微粒群算法在瓦斯突出预测中的应用

如何确定RBF神经网络的隐单元RBF的中心c1直接影响到神经网络的逼近能力。本文通过带惯性权重的微粒群算法和学习训练法相结合的方式来确定RBF神经网络的隐单元RBF的中心c1。首先使用学习训练的方法根据局部信息确定中心c1,然后充分发挥了微粒群算法全局寻优的特点,通过时数据库的更新,使用带惯性权重的微粒群算法对得到的中心c1进行最优化．同时使用MATLAB进行程序设计。最后将RBF神经网络用于瓦斯突出预测中,得出了准确的预测结果。     

基于粒子群神经网络的股票价格预测研究

粒子群算法是一种基于群智能的全局寻优方法,方法简单易于实现。本文将粒子群算法用于神经网络的训练,提出了一种股票价格预测的新方法,研究表明预测效果良好。     

改进的粒子群算法在VRP中的应用

运输调度问题在理论和实践方面都是一个难题。粒子群算法是一种可以解决复杂组合优化问题的有效求解算法。提出了改变惯性权重的粒子群算法,并应用该方法用于求解典型的运输调度问题,结果表明,所提出的方法不仅能得到理想的结果,而且减少运算时间。     

车辆调度问题的全局—局部最优信息比粒子群算法研究

文章提出了一种新的改进标准粒子群算法即全局—局部最优信息比粒子群算法。该算法与标准粒子群算法和全局—局部最优最小值粒子群优化算法作了比较,仿真实验结果表明,该算法在收敛速度、解的质量和鲁棒性上都表现出了较优的性能,是求解车辆调度问题的一种较好方法。     

一种新的基于粒子群密度的聚类算法

提出了一种新的粒子群密度聚类算法和对粒子群的初始化方法。该算法具有传统粒子群算法寻找最优解的特点,同时从密度的角度考虑了数据总体的分布,增强了寻找局部最优解的能力,并通过对粒子群的初始化加快了粒子群的收敛速度,得到了更好的聚类效果。对仿真数据和IRIS真实数据的实验结果证明,该算法聚类效果优于传统粒子群聚类算法和K均值算法。     

粒子群算法在黑盒测试中的应用

提出了一种利用粒子群算法帮助测试人员在较短时间内完成软件模块的黑盒测试,并给出测试结果和好的测试用例的方法。     

粒子群优化算法的研究现状与发展概述

粒子群优化算法(PSO)是基于群体智能的一种优化算法。该算法简单易于实现,可调参数少,得到了广泛的研究和飞速发展。介绍了PSO提出的背景、PSO的思想和原理,分析并总结了PSO的优缺点。根据PSO算法研究侧重点的不同,总结了PSO算法的发展现状及特点,分析并展望了PSO还需要完善或继续研究的问题,展望了PSO的研究热点及发展趋势。     

基于改进粒子群算法的卫星数传任务调度

建立了卫星数传任务调度模型,讨论了约束条件和调度目标.设计了一种自适应规模粒子群算法,该算法采用基于星地可视时间窗的十进制编码,各粒子编码表示不同可视时间窗内可分配数传作业的概率.在迭代过程中根据粒子群整体差异度动态调整种群规模,删除部分差异度小的粒子,同时增加新粒子以保证种群多样性.通过实例仿真表明,自适应规模粒子群算法在解决卫星数传任务调度问题中具有调度结果优、收敛速度快等优点,并对算法的控制参数取值进行了分析.     

改进的粒子群优化算法在环境规划与管理中的应用

本文以固体废物处理场规划问题为例,探讨了一种改进的粒子群优化算法解决环境规划和管理中约束优化问题的可行性和可靠性。将约束条件分别放到基本粒子群优化算法的主函数和适应度计算函数中来处理,并在目标优化函数上添加惩罚项,将约束优化问题转变成无约束优化问题,从而使基本粒子群优化成功地解决约束优化问题。     

基于分治法的遍历搜索算法和粒子群算法的改进对太阳影子坐标的地理定位和事件确定的研究

研究首先分析了经度、纬度、杆子长度和日期这几个变量的关系,通过太阳影子长度计算公式,结合误差控制的相关理论,我们定义了最小误差函数,并建立了一个目标规划模型。对于多参数的情况,研究提出"基于分治法的遍历搜索算法",用于求解出影子的地理位置和日期。后研究对在目标规划模型进行了合理的改进,建立了修正过的目标规划模型。通过对所收集的视频进行合理分析,以每三分钟为一个采样周期,得到了影长与时间的相关数据。同时,考虑到数据量大和算法复杂度高的因素,研究引入了粒子群(PSO)算法,并用遗传算法(GA)对其进行了改进,形成了GA-PSO算法。     

学研单位的最优投标模型及PSO计算

在产学研的技术合作创新中,企业向学研单位购买科研技术成果是企业获得技术的一种重要手段,但由于企业与学研单位信息不对称,利益不一致,导致了许多产学研技术交易的失败。本文在此背景的基础上,借助金融学的风险管理理论,构建不完全信息下的学研单位最优投标模型,并引入粒子群优化算法(Particle Swarm Optimization,PSO)计算学研单位的非线性优化模型的参数,从而最终确定学研单位的投标策略,对学研单位的投标决策具有一定的指导意义。     

