基于改进粒子群算法的无人机航迹规划

针对当前基本粒子群算法无人机航迹规划在后期收敛速度比较慢、效率不高、易陷入局部最优等问题,提出一种改进粒子群算法。首先,在迭代前期和后期分段设置惯性权值的调整,实现粒子惯性和寻优行为的平衡;其次,设置一个定值与相邻2次适应度函数最优值比较策略,防止陷入局部最优;最后,引入遗传算法的交叉、变异机制,得出更优的结果。并通过仿真验证了改进粒子群算法在三维空间航迹规划的有效性和可行性。结果表明,与其他航迹规划算法相比,新算法具有路径长度更短、耗时更少、路径更平滑等优点,加快了收敛速度,提高了航迹规划效率和稳定性。因此,改进算法的航迹规划可得到满足约束关系的最优航迹,对实现自主飞行有重要的参考价值。     

粒子群算法和灰狼算法的融合

为了解决传统粒子群算法(PSO)容易“早熟”、陷入局部最优以及灰狼算法(GWO)收敛速度慢的问题。首先，采用GWO算法的个体极值更新策略来实现个体包围式向最优值趋近，融入PSO算法的速度更新策略来实现群体向最优值的趋近，并且在原始粒子群算法基础上加入线性惯性权重递减来提高算法的收敛速度，从而提出了一种基于灰狼算法和改进的粒子群算法(IPSO)的融合优化算法(GW-IPSO);其次，通过6个经典算例进行仿真试验，将融合算法与PSO算法、IPSD算法、灰狼和粒子群结合算法(GW-PSO)进行对比；最后，应用融合算法对二级直线倒立摆的控制器设计进行参数寻优。结果表明：针对6个标准测试函数，混合算法的30次试验结果平均值更接近最优值，且标准差几乎都是最小的；应用在倒立摆控制问题上，系统在5 s左右进入稳定状态。融合后的GW-IPSO算法能够在一定程度上避免早熟和陷入局部极值的问题发生，并且能够很好地应用于控制器设计过程中参数寻优问题。     

基于CPSO的基础设施模糊投资组合优化模型

针对基础设施效益模糊、难以度量的特点,结合模糊集理论,建立了模糊投资组合优化模型,改进粒子群算法,加入混沌思想,使用混沌粒子群算法(CPSO)求解基础设施的模糊投资组合优化模型。以4个城市投资公司的数据为样本,验证该方法的科学性与有效性。研究结果表明:模糊投资组合优化模型可较好地表征基础设施的模糊效益,提高基础设施投资决策的科学性;混沌寻优思想改进的粒子群算法可求得模糊投资组合优化模型的全局最优解,增强算法的鲁棒性。     

流水工序调度与生产效率的关系模型分析

提出一种基于粒子群算法的流水工序调度任务优化模型。利用流水工序调度任务的特点得到流水工序时间约束条件,利用粒子群算法的原理建立流水工序调度任务优化模型,利用粒子群算法对模型进行求解。仿真实验表明,利用该算法能够得到流水工序调度问题的最优解,提高生产效率。     

混合邻域结构的粒子群算法

为了克服标准粒子群算法的早熟、停滞进化或易于陷入局部最优的现象,提出了一种混合模型(简称NSPO)。NSPO将一个粒子映射到无标度网络的多个网络节点上,借助网络结构获得该粒子的邻域拓扑。对粒子的更新,NSPO既考虑种群的最优,又考虑邻域的最优。在3个具有不同难度特点的测试函数上,将NSPO与标准粒子群算法进行了比较。实验结果表明:对于全局最优和梯度信息明显的函数,NSPO具有非常优越的表现;对于具有诸多局部最优的函数,NSPO逃逸局部最优的能力要强于标准粒子群算法;对于具有误导性梯度信息的函数,NSPO偶尔表现优异。     

基于遗传微粒群算法的输电线路图像分割

图像分割技术的发展是电力系统视频监控技术发展的基础。最大类间方差(Otsu)阈值分割法分割图像计算复杂、时间开销大,需要利用遗传微粒群算法(PGSHEA)进行优化。PGSHEA引入微粒群算法的快收敛及遗传算法的多样性特点来优化参数搜索,同时引进了摒弃因子来节省时间开销,最终得到最优值。输电线图像实验结果表明,该算法不仅有助于提高识别的准确率,而且减少了时间开销。     

基于发电成本与环境效益的风电最佳接入容量分析

为充分了解风电接入电力系统后对发电成本及环境效益的影响,计算符合系统运行经济性的风电接入容量,建立了风电最佳接入容量优化模型。采用该模型分析了不同容量火电机组在不同功率下的煤耗特性变化,并通过对火电机组深度调峰补偿调动火电机组调峰积极性;引入火电排污成本以充分体现风电接入后的环境效益,加入弃风惩罚费用来保障风电优先调度。采用粒子群算法并结合主动搜索技术(active explore basic particle swarm optimization,AEPSO)对模型进行求解,有效解决了粒子群算法易陷入局部最优的问题。最后以某地区实际电力系统为例,计算得出了在最经济运行模式下的风电接入容量,验证了模型的合理性。该研究可为相关决策部门制定风电发展规划提供参考。     

基于粒子群算法的项目群网络计划资源优化研究

传统的网络计划(CPM/PERT)默认项目实施所需资源已合理投入,并就此安排各项工作。由于该技术传递信息量较少,不利于项目群资源共享。文章通过对工程项目群工期、成本、管理资源分析,提出基于粒子群算法的项目群网络计划优化模型,引入柯布-道格拉斯生产函数完善目标函数,并以某区域管道铺设工程为例开展实例研究,为今后项目群管理提供参考与借鉴。     

