用于测试序列优化的DPSO-WAO*算法研究

针对现有测试序列优化算法所存在的计算效率及优化性能间的矛盾,在DPSO-AO*算法基础上,采用基于加权Huffman编码的启发式评估函数实现对测试成本的评估,形成了DPSO-WAO*算法;实例证明,基于加权Huffman编码的启发式评估函数更为准确地评估了全局测试成本,使DPSO-WAO*算法优化性能较DPSO-AO*算法提升10%以上,趋近传统AO*算法,并通过取消成本回溯有效降低了传统AO*算法的计算复杂度,对于运载火箭等大型系统的测试序列设计、故障诊断等具有重要意义。

面向设备与人力资源协作任务的优化调度方法

面向人机物融合的泛在计算正成为软件发展的新需求和新趋势,基于这种新形态计算模式的人机物融合应用将软件技术进一步拓展至对线下资源,包括物理设备和人力资源的有效利用.作为典型的人机物融合场景,物理世界中设备资源与人力资源间的协作具有资源可选性、任务高频性、工人动态性的特点,传统的资源调度技术无法有效应对该类型任务(简称为DHRC任务)中的调度需求.为此,提出一种面向设备与人力资源协作任务的优化调度方法,所提方法分为设备资源调度和人力资源调度两个阶段.在设备资源调度阶段,提出基于NSGA-II的设备资源调度算法,在综合考虑任务距离、设备负载和设备位置周边工人人数等因素情况下实现任务对资源的优化选择.在人力资源调度阶段,提出基于DPSO的人力资源调度算法,根据工人位置和协作依赖等因素实现对工人的优化选择以及相应的路径规划.在模拟环境内的实验结果表明,所提方法第1阶段的算法在效率上与对比算法相当,在效用性上优于对比算法(离散粒子群优化算法).第2阶段的算法在效率上与效用性上均优于对比算法(使用锦标赛机制改进的遗传算法).

基于DPSO的智能WSN分簇路由算法

主要针对无线传感网络经典分簇协议LEACH(Low Energy Adaptive Clustering Hierarchy)中存在的三个使能量消耗过大的问题,提出了一种新的智能无线传感网络分簇路由算法DPSO—CR(Discrete Particle Swarm Optimization—Clustering Rou-ting)。针对LEACH中分簇不均匀的问题,提出用改造后的离散粒子群优化DPSO直接计算全局最优簇首的位置,使簇结构分布均匀合理;针对LEACH簇首与基站单跳通信能量消耗过大的问题,根据能量传输代价作为权值计算每个簇首到基站的多跳最小能耗路径;针对LEACH按轮进行全局簇首重选机制带来能耗过大的问题,提出了局部簇首更新机制来进一步节省能量消耗。实验结果表明,与LEACH协议相比,DPSO—CR算法不但分簇结构合理均匀,网络的生命周期也大大延长。

基于改进DPSO算法的航空发动机失谐叶片排序

通过叶片模态实验获得叶片失谐参数,建立了叶盘系统动力学模型,提出了一种新的排序方式.在标准粒子群算法中引入遗传算法的交叉算子和变异算子以及遗传选择的思想,利用罚函数法兼顾错频与减振的应用需求,保留了粒子群算法收敛较快的优秀特性,改善了粒子群的全局寻优能力,并得到比其他优化算法精度更高的排序结果.结果表明,恰当的叶片排布顺序可有效降低叶盘系统振动局部化,采用提出的离散遗传粒子群算法进行叶片排布可使叶盘系统振动幅度较小或者在可接受范围内.

基于DPSO的无等待混合流水车间调度方法

研究了无等待混合流水车间调度问题,调度目标为最小化工件的最大完成时间。针对问题中工件加工无等待特点,设计了分阶段实现的无等待算法,并将机器的能力约束嵌入到算法之中。在此基础上,首次应用离散粒子群优化算法对无等待混合流水车间调度问题进行了优化求解。通过仿真实验表明,离散粒子群算法的优化质量优于遗传算法及LTPT、STPT和FCFP三种启发式算法,同时验证了分阶段无等待算法的有效性。

基于多色集合的改进DPSO求解进出库调度

在自动化立体仓库进出库调度问题的研究中,影响自动化立体仓库进出库调度的因素较多,具有一定的复杂性。为避免传统遗传算法在求解进出库调度问题中存在的"早熟"或收敛过慢等不足,提出基于多色集合理论的改进离散粒子群算法。在求解过程中用多色集合的围道矩阵来合理安排进出库货位在粒子中的位置,以提高粒子群算法初始化种群的质量,从而提高算法的搜索性能和优化结果,并在迭代过程中对部分粒子重新初始化,以保证粒子的多样性,避免结果陷入局部最优。通过与遗传算法和离散粒子群算法的实例比较,利用上述算法进出库调度不仅所用时间短,且算法收敛快、迭代次数少,从而验证了改进算法在解决自动化仓库进出库调度优化问题时的有效性和优越性。

