基于PSO⁃K⁃means算法的机场网络聚类分析

针对枢纽机场划分时未考虑机场地理空间位置的问题,构建了机场网络拓扑结构,并提出了基于粒子群优化K-均值(PSO-K-means)算法的机场网络聚类方法。首先,利用介数中心度和度值加权分别表征机场的地理空间位置和机场的繁忙程度;然后,基于PSO-K-means算法对机场网络进行聚类,并将国内枢纽机场划分为4个机场集群;最后,依据轮廓系数指标对聚类结果进行评价。研究结果表明,采用介数中心度和度值加权对枢纽机场分类进行量化,可使不同机场集群呈现出等级梯度变化并表现出较强差异性,方法有效且可行。

改进PSO与模糊聚类相结合的变压器故障诊断

针对基本粒子群算法存在收敛速度慢、易陷入局部极值的缺点,提出了一种改进PSO算法与模糊聚类相结合的变压器故障诊断方法。该方法根据变压器油中主要特征气体含量,利用杂交遗传改进粒子群通过优化模糊聚类准则函数,得出故障类型的最优聚类中心,再由聚类中心得出相应模糊隶属函数,最后由隶属函数判断所属故障类型。实例分析结果表明,该算法在有限样本情况下具有较高的故障诊断正确率,可以满足电力变压器的故障诊断要求。

基于多种群搜索的PSO的物流配送中心寻址求解

物流配送中心选址不仅影响运输等成本,而且也影响顾客的服务水平,在现代物流中具有重要的现实意义。针对物流配送中心选址问题,文章提出了一种基于改进粒子算法的智能求解方法,建立了物流配送中心选择模型,根据模型特点设计出了与免疫优化算法混合的粒子群算法、多种群搜索策略、混沌初始化方法、多样性评价方法。通过合理地设置算法参数,对物流配送中心选址问题进行实验比较,实验结果表明,该文算法的求解效果良好,并且求解的速度较快。

采用中心聚类与PSO的RBF网络设计方法

基于中心聚类法与微粒群(PSO)优化方法,提出一种径向基函数(RBF)网络的设计算法。算法采用中心聚类方法对输入样本数据进行聚类处理,自适应地确定RBF网络隐含层的初始参数;利用修正全局最优解计算方法的经典PSO算法优化RBF网络隐含层参数,进一步修正网络结构参数;输出层权值采用带遗忘因子的递推最小二乘算法在线更新。采用该方法建立炼铁过程中烧结矿成分与转鼓强度关系的预测模型,并用现场数据加以验证;实验结果表明该方法收敛速度快,所建立的模型具有较高的预测精度,可用于复杂非线性系统建模。

物流配送中心选址的IPSO-BP算法

改进标准粒子群优化算法(PSO)的惯性权重参数,提出基于IPSO的BP神经网络算法,以提高物流配送中心选址的预测精度。仿真结果表明,IPSO-BP神经网络算法的预测精度优于常规BP神经网络算法,不仅改进了网络的收敛速度并且提高了预测准确性。

基于协PSO算法的物流配送中心选址研究

针对多目标物流配送中心选址问题,建立选址模型,并设计离散协粒子群算法,最后利用该算法进行了实例研究,结果表明该算法是有效、可行的。

基于PSO-IFCM的遮挡车牌车辆识别

针对智能交通系统中车辆类型自动识别问题,利用车辆面积、车窗位置和车轮位置3个特征,实现车辆类型的快速分类识别。对聚类中心初始化和模糊聚类算法进行改进,提出基于粒子群优化的改进模糊C均值算法(PSO-IFCM)的识别方法,用于车牌遮挡情况下的车辆识别。实验结果表明,PSO-IFCM算法具有较好的鲁棒性。

基于PSO-GA混合算法的物流中心选址模型研究

物流中心的布局决定了整个物流网络的结构、模式和形状,其合理性是有效保障物资的基本前提。针对问题的特点,在合理假设的前提下,给出了选址问题的模型,并以物流成本最低为目标函数运用人工智能领域的前沿算法——微粒群算法(PSO)与遗传算法(GA)的混合算法来求解。实例证明,该算法求解此类问题的性能优于传统的PSO和GA,搜索能力较,且收敛速度较快且不易陷入局部最优。

基于SDN的混合分段路由概率流调度机制

针对数据中心网络流量路径分配不均匀、易造成大流碰撞,以及控制器流表开销大等问题,提出了一种基于SDN的混合分段路由概率流调度机制SRPFS(segment routing probability flow scheduling)。利用SDN集中控制与全局视图特性,首先采用混合分段路由完成流量初始转发;然后选用粒子群优化算法,重定义粒子群内部寻优过程来对流量进行筛选;最后构造全局节点概率矩阵,设计概率调度算法选举出流量转发最优路径。实验结果表明混合分段路由转发技术在流表开销方面优势较大,并且SRPFS相比于其他较典型的流传输机制,在平均网络吞吐量、链路利用率、标准网络吞吐率等方面有明显优势,能够有效减轻控制器的流表负载,保证了较好的网络性能。

