由课堂教学改革到改进教与学优化算法

教与学优化算法是一种模拟课堂教学与学习过程的新型启发式群体智能优化算法,因其参数少、易实现、收敛快等优点,近年来被广泛应用于众多科学和工程优化领域。参考现实中的课堂教学改革措施,将教师的自增强学习机制、学生的自主学习/分组学习策略、师生间的反馈交流、多教师并行教学的综合培养等改进策略融入教与学优化算法,使得改进教与学优化算法在复杂优化问题中获得更好的表现。此外,讨论了课程思政、课程考核、教学资源等引入教与学优化算法的可能性及其未来的发展方向。     

电力系统无功优化算法综述

电力系统无功优化问题对于电力系统优化是一个经典的研究方向,其基本的数学模型已经成形,但是在算法上出现不同的局面,对无功优化问题的算法种类进行介绍,如多目标优化算法、传统优化法、人工智能化算法、说明了以上算法的适用范围和优缺点。表明了各种算法都存在特定的优势与缺陷。     

室内设计中的光照效果的多算法实现

针对目前的光照效果实现算法在三维室内设计中无法达到很好的效果的问题,本文提出一种基于多算法融合的三维室内设计光照效果实现算法,该算法首先基于光线跟踪算法进行面片求交优化、球面求交优化和长方体面求交优化,然后再将优化算法及光照阴影算法同时应用于三维室内设计光照效果的实现中。仿真试验结果表明,基于多算法融合的三维室内设计光照效果实现算法相比较现有的算法,对于三维室内设计光照效果的实现更为理想。     

改进量子粒子群自适应优化算法

<正>近年来,智能优化算法层出不穷,如：灰狼优化算法（Grey Wolf Optimization,GWO）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、粒子群算法（Particle Swarm Optimization,PSO）、遗传算法（Genetic Algorithm,GA）等。由于智能优化算法参数较少,容易实现,受到各国学者的青睐。但是,随着优化功能的具体化和规模的庞大化,部分单一算法无法兼顾收敛速度和精度,无法满足实际应用的需求。     

浅析移动通信系统中的赋形权值优化算法

随着无线频谱资源的日益紧张,移动通信系统转向利用数字波束赋形技术来提高系统的容量。数字波束赋形技术的关键,是利用赋形权值优化算法对赋形权值进行寻优操作。常用的权值优化算法有遗传算法、粒子群优化算法和交叉熵算法。本文对三种优化算法应用时的关键步骤进行了总结,比较了三种算法的性能,最后对算法应用于时分移动通信系统存在的问题进行了分析。     

多种群蚁群算法应用于配电网无功优化

蚁群算法是一种优化算法,采用改进的蚁群算法对无功补偿装置进行优化配置,对补偿装置地点和容量做出优化选择。通过仿真实验证实此优化算法可有效实现配电网的安全经济运行。     

改进灰狼优化算法的研究

灰狼优化算法(GWO)是一种受灰狼群体捕食行为启发的新型群智能优化算法。为提高灰狼优化算法的全局搜索能力,避免算法过早收敛,提高原算法精度。本文提出了一个改进版本的灰狼优化算法,在原始的灰狼优化算法上引入Lévy飞行策略,命名为基于Lévy飞行的灰狼优化算法(LGWO)。通过将LGWO应用于8个标准测试函数并与基本灰狼优化算法(GWO)及粒子群-引力搜索算法(PSOGSA)进行对比,实验仿真表明,LGWO算法收敛速度更快且寻优精度更高。     

菌群优化算法研究

菌群优化算法是一种基于群体智能的仿生随机优化算法.文中从动物的觅食理论及搜索策略出发,介绍了动物的觅食行为和菌群优化算法的主要操作：趋向性操作、聚集操作、复制操作和迁徙操作;并对聚集操作和迁徙操作进行了仿真;最后介绍了菌群优化算法的参数选择和与遗传算法的比较;并对菌群优化算法参数如何选择给出了一些指导性的原则.     

前馈神经网络连续二元蚁群训练模型

提出了一种用离散模型逼近连续模型进而求解连续域上的优化问题的蚁群优化算法Binary-ACO,并将Bi-nary-ACO与经典BP训练算法进行混合（LMBP和SDBP）应用于多层感知机的训练问题中,并在3个测试数据集上进行对比实验。实验结果证明单一蚁群优化算法作为一种通用的优化算法在前馈神经网络训练问题中的性能无法与经典的BP算法相比较,但是蚁群优化算法和BP经典训练算法结合的混合算法表现性能优良。两种混合算法（Bi-nary-ACO-sdbp和Binary ACO-lmbp）都获得了相当良好的解,特别是Binary ACO-lmbp这种算法不仅比单一的蚁群优化算法的性能上有相当的提高而且也优于经典的BP算法。     

