Weibull分布参数的粒子群算法估计

基于广西涠洲岛海洋监测站3个方向的年极值波高观测资料,在假设其服从Weibull分布的基础上,运用最小二乘法,矩估计法和最速下降法对Weibull分布的参数进行估计,同时引入粒子群算法确定Weibull分布的3个参数,对文中4种方法得出的拟合结果及运算效率进行比较分析,说明了粒子群算法在估计极值分布参数中的优势。

一种基于分布估计的离散粒子群优化算法

本文提出了一种基于分布估计的离散粒子群优化算法.提出的新算法突破了传统粒子群速度-位移搜索模型的局限,且种群中的每个粒子具有更全面的学习能力,从而能够有效地解决组合优化问题.仿真实验结果表明提出的新算法的性能优于现有的其它几种离散粒子群优化算法.

基于混合粒子群算法的柴油机喷油器可靠性分布的参数估计

针对在柴油机喷油器可靠性分析中运用最大似然估计求解混合威布尔参数时需要面对求解复杂联立超越方程组的问题,引入粒子群优化理论,用混合粒子群算法来求解超越方程组以达到估计混合威布尔参数的目的,并将求解结果与粒子群方法、图解法、非线性最小二乘法的求解结果进行比较。结果表明:混合粒子群算法在求解效率和收敛性能上要优于粒子群方法、图解法和非线性最小二乘法,利用该方法来估计混合威布尔分布的参数是可行的,且能获得较精确的求解结果。

基于蚁群算法的分布式卫星光网络波长路由分配技术研究

为了解决分布式卫星光网络波长路由分配复杂的问题,论文提出基于小窗口策略的蚁群优化算法。采用链路可持续时间和波长空闲率作为启发函数,在实现负载均衡的同时,降低网络的拥塞率;引入小窗口策略引导蚂蚁在最小路由请求区域内进行选路,提高了算法的收敛速度;通过计算相邻链路空闲波长的交集,实现了由单只蚂蚁同时完成路由选择和波长分配。对单主星和双主星两种场景下的算法性能进行了仿真分析,结果表明:与经典的Dijkstra+FF算法相比较,单主星和双主星时的网络拥塞率最高分别降低了0.5和0.7,网络资源利用率改善最高可达到0.45和0.50。

基于蚁群粒子群混合的无线传感器网络定位算法

在无线传感器网络免于测距的定位算法中,DV-Hop算法是典型算法之一;蚁群粒子群算法(ACOPSO)通常被用来作全局优化;为了降低定位误差,提高定位精度,新算法先用DV-Hop算法估量未知节点与锚节点的测量距离,蚁群粒子群算法(ACOPSO)作后期优化,最小化DV-Hop的适应度函数,从而实现基于不同的距离或路径测量方法的优化;经过Matlab仿真分析表明,在相同的仿真环境中,新算法产生的平均定位误差比DV-Hop算法和基于粒子群的定位算法产生的平均定位误差更低,有效地提高了定位精度。

求解排列问题的分布估计离散粒子群优化算法

目前粒子群优化算法和分布估计算法较少用于解决排列编码组合优化问题,本文提出了一种新的适用于求解排列问题的分布估计离散粒子群优化算法.提出的算法结合粒子群优化算法和分布估计算法的思想,突破了标准粒子群优化算法速度-位移更新模式.新算法中每个粒子的信息一部分来自该粒子当前解排列与全局最优排列的最长公共子串,另一部分来自描述所有个体最优值分布信息的概率模型.这样粒子的当前解、所有个体最优值和全局最优值都参与了新解的生成过程,提出的算法秉承了粒子群优化算法的思想,同时具有更全面的学习能力,提高了算法的寻优能力以及避免陷入局部最优的能力.在两个经典的排列问题上的实验结果表明提出的算法具有良好的性能.

