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。     

TSP问题的智能优化算法研究

智能优化算法比较常见的有模拟退火算法、遗传算法、人工鱼群算法、神经网络算法等。本文主要对前三种算法优化性能进行研究。首先介绍了三种算法的基本原理,然后总结了各自的优缺点并从原理和参数两个方面对三种算法进行了对比分析,以经典NP难题——TSP为例进行了仿真研究给出了未来针对TSP问题的研究重点。     

具有动态学习能力的分层进化粒子群优化算法

针对粒子群算法(PSO)在优化高维多极值问题时容易陷入局部极值的问题,结合分层进化与动态学习策略,提出一种具有动态学习能力的分层进化粒子群优化算法(DHEPSO).该算法首先根据粒子适应度值将粒子划分为不同层级,对不同层级粒子采取不同的进化策略,避免迭代后期种群多样性快速消失;然后根据粒子所属层级的不同动态调整粒子学习...     

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。     

基于智能群辨识的UAP云平台程控扩展算法

提出一种基于线性差分智能群辨识的云平台程控扩展技术,并进行算法改进设计。构建UAP云平台系统模型,对系统载荷运行情况进行相应的评估,进行云计算下的动态任务调配,建立UAP云平台的程控扩展模型,定义线性差分智能群辨识平均访问时间,采用萤火虫群优化追踪策略进行多线性差分智能群辨识激励传播,最后进行UAP云平台程控激励扩展模型下的系统状态评估模型。仿真实验分析得出,采用该算法云平台的程控扩展性能较好,分布式大数据传输实时性提高,误码率和丢包率降低,从而降低了数据传输失真,提高了UAP云平台中的数据和信号传输质量,提高实时数据集成(RDI)和网关服务性能,实现高质量的数据信息服务,保障IT系统安全、稳定、可靠运行。     

基于复杂网络和粒子群算法的滤波与轨道优化模型

嫦娥三号已成功完成软着陆,其着陆准备轨道的位置和着陆轨道及其控制策略是嫦娥三号月球着陆的关键问题。运用天体物理相关理论及智能优化算法构建了基于复杂网络的滤波模型和基于粒子群算法的着陆轨道优化模型,并通过matlab计算及matlab仿真,给出了着陆轨道及其控制策略。