基于多目标鱼群-蚁群算法的水资源优化配置

为了解决复杂的水资源优化配置问题和丰富智能优化方法在水资源优化配置中的应用,建立了以经济、社会、环境综合效益最大为目标的水资源优化配置模型和多目标鱼群-蚁群算法。经济效益以区域供水带来的直接经济效益最大为目标;社会效益以区域总缺水量最小为目标;生态环境效益以区域重要污染物排放量最小为目标;约束条件包括供水、需水、水环境和经济发展协调度等。多目标鱼群-蚁群算法融合了人工鱼群算法的快速跟踪变化和跳出局部极值优点以及蚁群算法的信息素正反馈优点,并将人工鱼群算法中的拥挤度概念引入到蚁群算法中,避免了蚁群算法初期可能早熟的问题。通过实验仿真,此算法具有较快的收敛速度和较高的寻优性能,能有效地找到优化解,从而为解决复杂的水资源优化配置问题提供了新的思路。     

粒子群优化的细菌觅食算法在变风量空调机组中的应用

本文主要研究对象是变风量空调机组中的送风管道静压控制回路,将具有良好全局寻优能力的细菌觅食算法应用到该控制回路中,同时为了改善细菌觅食算法收敛速度较慢的缺点,将粒子群算法引入到细菌觅食算法中,对细菌觅食算法中的细菌位置更新进行优化,并利用优化后的细菌觅食算法对PID控制器的三个参数进行整定,将整定后的参数应用到控制回路中。通过matlab仿真,并将细菌觅食算法、粒子群算法,粒子群优化的细菌觅食算法进行比较,结果表明经过粒子群优化的细菌觅食算法收敛速度明显加快。     

关系数据库数据挖掘技术具体实现的探讨

提供了一种关联规则挖掘经典算法-Apriori算法的优化算法,并结合实例探讨了如何把关系数据库的关联规则转化为单维、布尔关联规则,优化了算法的实施,探讨了关联规则的输出等问题。     

基于禁忌算法的长沙移动网络优化

移动网络优化问题是一个NP难问题,所以它并不能保证在合理的运行次数里就找到最优的方案。常用的人工智能求解优化问题有遗传算法、蚁群算法和禁忌算法。相对于这几种算法在离散对象的组合优化问题中优势比较明显,而禁忌算法更容易跳出局部极值从而能在更大的范围内寻找到一个较优解。我们开发的基于禁忌算法的长沙移动网络优化软件,通过科学分析采集的数据,从而解决话务阻塞和掉话问题,优化了网络,提高了长沙移动的网络质量。     

关联规则中Apriori算法的研究与优化

在研究和剖析关联Apriori算法的基础上,针对Apriori算法中的瓶颈,提出了一种优化算法,从算法的计数、连接和减枝等方面进行优化,快速搜索频繁项集,从而提升算法效率.     

蚁群算法理论及应用

蚁群算法是优化领域中新出现的一种仿生进化算法。该算法采用分布式并行计算机制,易与其他方法结合,具有较强的鲁棒性。本文首先介绍了蚁群算法的基本原理,然后讨论了蚁群算法的应用,最后评述了蚁群算法未来的研究方向和主要研究内容。该算法用于解决组合优化问题,如TSP、QAP、JSP等效果很好。     

演化计算在多目标优化问题中的应用

多目标优化问题是一类很普遍的问题。演化算法是一种通过模拟自然界的生物演化过程搜索最优解的方法,用于求解多目标优化问题有其独特的优势。系统介绍了多目标演化算法特点、需要解决的关键问题、算法框架、算法实现及应用趋势。     

粒子群优化算法及在电力系统中的应用

粒子群优化PSO(Particle Swarm Optimization)算法是一种有效的全局优化技术,PSO算法通过粒子间的相互作用在复杂搜索空间中寻求最优区域。PSO的优势在于算法简单,容易实现。从研究PSO算法及其在电力系统中的无功优化、最优潮流计算、电网扩展规划、机组优化组合、经济负荷分配等方面的应用现状出发,对其研究发展方向作了展望。     

粒子群优化算法在油气混输管网参数优化中的应用

油气混输管网多目标参数优化问题,一直是优化研究的热点。对这个多目标线性规划问题,采用新出现的粒子群优化算法进行管网优化计算,建立优化计算的目标函数、水力热学模型及管网的分析模型,并用并列选择法和权重系数变化法对模型进行求解。该文尝试把粒子群优化算法应用到油气混输管网参数优化设计中,实验结果表明,采用粒子群算法的优化方法可以节省费用的20%以上。     

基于粒子群算法参数优化方案的研究

演化算法被广泛应用于求解NP类组合优化问题。其中粒子群算法因其算法易于实现且效果显著,自其诞生以来就成为研究的焦点。在算法的实际应用过程中会遇到如何兼顾算法收敛高效率和避免过早收敛于局部最优这两种相互博弈的算法优化因素。针对这一问题本文对两种粒子群算法的参数优化方式进行比对,提出了未来算法参数优化的研究方向。     

基于粒子群的化学实验室无纸化资源优化配置

针对化学实验室无纸化资源配置问题,建立了数学模型和优化模型。提出了实验室过滤子集和课程过滤子集的概念,提出了优化模型中的预处理规则;提出了最小距离约束、资源最优均衡约束和最少等待时间约束的概念,提出了优化模型中的最优化规则。基于预处理规则、最优化规则和改进的粒子群算法提出了资源优化配置算法。仿真实验证明,该算法在进行资源优化配置时是快速和高效的。