基于PSO的控制系统中周期性任务的优化调度

控制系统中任务的调度不仅影响系统的资源利用率,而且影响系统的控制性能。首先分析了周期性实时任务,并给出了任务模型。基于此,采用了EDF调度算法。根据系统的性能指标与任务的采样周期的关系,采用粒子群算法对系统性能进行优化。仿真结果表明,这种算法是有效的。     

Searching high gray scale FPD scanning matrix based on PSO

With the increase of gray scale and flat panel display (FPD) size, subspace bitwise scanning strategy can be replaced traditional scanning method to cut down frame frequency. However, the direct searching strategy (DSS) becomes unfeasible to obtain corresponding high gray scale scanning matrix. Thus, particle swarm optimization (PSO) is introduced to accelerate searching for high gray scale weights scanning matrix (WSM) with its parallelism and global optimization feature. Finally a WSM of 256 gray scales is found out successfully with Matlab, which both gray linearity and scanning efficiency are satisfied.     

求解矩阵Penrose广义逆的混合智能算法

有效求解矩阵Penrose广义逆是一个困难的问题．首先将求解Penrose广义逆转化为求最小极值问题,结合粒子群算法和差分算法的优点,设计了混合智能算法．仿真实验结果表明：混合智能算法求解Penrose广义逆是有效的和可行的．算法易于计算机实现,计算精度高．     

损失规避下的指数跟踪问题及其粒子群算法求解

随着指数衍生产品日益受到重视,指数化投资组合常被传统的消极基金管理者或机构所采用,而用有限的资金按指数构成比例进行投资显然是不现实的,所以指数的最优误差追踪就显得更加重要。将追踪误差定义为证券投资组合收益率与所追踪的指数基准收益率之差的均值平方和的平方根,建立了基数约束（即总资产数不超过某个特定整数K）下考虑投资者损失规避决策偏好的跟踪误差最小化模型,并设计了一个粒子群算法求解模型。实际算例表明,所构建的模型和算法是有效的。     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

基于期望值模型的虚拟企业风险规划研究

主要分析了虚拟企业所面临的风险因素具有随机性的特点,建立了虚拟企业风险规划的期望值模型.为了较好地处理模型中的随机变量,引入了蒙特卡罗模拟,并将其与粒子群算法相结合.仿真分析表明了期望值模型能够较好地刻画具有随机因素的风险规划问题,同时,所设计算法的性能也得到了验证.     

基于粒子群优化算法的散乱数据光顺拟合

在散乱数据光顺拟合问题的计算中,引入了群体智能粒子群优化算法,增加了计算的自动程度以及客观性,优化中提出了优于传统罚函数法的模糊罚函数法,将模糊集合理论和粒子群优化算法有机地结合起来,并通过对节点序列内在关联性的分析,提出了适合邻域搜索类算法实施的邻域结构,以获得目标函数的全局解,最后给出了数值仿真实例。     

基于PSO-SVM的上市公司财务危机预警

为实现上市公司的财务危机预警,根据我国的实际情况,将因财务状况异常而被特别处理(ST)作为沪深证券交易所上市公司陷入财务危机的标志,建立财务危机预警模型。该模型采用粒子群优化算法对支持向量机参数进行优选。仿真结果表明,该模型能有效地避免过拟合和欠拟合现象,与神经网络模型相比泛化能力强,预测精确度高。     

基于连续型Hopfield神经网络的系统辨识

连续型Hopfield神经网络(CHNN)可用于优化计算,但其会遭遇较复杂的参数辨识问题.为了较好地解决这一问题,将擅长全局搜索的蚁群-粒子群混合算法用于对系统参数的最优化选取.再将此混合算法与CHNN有机结合,更好地解决参数辨识问题,且能有效避免CHNN在应用过程中陷入局部最优解.最后,将理论结果应用于求解TSP问题来验证其有效性.     

Diabetes diet nutrition optimization based on particle swarm optimization algorithm

Nutrition intervention is the key to prevent and control diabetes mellitus. Diabetic patients’ nutrition intervention requires reasonably control of the intakes of the three major nutrients. A diabetes diet nutrition optimization method based on particle swarm optimization (PSO) algorithm is proposed for individual nutritional intervention of diabetes. Firstly, a nutritional optimization mathematical model is established, which meets the demand of diabetic patients’ three major nutrients intake, and then an improved particle swarm optimization algorithm is applied to solve the model. To enhance the convergence speed and search ability of the standard particle swarm optimization, the adaptive inertia weight factor and the natural selection mechanism are introduced in PSO. The performance of the proposed method is verified through an experiment, and the attainment rates of three major nutrients in the designed recipes are close to 100? according to the experimental results, which indicates that it can greatly improve the precision of diabetes nutrition recipes