一种新的融合分布估计的蚁群优化算法

提出了一种新的融合分布估计的蚁群优化算法。该算法突破了传统蚁群过早收敛的局限性,且蚁群中的每个蚂蚁具有更全面的学习能力,从而能够有效地解决组合优化问题。仿真实验结果表明该算法的性能优于现有的其它几种蚁群优化算法。

组合粒子群优化和分布估计的多目标优化算法

提出组合粒子群优化和分布估计的多目标优化算法。在寻优迭代过程中,一半的后代由粒子群算法产生,带有变异操作的粒子群优化算法具有全局搜索能力;另一半后代采用分布估计算法来产生,分布估计算法具有良好的学习和局部搜索能力,由其提取决策空间的信息并建立期望解的概率分布模型,对这个分布模型进行采样而产生下一代的解。与多种多目标优化算法的比较实验表明,组合算法在基准函数ZDT1～ZDT3,ZDT6和ZDT6-1上获得的Pareto解集具有较好的收敛性与多样性,在ZDT4实例上的性能适中。

蚁群和粒子群优化融合算法在船舶网络资源调度中的应用

在互联网技术高速发展的今天,网络互联技术已经被广泛应用在船舶的自动化控制领域,通过集中化的网络资源管理,船员可以有效地对船舶上的电力系统、导航系统和通信系统进行资源调度,从而达到最优化的水平。本文从船舶的实际控制需求出发,结合最新的人工智能技术——蚁群和粒子优化融合技术,对船舶网络资源进行数学模型的构建。并结合粒子群优化融合算法对蚁群网络的空间布局进行优化,从而使船舶的网络资源在动态调整中达到平衡。仿真结果表明,经过蚁群和粒子群融合算法优化过的船舶网络资源调度效率更高,具有很好的实际应用前景。

蚁群算法中基于分布估计的量子信息素控制研究

针对蚁群算法在连续域问题求解方面的不足,以连续函数最优值问题为例,结合量子态叠加原理和分布估计算法的思想,提出了一种基于分布估计的量子信息素模型及其蚁群算法。它不仅具有分布估计方法的宏观化特性,同时具有量子态叠加机制的多样性,因此有希望突破传统的信息素留存方式在求解连续优化问题时遭遇的局限性。仿真实验结果表明,新信息素控制策略的引入能够使蚂蚁在较短的时间内找到更精确的解,有效避免了蚁群算法陷入局部最优解,对连续域问题求解具有较好的收敛速度和全局寻优能力。

粒子群算法优化神经网络的异步电机转速估计

在异步电机的矢量控制系统中,电机的转速检测是必不可少的,并且转速检测的精度直接影响磁场定向的准确性。讨论了各种无传感器速度辨识方法的特点,利用BP神经网络对异步电机转子转速进行辨识,通过粒子群算法优化使BP神经网络获得更好的网络初始权值和阀值,在此基础上利用Matlab/Simulink建立一个异步电机矢量控制系统,仿真结果表明这种方法能较好地辨识异步电机转子转速,系统具有良好的动态性能,对系统参数变化具有较强的鲁棒性。

具有粒子群特征的并行蚁群算法在输电网络规划中的应用

输电网络规划是一个复杂的多变量非线性整数规划问题,针对蚁群算法计算时间长、易陷入局部最优解等问题,本文提出一种新的具有粒子群特征的并行蚁群算法,并应用于输电网络规划.实验结果证明了该算法在输电网络规划优化中应用的可行性和有效性.

基于蚁群和粒子群的混合光网络路由优化算法

基于蚁群算法和粒子群算法的特性,提出解决光网络路由问题的混合算法。研究了将粒子群算法生成的信息素作为蚁群算法的初始解,然后利用蚁群算法寻找更优解,再由粒子群算法进行变异、交叉操作,得到了"三阶段"的混合算法。仿真结果表明,在解决光网络路由问题时,混合算法比其他几种优化算法效果较好。

蚁群算法在威布尔分布模型参数估计中的应用

针对威布尔分布模型参数的极大似然估计采用牛顿迭代法计算过程烦琐,粒子群算法求解过程中容易陷入早熟等问题,将蚁群算法引入到威布尔分布模型的参数估计中,提出了基于蚁群算法的威布尔分布模型参数估计,并与牛顿迭代法和粒子群算法进行对比,通过实例验证了该方法的可行性与有效性。

