基于改进K-means聚类和量子粒子群算法的多航迹规划

针对在复杂环境下需要通过多航迹规划以实现武器协同的问题,利用排挤机制产生K-means聚类的初始聚类中心,并将改进K-means聚类与量子粒子群算法（QPSO）相结合应用于无人机的三维多航迹规划。改进算法解决了K-means聚类易陷入局部最优、聚类准确率低的问题。根据产生的初始聚类中心,将粒子划分成多个子种群,利用QPSO算法对每个子种群进行优化,使得每个子种群可以产生一条可行航迹。仿真分析证明了改进算法可以有效保证子种群之间的多样性,生成较为分散的多条可行航迹。     

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.     

基于离散粒子群算法的快递公司城市多级配送网络布局优化

以总费用最小化为目标,综合考虑配送时效性要求和逆向物流,建立了针对城市多级配送中心的布局优化模型,并设计了运用GIS空间数据和离散粒子群算法的求解过程。     

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。     

一种基于离散粒子群优化的战场动态频谱指配策略

针对战场频谱动态指配问题,建立了基于用频冲突等级最小的频谱指配数学模型,提出了 一种采用粒子编码和交叉更新位置的离散粒子群优化算法,根据本问题特征设计了合适的适 应度函数和局部搜索策略。实验结果表明,提出的算法能够有效地求解频率指配问题。     

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。     

基于粒子群算法的低副瓣天线阵列的设计

文中基于粒子群算法,在考虑单元天线之间耦合因素下,通过对一个8元直线阵的辐射单元馈电幅度进行优化,实现了天线方向图的低副瓣性能;天线实验样件的测量结果与仿真结果一致性好,进而说明了该方法是有效的。     

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。     

一种并行化的改进型灰狼分簇算法

针对传统的分簇算法在解决超大规模数据集的分簇问题上不具有高效的时间和空间复杂度且易于陷入局部最优的问题,提出了改进型灰狼分簇算法（Improved Gray Wolf Clustering Algorithm,IGWCA）,将灰狼行为规则与灰狼狩猎策略相融合,同时引入狄利克雷分布（Dirichlet Distribution）实现先验,在基准数据集上完成IGWCA与其他分簇算法的对比分析。实验结果表明IGWCA不仅具有较强的探索和开发能力,还具有较小的分散度。使用Hadoop框架的MapReduce模型实现IGWCA的并行化（IGWCA on MapReduce,IGWCA-MR）,通过F-Measure和平均运行时间验证IGWCA-MR的分簇质量,并在真实数据集上验证了IGWCA-MR的运行时间和加速性能。实验结果证明,IGWCA-MR可以有效解决超大规模数据集的分簇问题,是一种高效的替代算法。     

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。     

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。     

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。     

基于球谐变换的无人机蜂群RCS快速分析算法

为了获取目标的雷达截面积(Radar Cross Section,RCS),传统的方法是采用矩量法（Method of Moment,MOM）或多层快速多极子方法(Multi-level Fast Multipole Algorithm,MLFMA),尽管对目标的RCS计算精确,但其要求计算机的存储量大且计算耗时。而对于由上百成千个小型无人机组成的无人机蜂群而言,若采用上述方法来计算其RCS,计算量巨大,甚至无法计算。针对上述问题,提出了采用球面波展开技术与球谐变换相结合的方法来提升对无人机蜂群RCS的仿真效率,其关键技术是通过改变球谐函数中的求和次序,利用快速傅里叶变换来计算偏心球面上离散点的电场分布。数值实例表明,相比于高精度的MLFMA,所提方法获取蜂群无人机RCS的结果与其吻合良好,但对计算机内存的需求远远小于MLFMA,且随着无人机数量的增加,其计算速度可提升几个数量级。     

基于BWAS的无线传感器网络静态分簇路由算法

为提高路径搜索效率,避免动态分簇较多的能量消耗,提出了基于最优-最差蚂蚁系统(BWAS )的无线传感器 网络静态分簇路由算法。BWAS是对蚁群算法的改进,在路径搜寻过程中评价出最优最差蚂蚁 ,引入奖惩机制,加快了路径搜索速度。通过无线传感器网络静态分簇、簇内动态选举簇头 ,在簇头节点间运用BWAS算法搜寻从簇头节点到汇聚节点的多跳最优路径,能减少路径寻优 能量消耗,实现均衡能量管理,延长网络寿命,且具有较强的鲁棒性。通过与基于BWAS的 动态分簇和基于蚁群算法的动态分簇路由的仿真实验相比较,证实了本算法的有效性。     

基于聚类和重心法的区域配送中心选址应用研究

区域配送中心是物流系统中的设施枢纽,区域配送中心的合理选址具有重要意义。针对区域配送中心选址问题,将聚类与重心法相结合,首先用最大树聚类法对整个配送区域进行划分,然后用重心法求解出各区域配送中心地址。最后,以河北某物流公司为例进行实证。     

一种基于Jini的动态集群

提出了一种基于Jini技术的动态集群方案,并描述了在该方案基础上搭建的面向服务的系统集成实现架构.该架构利用Jini技术简洁、稳定、可伸缩、支持网络"即插即用"的特性,使系统变得更加容易管理,提高了系统的可用性和可伸缩性.