云计算环境下的DPSO资源负载均衡算法

负载均衡问题是云计算研究的热点问题之一。运用离散粒子群算法对云计算环境下的负载均衡问题进行研究,根据云计算环境下资源需求动态变化,并且对资源节点服务器的要求较低的特点,把各个资源节点当做网络拓扑结构中的各个节点,建立相应的资源-任务分配模型,运用离散粒子群算法实现资源负载均衡。验证表明,该算法提高了资源利用率和云计算资源的负载均衡。

改进的可见光通信系统PTS峰均比抑制方法

针对非对称剪切正交频分复用(asymmetric-clipped orthogonal frequency division multiplexing,ACO-OFDM)可见光通信(visible light communication,VLC)系统中信号的高峰均功率比(peak-to-average power ratio,PAPR)问题,采用部分传输序列(partial transmit sequence,PTS)方法,并结合二进制离散粒子群优化(discrete particle swarm optimization,DPSO)算法,提出一种改进的PTS峰均比抑制方法——DPSO-PTS方法。利用DPSO算法对加权的相位因子进行优化处理,选择最佳的相位因子组合来有效控制PAPR的范围,并对乘加权信息的子块进行求和,从而选择出最小PAPR对应的一组信号进行传输。仿真结果表明,在互补累计分布函数(complementary cumulative distribution function,CCDF)为10-4时,DPSO-PTS方法的系统PAPR降低了约4 dB,且相较于传统PTS方法,系统的复杂度和误码率(bit error rate,BER)性能也得到有效的改善。

基于改进DPSO的组合测试数据生成算法

对离散粒子群优化算法进行改进,提出一种两两覆盖的组合测试数据生成算法。以一个粒子代表一个测试数据集,从整体上评价测试数据集对各个因素组合的覆盖情况,以测试数据中各因素离散值出现的次数为依据,随机产生粒子位置。实例分析表明,该算法与初始值无关,可有效生成测试数据且收敛速度快。

基于动态粒子群优化的X结构Steiner最小树算法

Steiner最小树(SMT)是总体布线的最佳连接模型,其构造是1个NP-难问题。粒子群优化(PSO)算法在解决NP-难问题中具有良好的表现,而PSO算法中种群的拓扑结构及搜索信息的传递机制对其性能有着很大的影响。1个适用于具体问题的种群拓扑结构对算法性能的提升极为显著。因此,利用PSO求解总体布线问题需要根据具体布线问题的特性来选择合适的粒子拓扑结构策略,以提升PSO的性能。提出基于动态PSO的X结构Steiner最小树(XSMT)算法以解决总体布线问题。首先,设计动态子群与信息交换策略,对种群进行子群划分,引入信息交换的概念,让子群在保持独立性的同时与其他子群进行信息交换,增加子群多样性;其次,设计粒子学习与变异策略,通过设置子群中粒子的学习对象使子群趋向于全局最优,并选择每个子群中适应度值最好的粒子进行变异,使粒子更易于跳出局部最优;最后,设计从多群局部学习过渡到单群全局学习策略,使算法在迭代次数到达阈值之后从局部学习过渡到全局学习,使得粒子在较优拓扑结构的基础上内部连接以获得更好的线长优化率。实验结果表明,与现有的2种R结构SMT(RSMT)算法相比,所提算法在优化线长方面分别优化了10.25%、8.24%;与现有的3种XSMT算法相比,该算法在优化线长方面分别优化了2.44%、1.46%、0.48%,验证了算法的有效性。

基于DPSO算法的并行测试任务调度

为解决并行测试任务调度复杂、难以优化的难题,利用惯性因子动态调整的粒子群算法(dynamic particle swarm optimization,DPSO)建立任务间存在约束关系的并行测试任务调度模型,给出模型求解算法,并通过仿真实验验证该模型的有效性和DPSO算法应用于并行测试任务调度的可行性。

基于CRLB与改进DPSO算法的多传感器分配

针对地面防空武器系统中多传感器分配问题,首先研究基于Cramér-Rao下限的多传感器跟踪分配模型,根据目标跟踪过程的特点将Cramér-Rao下限引入分配模型,使得在进行跟踪分配时无需考虑目标跟踪滤波算法的选择,同时通过细化约束条件使模型更加贴近实际作战情况。利用离散粒子群优化算法求解模型,通过改进其搜索策略以及惯性权值和加权因子提高算法准确性与时效性,给出了模型的求解步骤。关联仿真结果表明该分配方法的可行性,并通过对比算法求解模型验证了改进DPSO算法的快速准确性。

基于改进DPSO算法的并行测试任务优化调度研究

并行测试以减少测试时间和降低测试成本的强大优势,已成为当前自动测试系统发展的方向;针对并行自动测试过程中,测试任务调度复杂,难以优化的问题,以PSO算法为基础,通过对问题空间编码的重新定义,并运用交叉、变异算子给出了新的粒子位置的更新公式,提出了一种改进后的DPSO算法;依据并行测试完成时间极限定理,给出了并行测试任务调度的目标函数与约束条件;以某雷达电子装备并行测试系统中三块电路板并行测试为例,对改进的DPSO算法进行了仿真验证,得到了最优调度测试序列;结果表明:与遗传算法相比,改进后的DPSO算法迭代次数更少,寻优性能更好,适用于工程应用。