基于蚁群算法的煤矿企业计算机网络IP流量矩阵估计

能够完整性地将相应网络中IP流量分布情况进行描述的流量矩阵,它是煤矿企业计算机网络流量的概览,而且它与网络路由信息结合时反应度比较高,能够清晰明了地反映出来网络中的各个链路的流量成分,是网络管理和网络IP流量工程的一种关键性的输入参数值。概述了流量矩阵的含义与应用情况,分析了蚁群算法的机制与优缺点,具体论述了基于蚁群算法的煤矿企业计算机网络IP流量矩阵估计方法与模型建立,取得了很好的测试效果。

基于三适应度粒子群算法的风速威布尔分布参数估计

在传统粒子群算法的基础上,提出具有三适应度的粒子群算法来确定风速威布尔分布参数,其中适应度的函数分别根据风速拟合的相关程度、平均风能密度相对误差和方差3个指标进行定义。该方法具有收敛速度快综合考虑多方面指标的优点,能够确定对实际风频具有很好拟合效果的威布尔曲线参数,达到三适应度指标均最优的效果。利用三适应度粒子群算法对实例进行分析并与其他算法对比,结果表明该算法可较好估计威布尔参数,综合性能优点明显。

一种融合加权策略及分布估计的蚁群优化算法

通过对蚁群算法、加权策略、分布估算算法等进行研究和分析,首先提出将加权策略应用于蚁群算法的信息素更新,有效地提高了算法的全局收敛速度,然后将蚁群算法与分布估算算法进行融合,从而避免了由于信息素的正反馈机制而陷入局部最优的问题,仿真实验表明该算法在收敛速度及最优路径求解方面有较好的改进。

Hadoop架构下基于分布式粒子群算法的骨架网络重构方法

大停电后网络重构阶段的主要目的是通过黑启动电源给失电厂站送电并建立一个稳定的网架,为下一阶段负荷的全面恢复奠定基础。针对确定网络重构阶段的最优目标网架问题,提出一种骨架网络重构方法。该方法首先综合考虑节点、支路在网络中的影响力,具体指以节点重要度、支路重要度分别表征网络中电源与负荷节点的重要程度、网络中各支路对与之相连节点的支撑作用及其在网络中的影响力;同时,为降低重构过程中出现故障的风险和加快后期负荷的全面恢复,提出节点聚集度指标,以表征重构网架的覆盖均匀程度;其次,考虑到大规模骨架网络重构问题属于高维优化的范畴,单机版算法求解高维优化问题时计算效率低,为此提出一种基于Hadoop平台的分布式粒子群算法,该算法利用集群的计算和存储能力求解高维问题时能够显著提高计算效率;最后,以IEEE 30、57和300节点标准系统为例验证所提网络重构方法的有效性。

基于分布估计—蚁群混合算法的柔性作业车间调度方法研究

针对柔性作业车间调度问题,对其优化方法进行了研究,建立了多目标柔性作业车间调度问题的函数模型,提出了分布估计-蚁群混合算法。该算法首先采用分布估计算法快速得到了全局较优解,然后通过选择部分较优解对蚁群算法信息素初始化进行了改进,最后利用蚁群算法正反馈机制快速寻找到了全局最优解;在改进的分布估计算法中,结合了多种方法进行机器选择和工序排序的初始化,给出了相应概率模型和种群更新方式;在改进的蚁群算法中,通过建立两个路径节点集合进行了状态转移规则的描述,并对信息素更新机制进行了分阶段局部更新和全局更新,有利于蚁群算法快速收敛到全局最优解;通过两个柔性作业车间调度实例进行了仿真分析以及和其他算法的对比。研究结果表明:分布估计-蚁群混合算法在求解柔性作业车间调度问题具有较好优化效果和高效求解能力。

基于蚁群算法的IP网络流量矩阵估计

针对IP网络流量矩阵(TM)估计的高度病态性,导致很难精确估计网络流量矩阵,因此提出了一种基于蚁群优化(ACO)算法的IP网络流量矩阵估计方法。通过适当的建模,将流量矩阵估计问题转化为最优化问题,再通过蚁群算法求解模型,有效解决了网络流量矩阵估计。通过测试结果分析,与现存的方法相比,所提算法的精度比最大熵和二次规划稍差,但这两种方法复杂度太高,不适用于大规模网络,因此,在网络规模较大的情况下,算法是较优的,可提高流量矩阵估计的精度。