基于LSTM和启发式方法的遥感卫星地面站天线智能调度

遥感卫星地面站天线调度是解决遥感卫星数据接收天线资源不足和提高资源使用效率的有效途径。由于天线调度规则复杂,提出一种长短期记忆神经网络和启发式搜索相结合的智能调度方法。首先,使用长短期记忆神经网络模型从历史调度数据中提取天线使用规则,并使用该规则为遥感卫星数据接收任务分配接收天线,得到初始调度方案;其次,使用启发式方法,对初始方案中数据联合接收和资源选择冲突两个问题加以修正,得到实际可行的调度方案。结果表明：本方法与结合启发式规则的遗传算法相比在资源利用率和计算效率上均有提升,证明了本方法的有效性。     

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。     

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.     

规模车辆调度问题的有效算法分析

物流配送车辆调度几十年来一直是一个研究的热点,特别是近阶段物流作为一个新兴的行业正在发展。本文首先介绍了车辆调度的定义和分类,针对其特点在目前各类优化方法中,选择了具有代表性的两个算法,节约启发式算法和遗传算法。对这两种算法在建模和原理上进行阐述,最后比较分析双方的优缺点和适用性。在现实运用中操作者可以根据各自所需进行合理选择。     

基于蚁群—粒子群优化算法的多约束QoS路由算法

结合蚁群算法和粒子群算法的不同特点,提出了一种基于蚁群、粒子群算法的组播路由算法,来解决多约束QoS组播路由问题.实验对比表明,该算法收敛速度快,寻优能力强,可以克服单一的蚁群算法和粒子群算法的不足.     

基于粒子群算法的乒乓球专选评测指标模型的研究

以重庆理工大学372名男生和234女生为研究对象,运用粒子群算法建立乒乓球专选的评测指标模型,通过分析得出各种评测指标的分离度和内聚集度,以及学生在各项指标中的得分.该体系在方法学上是可靠的、可行的,能反映出学生的身体素质水平,可以为教师选才和学生选项提供了科学的依据.     

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.     

基于粒子群优化算法随机试卷生成的分析

该文提出了基于粒子群优化(Particle Swarm Optimization,PSO) 算法的随机试卷生成算法,结合PSO算法的原理及编码的特点,重点讨论了基于PSO算法的组卷原理、组卷要点及组卷步骤。以Visual Basic6.0为开发平台设计了随机试卷生成系统,建立数据模型,实现了试题管理、试卷信息管理、随机试卷生成、用户管理等功能。利用 Matlab7.0平台,基于PSO随机试卷生成进行了仿真实验。针对数据结构课程试卷生成的应用进行了初步尝试。     

基于爬山算法的集装箱堆场场桥调度

为提高集装箱码头的运作效率,采用1种基于整数规划模型和启发式算法(爬山算法)的场桥调度混合策略,将场桥调度和堆存空间分配作为整体构建场桥动态调度模型.以上海某集装箱码头堆场为例通过仿真验证该系统,结果表明该模型和算法的有效性和实用性.     

基于改进布谷鸟搜索的卫星成像规划方法

针对多卫星区域目标的成像规划问题,提出一种基于改进布谷鸟搜索的卫星成像规划方法。为最大限度地利用卫星资源,首先基于卫星的单次过境活动将区域目标按条带分解,然后考虑卫星姿态约束、传感器使用约束、过境时间约束、成像时云量及光照约束等,建立约束满足模型,针对模型设计编码和更新策略,并在布谷鸟搜索算法中引入非线性惯性权重对其进行改进,最后采用改进的布谷鸟搜索算法求解约束满足模型。求解结果表明,与遗传算法相比,本文算法的收敛性好、目标完成率高且稳定性强,验证了该算法的有效性。     

基于非线性函数和简化粒子群优化的盲源分离算法

针对现有盲源分离方法存在的源信号类型和高斯信号个数受限制问题,提出一种基于非线性函数和简化粒子群优化的盲源分离新算法.算法采用依据源信号类型选取的非线性函数作为目标函数,运用简化粒子群优化算法对目标函数进行优化,实现多类型源信号同时混合的盲源分离.仿真结果表明,本算法能够有效实现源信号为多类型和含有2路高斯信号的盲源分离.与其他算法相比,本算法收敛速度更快,分离精度更高.     

基于改进粒子群的BP神经网络WSN数据融合算法

针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题,提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进,利用改进后的粒子群算法优化BP神经网络权值和阈值,引入WSN数据融合中,簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取,将融合后的数据发送至汇聚节点。仿真实验表明,BSO-BP算法能有效地提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法,BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。     

基于最小二乘支持向量机的AIS数据修复方法

针对当前船舶自动识别系统(automatic identification system,AIS)数据存在大量错误和缺失的问题,通过匹配AIS数据丢失时间制定完备AIS数据库,采用改进的Hausdorff距离公式融合轨迹空间相似度与船舶航行速度相似度,采用相似轨迹作为最小二乘支持向量机(least squares support vector machine,LSSVM)算法的输入样本,通过数据训练得到的回归模型对AIS数据进行修复。采用实际数据进行验证。结果显示,本文提出的基于粒子群优化(particle swarm optimization,PSO)的LSSVM算法能够准确还原AIS数据。结果可以提高AIS数据的连续性和完整性。