任务调度算法中新的自适应惯性权重计算方法

粒子群算法(particle swarm optimization,PSO)是解决云计算环境中工作流系统的任务调度优化问题的主流智能算法.然而基于传统自适应惯性权重的粒子群任务调度算法易陷入局部最优,导致调度方案的执行时间与费用较高.因此,通过改进单个粒子的成功值计算方法,提出了一种新的自适应惯性权重计算方法 NAIWPSO(new adaptive inertia weight based particle swarm optimization).该方法通过比较每个粒子的适应度与全局最优值,可以更加精确描述粒子状态,进而提高了权重的自适应性.在新惯性权重基础上,提出了一种解决云工作流系统中任务调度优化问题的改进粒子群算法.新权重可以更准确的调整粒子速度,使算法更好地平衡粒子全局与局部搜索,避免陷入局部最优,获得执行费用更优的调度方案.实验表明,与5种已有惯性权重算法比较,新算法收敛稳定、适应度最低、执行费用平均减少18%.

PID神经网络算法对K型热电偶非线性校正

针对火箭发射场发射效应测温系统中K型热电偶存在的非线性特性,设计中将非线性特殊点作为训练样本,采用新型动态PID神经网络算法对热电偶进行非线性校正。针对基本BP算法收敛慢、易陷入局部极值的缺点,提出利用粒子群算法来改进网络的寻优过程,并在传统算法基础上对其惯性权值的递减式子进行改进。使用Matlab建模仿真表明,改进算法在寻优过程中,收敛速度快,全局寻优能力强,有较好的控制效果。拟合出的温度电压关系呈现好的线性度,相对误差均控制在1%以内,提高了系统测试精度,满足对火箭发射时温度环境效应的监测要求。

基于改进烟花算法的钢铁企业原材料采购优化

针对钢铁企业原材料采购成本偏高的问题进行了原材料采购优化研究。考虑到导致原材料采购成本偏高的因素是采购提前期不固定、原材料价格波动大等,建立了以降低采购、运输和库存成本为目标的整数规划模型,并提出了一种改进的烟花算法(FWA)对问题进行求解。该算法采用Lévy飞行搜索算子改进FWA搜索性能,利用惯性权重优化其收敛速度,使改进后的FWA具有收敛速度快、全局寻优能力强等优点。该改进的烟花算法叫LFWA。最后通过一个应用实例与其他算法进行了对比,进一步验证了该算法的有效性。

CAWOA-ELM混合模型的锅炉NO_x排放量预测

针对燃烧过程中变量之间的强非线性和耦合性,利用极限学习机(ELM)和改进的鲸鱼优化算法(WOA)进行混合建模。该方法利用Sin混沌自适应鲸鱼优化算法(CAWOA)对极限学习机的模型参数进行搜索和优化,以提高极限学习机的泛化性能。在CAWOA算法中,通过引入Sin混沌搜索策略和自适应惯性权值来改善WOA算法的全局优化性能。在此基础上,利用优化后的极限学习机对330MW煤粉锅炉的NO_x排放质量浓度进行预测,建立了CAWOA-ELM的NO_x排放量预测模型,并与同类算法模型进行对比研究。结果表明:该方法具有更好的泛化能力,能更加精确地预测NO_x排放量。

多UCAV协同任务分配模型及粒子群算法求解

任务分配是多无人作战飞机(UCAV)协同控制的基础.对此,分析了影响任务分配的关键战技指标,建立了针对攻击任务的多UCAV协同任务分配模型.应用连续粒子群算法对问题进行求解,建立了粒子与实际问题间的映射,通过位置饱和策略构造粒子的搜索空间,采用自适应惯性权重提高粒子群算法的收敛速度和全局寻优能力.考虑到单机的任务载荷限制,引入了买卖合同机制以实现多机任务协调.仿真结果表明,所提出模型和算法可以较好地解决多UCAV协同任务分配问题.