结合,提出了粒子群算法与遗传算法的混合优化算法(GA-PSO).为了验证该GA-PSO混合优化算法是否具有良好性能,将该算法用于一些标准测试函数的优化.     

基于蚁群算法的无线传感网路由协议的应用研究

文章针对传统蚁群算法在无线传感网中路由收敛速度慢、网络平均能耗大等问题,在已有无线传感网算法的基础上提出了改进的蚁群算法。该算法将相邻节点的能耗作为影响转移概率的一个因素,同时限定所经路径上的最大信息素和最小信息素。实验结果表明,该算法在不损失精确度的情况下,提高了网络传输的实时性,降低了网络的平均能耗,在一定程度上延长了无线传感器网络的生命周期。     

改进粒子群算法在暴雨强度公式参数优化中的应用

本文基于充分的完全的信息共享机制,提出了一种改进的粒子群算法,并将其应用于北京市郊区不同重现期的暴雨强度与降雨历时关系式中参数的优化,与基本的粒子群算法,遗传算法,传统回归法和优选回归法的优化效果进行了分析比较。实例计算结果表明：粒子群算法用于暴雨强度公式中的参数估计精度高于遗传算法,传统回归法和优选回归法的参数估计精度而改进的粒子群算法的参数估计精度又高于基本的粒子群算法。     

粒子群算法求解基于广义Choquet-积分的多元非线性回归模型

多元回归模型已经成为当前数据挖掘中重要的方法之一,而求解回归模型的关键问题是如何确定回归系数和模糊测度.针对以往使用遗传算法确定回归系数和模糊测度时间复杂度高和收敛速度较慢的问题,使用一种高效的搜索算法--粒子群算法求解基于广义Chtoquet-积分的多元非线性回归模型,分别在人工数据和真实数据上进行实验,对粒子群算法和遗传算法进行比较.结果表明,用粒子群算法求解该模型不仅比遗传算法收敛速度快,而且还能搜索到比遗传算法更优的解.     

基于粒子群算法的混沌系统快速控制

对混沌系统施加微小扰动,使其自某初始点快速到达给定的不动点(目标点)邻域内,从而实现对混沌系统的快速控制。给出了求解混沌系统扰动序列值的无约束优化模型,并应用粒子群算法求解此优化问题。该算法不需要初值和导数信息,并具有控制参数少、容易实现等优点。数字实例表明,对于混沌系统快速控制问题,粒子群算法能求出满足要求的多组扰动序列值,且收敛速度较快、精度较高。     

基于mpls的ip组播流量工程

ip组播中的单播路由协议中采用的路由算法,没有全网资源的调节能力.在网络中引入mpls流量工程,有利于提高ip组播的qos及合理控制网络拓扑结构中的流量分布.     

基于粒子群算法的卫星任务地面站资源调度方法

针对卫星数传、测控任务的地面站资源调度问题,提出一种结合启发式方法的粒子群改进算法,对卫星的数传、测控任务进行一体化调度。首先分析卫星任务及地面站资源的约束条件,建立基于启发式规则的约束满足模型,筛选出较优的初始种群,然后设计一种结合启发式规则的粒子群算法求解。仿真对比实验表明,相对于常规调度算法(如遗传算法),粒子群算法具有较好的寻优能力和收敛速度;相对于传统粒子群算法,结合启发式方法的粒子群改进算法具有更好的寻优能力、收敛速度和稳定性。     

蚁群算法性能调优

描述了基于旅行商问题的蚁群算法数学模型,分析了信息素启发因子α、能见度启发因子β、蚂蚁数量m与信息素残留系数ρ对蚁群算法全局搜索能力与收敛性的影响,提出一组能优化算法性能的参数组合。实验表明,该参数组合能比较快地求得全局最优解,同时避免出现陷入局部最优和过早停滞问题。     

基于量子竞争决策算法的网络路由算法的研究

基于量子竞争决策算法并将其应用到网络路由算法的优化中,再通过无线传感器网络中利用该算法机制提出一种新的SL-MAC算法。经过对比研究发现,该算法能够满足网络路由的节能需要,是一种十分有效的全局优化算法。     

蚁群算法在车间作业调度问题中的应用研究

混合蚁群算法在原有蚁群算法的基础上采用了新的信息素更新规则,把算法的效率和可用性提高了一个层次,通过实验验证混合蚁群算法对解决车间作业调度问题具有很好的性能。