基于混合粒子群优化的编队防空目标分配

针对防空作战中的多批次目标分配问题进行了研究。首先,建立了目标分配的约束 优化模型;其次,提出了一种混合式粒子群优化算法用于问题的求解;然后,给出了问题求 解的详细步骤和粒子群算法的应用规则;最后,基于仿真算法验证了模型的正确性和算法的 有效性及计算实时性。     

扩频码PSO优化分配降低MC-CDMA信号峰均比

高峰均比(PAPR)是多载波码分多址(MC CDMA)技术应用中亟待解决的关键问题。对于采用Wa lsh Hadamard(WH) 扩频码的系统来说,优化用户扩频码的分配方案可降低系统的PAPR,但最优扩频码分配方法 运算复杂度太高。为此,采用具有优良迭代寻优能力的粒子群优化算法（PSO）来降低算法 的复杂度。改进算法将最优分配方案的高维搜索问题转化为粒子群迭代寻优过程。分析比较 和仿真结果表明,与最优算法相比,改进算法在降低PAPR性能方面有05～1.5 dB的性 能损失,而复杂度远小于最优算法,是一种简单实用的峰均比降低方法。     

基于并行粒子群算法的解相关多用户检测

将“联姻”策略应用在粒子群算法中。提出一种并行粒子群算法（PPSO）。该算法可以有效地加强种群之间的联系，保证单个种群中的粒子在进化过程中的多样性，从而可获得更高效的搜索性能。分析了将并行粒子群算法应用于直接扩频CDMA解相关多用户检测的理论依据和实际性能。仿真结果证明该算法能够减小计算的复杂度，在抗多址干扰能力上比传统的匹配接收机和解相关接收机有显著的提高，与解相关接收机的抗远近能力相当，且比基于遗传算法的接收机具有更快的收敛速度。     

基于供应链金融的中小企业信用风险评价模型研究

在以往供应链金融视角下,中小企业信用风险评价多在孤立时间点上进行,这样会造成指标数据因某些原因而可能发生较大幅度变化,进而导致评价结果的错误,使银行在放贷过程中存在较大风险。本文以A企业为例,构建了基于时间维的供应链金融视角下中小企业信用风险评价模型。根据评价指标特点,该模型在各个时间点上选用微粒群算法和模糊综合评价方法对其进行信用风险评价,将各个时间点上的评价结果进行比较,分析企业的信用等级变化趋势,以期为银行放贷风险的降低提供有效途径。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上，针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题，提出了一种新型的粒子群优化(PSO)算法与后向传播（BP）神经网络相结合的算法。BP网络算法权值的修正依赖于非线性梯度值，易形成局部极值，同时学习次数较多，需先通过粒子群算法进行优化。为了提高定位精度，首先采用速度常量法滤波处理，然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化，并分析算法的性能。试验中隐层节点个数采用试错法，从12到19变化，以确定合适数目。实验结果表明，与一般加权算法和传统BP算法相比，改进的混合优化算法可大幅改善测距误差对定位误差的影响，同时可使25 m内最小定位误差小于0.27m     

基于粒子群算法的证券组合投资模型的研究

从证券组合模型的概念,给出证券组合多目标决策模型。并用模糊优选法将证券组合多目标优化转化为单目标优化。同时,重点描述了粒子群算法,并采用自适应变异的粒子群算法对证券组合投资模型进行求解,最后编程实现证券组合模型的最优解,试验结果表明此方法取得了较好的效果。     

采用近邻粒子群算法设计非规则曲面微带共形阵

采用近邻粒子群算法设计了一个安装于非规则曲面上的微带共形阵。通过测量安装于非规则曲面上的天线单元的方法，将载体对共形阵的影响计入天线设计中。采用近邻粒子群算法对单元进行了优化，根据优化结果制作了微带共形阵，给出了非规则微带共形阵的驻波曲线和远场方向图。实验结果表明，近邻粒子群算法能够有效地对复杂曲面上安装的共形阵进行设计。     

基于粒子群优化的数字波束形成算法

波束形成的加权系数求解是一个优化过程,现有算法大多经过多次迭代,计算量大,实现复杂。为降低波束形成算法复杂度,将粒子群优化原理应用于数字波束形成中,提出了基于粒子群优化的自适应数字波束形成算法。该算法将每一组权值作为一个粒子,将阵列加权和的输出信号与干扰噪声比(SINR)作为适应度函数,通过比较各个粒子的适应度值,进行迭代搜索得到最优解。该算法可使天线阵在主波束对准有用信号,同时能有效抑制两个以上的干扰,且对阵列通道误差有较好的稳健性。计算机仿真验证了算法的有效性。     

交通堵塞扰动下多车场车辆路径优化

为解决物流配送中突发性交通堵塞造成的干扰问题,针对多车场带时间窗的车辆路径问题,建立交通堵塞扰动下多车场车辆路径干扰管理模型,并用离散粒子群算法求解,验证模型和算法的可行性和有效性。