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。

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。

电力系统机组启停优化问题的改进DPSO算法

该文从微粒群优化算法的原理和机组组合问题的特点出发,提出了一种适合机组启停优化问题求解的改进的离散二进制微粒群优化算法(DPSO):文中结合机组启停优化问题的特点,采用改进的DPSO 算法对机组的开停机状态进行优化组合,利用随机的顺序投入法初始化原始种群,将无希望/重希望准则引入搜索过程,通过重新初始化机制与变异操作克服DPSO 易于陷入局部最优的缺点,并保证机组的开停状态组合满足单机约束和系统约束。保证搜索在问题的可行域进行。对2 个算例系统的仿真计算及与其它方法的比较表明,该算法在搜索精度和搜索速度方面均具有很大的优越性。此算法兼顾了收敛速度和收敛精度2 个方面,具有很好的适应性。这种寻优的方式不仅为机组启停优化问题带来了新的解决思路,对于求解更广泛的组合优化问题亦具有普遍的意义。

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。

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.

以DPSO—TTA为协同流动载体的液膜法分离富集铬(Ⅵ)

应用DPSO、TTA为协同流动载体的高效液膜分离技术,富集水和土壤中的微量铬(Ⅵ).研究了协同流动载体(DPSO和TTA)、表面活性剂(SPAN80)、膜的增强剂(液体石蜡)、膜溶剂(煤油)和内相(NaOH水溶液)等体系对液膜分离富集微量铬的影响,确定了高效液膜体系的最佳组成、慢适宜的实验条件.富集后的溶液,用二苯卡巴肼光度法测定铬.分离富集水和土囊中微量铬,富集倍数为20倍以上,已成功地应用于测定水和土壤中微量铬,结果满意.其回收率在99.5%以上.相对标准偏差为1.2%～4.6%.

基于DPSO算法的黑启动负荷恢复方案

为了科学、合理制定负荷恢复方案，通过研究负荷恢复特性，提出了一种基于DPSO算法的负荷恢复算法。该方法对指定的目标节点进行负荷恢复计算，使得负荷恢复具有更强的针对性、适应性和可操作性。通过经典电网模型和实际运行电网的验证，结果表明了算法有效性。

基于DPSO-BP网络模型的短期电力负荷预测

为准确、快速、高效地预测电网短期负荷,提出改进的粒子群算法(DPSO),并与BP算法相结合,形成改进的粒子群—BP(DPSO-BP)神经网络算法,用此算法训练神经网络,实现神经网络参数优化,得到基于DPSO-BP算法的神经网络模型。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。

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。

基于DPSO-AO~*算法系统测试序列优化问题研究

为了使复杂装备信息处理系统在进行故障定位过程中耗时最少、成本最低,建立了系统测试序列优化问题的数学模型。基于DPSO-AO~*算法的改进,得到信息处理系统的最优测试策略决策树,根据信息处理系统的相关矩阵,按故障概率,随机生成故障,采用相应的测试序列进行测试,最后利用累计测试费用进行比较,从而证明了改进的DPSO-AO~*算法正确有效。

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DE-DPSO-GT-SA算法的协同多任务分配

针对无人机(UAV)编队的协同多任务分配问题(CMTAP),考虑双机协同探测、双机协同攻击的情况,结合时间约束、时序约束、时间间隔约束、载机弹药约束、任务能力约束等约束条件,扩展了协同多任务分配模型;将差分进化(DE)算法、郭涛(GT)算法、离散粒子群优化(DPSO)算法、模拟退火(SA)算法进行融合,提出了DE-DPSO-GT-SA算法,用以求解协同多任务分配问题。通过与多种算法进行比较,仿真试验结果表明,所提算法具有较好的收敛性能。

PMBP和DPSO协萃剂负载泡塑萃取Sc^（3＋）、Y^（3＋）、La~（3＋

本文论述了ＰＭＢＰ和ＤＰＳＯ协萃剂负载于聚醚型聚氨酯泡沫塑料上，萃取微量稀土元素钪、钇、镧、镨和钕的最佳实验条件（萃取剂浓度、温度、酸度）。研究了它们的萃取性能（萃取百分率、分配比、萃取容量），说明它是实用的萃取方法。

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。