求解机械优化的Pareto多目标中心粒子群算法

针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto解集搜索算法相结合,提出一种Pareto多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pa-reto解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。

基于改进粒子群算法的物流配送中心选址策略

针对传统算法在求解物流配送中心选址问题时容易陷入局部最优解和寻优效果不够理想的缺陷,提出了一种改进的粒子群算法。该算法通过引入领域均值来反映粒子间合作与竞争的隐性知识,使粒子种群的多样性和算法的全局搜索能力得到改善;利用边界缓冲墙对超越边界的粒子进行缓冲,使算法的收敛速度和寻优精度有明显的提高。仿真实验结果表明,该算法比传统方法具有更好的性能,特别是当物流需求点的数量很大时,该算法的优越性更加明显。

新型多群体协同进化粒子群优化算法

在基本的MCPSO算法中除了主群与从群的信息交流,从群之间没有信息交流。为了解决这一问题,提出了一种具有中心交流机制的改进MCPSO算法,该策略可以实现各个从群之间的信息交流,从而加快算法收敛。仿真实验结果表明改进后的算法具有较好的求解精度和较快的收敛速度。

粒子群优化算法在配送中心连续性选址中的应用

在用常规算法对配送中心进行连续性选址时,很容易陷入局部最优解。针对这一问题,引入ALA方法的思想,提出了解决此类模型的粒子群优化算法。该算法首先利用ALA方法的局部寻优能力对初始粒子进行优化,然后利用粒子群优化算法进行全局寻优。通过实例分析表明,该算法能很好地处理物流配送中心的连续选址问题,为决策者提供一种有效的优化工具。

反一致可能性C均值聚类算法

可能性C均值聚类(PCM)因存在聚类中心一致性问题而导致PCM算法聚类失效。提出了反一致可能性C均值聚类算法(ACPCM),它将各聚类中心间距离的倒数之和构造为反一致性项,将反一致性项和PCM目标函数之和构成ACPCM目标函数,利用粒子群算法估计聚类中心,利用梯度法建立模糊隶属度迭代公式。理论分析和仿真实验验证了所提算法的聚类有效性及反一致性。

大型呼叫中心排班算法的研究

为了实现对大型呼叫中心系统人力资源的合理配置,从而极大提升呼叫中心生产力并使得运营成本得到最小化,提出了智能排班算法并实现了大型呼叫中心智能排班系统。分析了排班的本质及其所面临的问题,利用外点法抽象除了拟合坐席预测曲线的数学模型,并基于粒子群优化机制对坐席预测结果进行了分段自适应的拟合,最后采用队列轮循法生成了班表。实践结果表明,利用该算法所生成的班表规律高,能很好地适应呼叫中心的需求。

粒子群高斯诱导核模糊C均值聚类算法

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊C均值聚类算法(PSO Gauss-induced kernel fuzzy C-means clustering algorithm,PSO-GIKFCM)。首先将高斯核函数应用于模糊C聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。

基于模糊粒子群算法的变压器故障自动识别

提出了一种新的基于模糊粒子群算法的电力变压器故障自动识别方法。首先对基于油中溶解气体分析得到五种关键气体含量数据进行特殊预处理,得到识别四种故障需要的六个关键特征。然后给出了一个新的模糊聚类目标函数,在此基础上,根据已有的故障样本利用粒子群算法得到各类故障的最优聚类中心;并由此计算出各测试样本到各个聚类中心之间的距离以及相应的隶属度,最后识别出样本的变压器故障类型。测试结果显示,该方法能有效诊断识别出变压器高能放电、过热、低能放电和正常状态,精度可达92%。

基于改进的粒子群优化的模糊C-均值聚类算法

利用粒子群优化(PSO)算法全局寻优的特点,很大程度上避免了模糊C-均值聚类(FCM)算法对初值敏感、易陷入局部收敛的缺陷。利用收敛速度快的K均值聚类法得到的聚类中心作为PSO算法初始聚类中心的参考,提出一种新的模糊C-均值聚类算法Improved PSO FCM。实验结果表明,论文算法提高了FCM的搜索能力,聚类更为准确,效率更高。

随机权值平面选址的粒子群优化算法

将引入粒子群优化算法来解决带随机权值、服从独立均匀概率分布的极小化极大(1-中心)平面选址问题,对其进行实验模拟并得出了乐观的结果。

基于冯诺依曼拓扑结构的骨干粒子群优化算法

为了改善骨干粒子群优化BBPSO算法的易早熟、易陷入局部最优解等缺点,提出了一种基于冯诺依曼拓扑结构的改进骨干粒子群优化VBBPSO算法。新算法提出"兼顾落后粒子"概念,通过应用冯诺依曼拓扑结构构造邻域,用邻域最优解取代全局最优解,引入中心项调节系数,在邻域范围内调整BBPSO算法的进化中心项与离散控制项,提高了算法全局探索能力与局部开发能力。实验结果表明,较几种经典的BBPSO算法,VBBPSO算法的综合性能有明显提升。