基于改进DPSO算法的航空发动机失谐叶片排序

通过叶片模态实验获得叶片失谐参数建立了动力学模型。在标准粒子群算法中引入遗传算法的交叉算子和变异算子以及遗传选择,保留了粒子群算法收敛较快的特性,增加种群的多样性,改善了粒子群的全局寻优能力,并得到比其他优化算法精度更高的排序结果。研究表明,选择适当的叶片排布顺序可以有效降低叶盘系统受迫振动幅值、减轻系统振动局部化程度,采用提出的离散粒子群算法(discrete particle swarm optimization,简称DPSO)进行叶片排布可以使叶盘系统振动幅度较小或者在可接受范围内。

基于G-DPSO算法的决策树轴承故障诊断方法

针对机械设备状态监测与故障诊断技术中特征提取对诊断准确性的局限,从原始故障信号数据中提取出尽可能多的有用信息。提出通过最佳特征数据集对轴承故障进行诊断分析,分别从幅域和频域对故障数据进行特征提取。采用一种改善的粒子群(G-DPSO)算法对提取的特征数据集进行筛选,对传统粒子群算法权重系数进行优化,同时和故障诊断需要的决策树模型的信息熵增相结合,可以达到将最适合故障诊断的特征向量提取出来的目的。用5种轴承故障数据对所提方法进行实验分析,诊断正确率能达到97%之上,证明所提出的方法是有效、可靠的。

基于DPSO算法的半球共形阵方向图综合

针对共形阵列天线方向图综合所需迭代次数大,且算法的收敛对初始值敏感问题,本文采用DPSO算法对半球共形阵赋形方向图综合进行了研究,通过对半球共球阵模型的建立,推导了所建模型的方向图函数。仿真结果表明,DPSO算法能够较快地综合半球共形阵的赋形方向图,是一种高效且实用的综合算法。

改进DPSO算法在数据采集系统信道选择中的应用

针对基于Zig Bee的数据采集系统传输数据时容易受到Wi Fi网络产生的多信道干扰问题,通过同频干扰机制建立干扰矩阵表,以PSO算法为基础,利用实变方式调整惯性权重,引入新的速度更新公式,提出一种基于DPSO与抗同频干扰机制相结合的信道分配方案。定义两种评价函数算法分别为干扰增益最大化和信道公平性原则。通过对比实验得出两种算法各有优势,可以根据实际情况确定算法模式。同时与传统算法相比,新的DPSO算法迭代次数少,收敛速度快,降低了传感器的能耗。从节能角度考虑,更适用于Zig Bee数据采集系统。

基于DPSO算法的联合防空调度方案仿真优化方法

联合是现代防空作战的重要趋势,但其效果难以定量计算,当考虑兵力编成、任务指派等离散、受约束的调度参数时,其方案优化更是NP-Hard难题。对此,提出了基于离散粒子群(DPSO)算法的仿真优化方法:利用作战仿真评估方案效能,再利用DPSO算法进行优化。概述了典型联合防空作战过程;建立了轰炸机、地空导弹、雷达干扰机等仿真模型和作战效能评估模型;介绍了DPSO算法的原理和基于DPSO算法的调度优化模型;最后,实例展示了方法的有效性。

基于优化DPSO算法的云平台任务调度研究

为提升离散粒子群优化算法(discrete PSO,DPSO)的全局收敛性和收敛效率,提出一种基于适应值的分段自适应惯性权重.根据粒子在空间搜索过程中适应度值的大小,将粒子的搜索性能分为4个状态区,粒子处于不同的状态区,拥有不同的惯性权重值.当粒子当前的适应值接近粒子群中最优粒子的适应值时,应赋予粒子较小的惯性权重值,反之,应赋予粒子较大的惯性权重值.通过动态调整粒子所处各个阶段的搜索状态,来加速粒子向全局最优解收敛.提升DPSO算法的全局搜索性能,并将优化的DPSO算法应用于云平台的任务调度.仿真实验表明,优化后的DPSO算法具有高效的全局搜索性能,能快速地为云平台提供最佳任务调度策略.

基于改进DPSO的含风力发电的配电网无功优化规划

研究了风力发电系统并网后配电网无功优化问题,将年负荷持续曲线处理为五种负荷运行方式,考虑风电机组输出功率的波动性,以年电能损失费用与无功补偿设备的投资费用之和最小为目标函数,以功率平衡、过补偿约束、电压合格、馈线电流约束为约束条件,应用改进的离散粒子群算法(PSO-GA)优化并联电容器组的安装位置和容量。仿真结果证明了该优化策略的有效性及经济性。