基于混合粒子群法的微电网优化研究

微电网的优化运行是一个具有重要经济和社会效益的复杂问题。文章研究了在微电网中含有多种分布式电源,在并网运行方式下,建立了包含运行成本、微网与主网交互成本以及污染物治理费用的微电网多目标优化调度模型,应用粒子群优化算法对其优化调度模型进行求解,并针对一年中典型负荷日对微电网系统进行分析,验证该算法对微电网环保经济运行的有效性与可行性。     

基于粒子群神经网络的软岩巷道变形预测

软岩巷道变形预测在采矿工程中具有十分重要的意义.软岩巷道变形预测是一个典型的多变量、非线性系统.运用粒子群优化的神经网络构造了软岩巷道变形预测的模型,以此训练好的粒子群优化神经网络模型来描述软岩巷道变形和主要影响因素之间的关系.该方法以神经网络为基础,用粒子群算法来优化神经网络,综合利用二者的优点,进行软岩巷道变形预测.实验表明,此方法是高效可行的,并可在更多领域内应用。     

基于SVR-IPSO的高危行业企业安全投入优化模型及其改进——以煤炭生产企业为例

传统的安全投入模型对解决高危行业领域中模糊复杂的安全投入问题具有一定局限性,尤其当建立目标函数时,采用隐含线性关系假设的函数进行拟合会影响模型的推广能力。基于此,本文首先采用支持向量回归机（SVR）建立事故损失模型,与传统C-D函数拟合结果相比,该模型具有更好的预测能力;然后,以实际安全投入要求为约束,以安全总成本最小化为原则建立企业安全投入优化模型;最后,采用基于捕食搜索策略的粒子群算法对模型进行求解,同时,为保证全局收敛性,引入自适应控制策略对算法进行了改进。结果表明：该模型能够更加准确地描述安全投入与安全成本间的非线性作用关系,并通过粒子群寻优得到具备可行性的全局最优解,为高危行业企业安全投入结构优化提供新的决策思路。     

基于Adaboost-DPSO-SVM模型的供应链金融信用风险评价研究

数字化赋能供应链金融创新是推动我国产业链、供应链持续稳定优化升级的重要内容,在全球金融风险急剧增加的背景下,供应链金融与大数据、区块链、物联网、人工智能等技术相融合,成为解决我国中小企业融资授信问题的有效方式之一。本文在对供应链金融信用风险评价指标进行特征选择的基础上,采用一种动态变异的粒子群算法(DPSO)和AdaBoost算法对SVM进行协同优化和集成,建立了Adaboost-DPSO-SVM模型,并将该模型应用于我国新能源汽车行业供应链金融信用风险评价中,实验结果表明所建立的模型相对其他评价模型具有更好的分类识别性能。     

基于改进遗传算法的多项目资源均衡配置研究

如何解决建筑企业在多个项目中资源利用率和配置效率低下的问题，是施工方项目管理的一大难题。本文根据多项目工程施工特点，建立了多项目并行施工时的资源均衡优化模型。为了提高遗传算法对多项目资源配置问题求解的性能，本文对遗传算法进行了改进，并以某公司3 个并行施工的工程项目为例，根据工程施工初始网络计划的资源需求，运用改进遗传算法（IGA）和遗传算法（GA）计算多项目的资源配置方差。结果表明，改进遗传算法可使资源配置达到更好的优化状态，并能得到各个项目非关键线路上工序的最佳开工时间，为建筑施工企业提供了具有实践价值的技术手段。     

Particle swarm optimization: A study of particle displacement for solving continuous and combinatorial optimization problems

This article addresses the particle swarm optimization (PSO) method. It is a recent proposed algorithm by Kennedy and Eberhart [1995. Particle swarm optimization. In: Proceedings of the IEEE International Conference on Neural Networks (Perth, Australia), vol. IV, IEEE Service Center, Piscataway, NJ, pp. 1942–1948]. This optimization method is motivated by social behaviour of organisms such as bird flocking and fish schooling. PSO algorithm is not only a tool for optimization, but also a tool for representing socio-cognition of human and artificial agents, based on principles of social behaviour. Some scientists suggest that knowledge is optimized by social interaction and thinking is not only private but also interpersonal. PSO as an optimization tool, provides a population-based search procedure in which individuals called particles change their position (state) with time. In a PSO system, particles fly in a multidimensional search space. During flight, each particle adjusts its position according to its own experience, and according to the experience of neighbours, making use of the best position encountered by itself and its neighbours. In this paper, we propose firstly, an extension of the PSO system that integrates a new displacement of the particles (the balance between the intensification process and the diversification process) and we highlight a relation between the coefficients of update of each dimension velocity between the classical PSO algorithm and the extension. Secondly, we propose an adaptation of this extension of PSO algorithm to solve combinatorial optimization problem with precedence constraints in general and resource-constrained project scheduling problem in particular. The numerical experiments are done on the main continuous functions and on the resource-constrained project scheduling problem (RCPSP) instances provided by the psplib. The results obtained are encouraging and push us into accepting than both PSO algorithm and extensions proposed based on the new particles displacement are a promising direction for research.     

环保型沥青路面再生工厂布局优化

为解决传统沥青厂拌热再生过程中存在的污染问题,提升相关企业经济和环保效益,以环保型沥青路面再生工厂为研究对象,提出了一套工厂车间布局优化方法.首先,汇总了物料装卸点在各作业单元内部和整体车间范围内的表示方法.然后,以非物流关系密切程度最大、物料搬运成本最小和碳排放量最少为优化目标,建立了车间布局数学模型.最后,采用粒子...