基于PSO-ABC的混合算法求解复杂约束优化问题

为了改善粒子群优化(particle swarm optimization,PSO)算法在处理复杂约束优化问题时的求解效果,提出了一种基于粒子群和人工蜂群的混合优化(particle swarm optimization-artificial bee colony,PSO-ABC)算法。在采用可行性规则进行约束处理的基础上,将PSO种群分为可行子群和不可行子群,并在ABC算法从粒子种群中选择蜜源时,保留部分较优的可行解信息和约束违反程度较低的不可行解信息,弥补了联赛选择算子在处理最优点位于约束边界附近的问题时存在的不足。同时,使用禁忌表存储局部极值,减小了PSO算法陷入局部最优的危险。针对4个标准测试实例的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。

求解工程约束优化问题的PSO-ABC混合算法

针对包含约束条件的工程优化问题,提出了基于人工蜂群的粒子群优化PSO-ABC算法。将PSO中较优的粒子作为ABC算法的蜜源,并使用禁忌表存储其局部极值,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性规则进行约束处理,将粒子种群分为可行子群和不可行子群,并在ABC算法产生蜜源的过程中保留部分较优的可行解和不可行解的信息,弥补了可行性规则处理最优点位于约束边界附近的问题时存在的不足。四个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。

基于改进粒子群算法的三维路径规划研究

针对基本粒子群算法(PSO)收敛速度快、易早熟,容易陷入局部误区的问题,提出了粒子群-人工蜂群混合算法(PSO-ABC),并将提出的算法应用于无人机三维环境下的路径规划。该算法在改进粒子群算法的基础上,融合了人工蜂群算法来对无人机三维路径进行全局规划。首先引入非线型惯性权重和收缩因子,改进粒子的速度公式,然后利用人工蜂群算法的搜索算子对最优解再一次寻优,解决了粒子群算法因局部搜索能力较差陷入局部误区的问题。本文在三维环境下设置了两组实验,对比粒子群-人工蜂群混合算法与粒子群算法、人工蜂群算法的路径寻优性能。实验结果显示,本文提出的算法路径寻优能力有所提高,相比于粒子群算法,提高了6.1%,相比于人工蜂群算法提高了6.9%。

基于ABC-PSO的SHEPWM控制方法的优化

针对传统数值算法求解三相逆变器SHEPWM谐波模型时,难以确定初值,不易收敛等问题,采用改进的ABC-PSO算法求解三相逆变器消谐模型的开关角度,该算法求解出的开关角在同调制度下的线电压、线电流谐波更低,具有更低的总谐波含量。结果表明,在满足基波幅值要求下,输出的电压的5、7、11、13、17、19次及3的倍数次谐波基本为0,消除谐波效果更好,验证了ABC-PSO算法求解SHWPWM方程的可行性。

基于粒子群人工蜂群算法的灌区渠-塘-田优化调配耦合模型

为了缓解农业水资源供需矛盾,减少南方季节性干旱造成的损失,该文结合南方灌区渠、塘、田地复杂的水量转化关系,建立了以灌溉区域效益最大为目标的渠-塘优化调控与田间多种作物优化配水相结合的耦合模型;根据该模型的特点,提出了模型求解的粒子群-人工蜂群混合算法。将模型应用于漳河灌区,并与常规的渠-塘调控和作物配水模型和只考虑作物优化配水模型相比较。结果表明,渠-塘-田地协同调配效果显著,耦合模型计算所得特别枯水年(降雨频率为95%)下灌溉用水效益比采用其他2种模型分别提高了20.7%和6.9%。粒子群-人工蜂群混合算法能快速求解该优化调配耦合模型,有利于解决多水源、长距离输配水、库塘共同调控等复杂情况下的高效用水模型的求解问题。

PSO和ABC的混合优化算法

通过将粒子群优化(Particle Swarm Optimization,PSO)算法与人工蜂群(Artificial Bee Colony,ABC)算法相结合,提出一种ABC-PSO并行混合优化算法。在每次迭代中,将种群分为两个子种群,一个子种群使用PSO算法,另一个子种群使用ABC算法,两个算法寻优后进行比较,选出最优适应值。通过混合算法对4个标准函数进行测试,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。

基于ABC-SVM和PSO-RF的光伏微电网日发电功率组合预测方法研究

综合考虑气象因素,使用ABC-SVM方法,对历史的气象数据和光伏出力数据进行训练,依据发电量情况将气象数据分为4类;之后在4类气象情况下各选取上万条数据,使用PSO-RF模型分别训练每组数据,得到4个带不同参数的模型;最后根据每天的气象情况运行不同的模型。验证本组合方法之后发现,通过气象分类后得到的模型,可大幅提高光伏发电量预测的效果。

移动云计算中的网络切换管理

本文考虑到不同的可用无线网络、应用需求、用户偏好等因素,根据人工蚁群算法(ABC)和粒子群优化算法(PSO)提出了智能的垂直切换混合算法(ABC-PSO).与相关工作进行对比,仿真实验表明ABC-PSO算法具有较低的成本和通信延迟以及更高的可用带宽和更少的切换次数.

无刷同步发电机旋转整流器故障的神经网络识别

针对无刷同步发电机旋转整流器常见故障特点,提出一种基于小波包分解和BP神经网络的旋转整流器故障识别方法。运用小波包分析(WAP)提取故障特征信号,建立故障识别的神经网络模型,采取粒子群-人工蜂群(PSO-ABC)算法优化神经网络的最优初始连接权值和阈值等结构参数。仿真结果表明,该方法具有识别速度快、准确性高等优点。

基于BP神经网络的机电产品绿色度评价方法

绿色度评价直接影响着机电产品的设计、制造、管理及发展。从机电产品制造的能源、资源、环境、经济和技术等属性进行分析,运用层次分析法(AHP)确定机电产品绿色度评价指标体系及其权重,建立机电产品绿色度BP神经网络评价模型,通过粒子群-人工蜂群(PSO-ABC)算法优化训练BP神经网络结构参数。仿真实验表明,该方法评价速度快、准确率高,对于指导机电产品绿色制造具有较好的参考价值。

萤火虫群算法优化高斯过程的网络安全态势预测

针对共轭梯度法获取高斯过程超参数存在迭代次数难以确定及预测不精准等问题，提出一种萤火虫群算法优化高斯过程的预测方法，并将其应用于网络安全态势预测研究。采用萤火虫群优化算法对高斯过程超参数进行智能寻优，建立基于高斯过程回归的网络安全态势预测模型。实验结果表明新方法的平均相对预测误差较共轭梯度法、粒子群优化算法和人工蜂群优化算法分别降低了近29．46％、10．37％和4．22％，且新方法收敛较快。另外，分析对比了3种单一类型和2种复合类型的协方差函数对高斯过程预测的影响，实验结果表明采用神经网络与有理二次的复合协方差函数（neural network and rational quadratic composite covariance function，NN-RQ）的平均相对预测误差较其他4类协方差函数降低了1．65％～7．51％。

基于DCT与自适应人类学习优化算法的图像匹配算法

为提高图像匹配的精度和速度,利用离散余弦变换(DCT)和自适应人类学习优化算法(ASHLO),提出了一种快速并且抗噪性强的图像匹配算法。该方法利用当前搜索位置子图像和模板图像离散余弦变换后的参数构造适应度函数,经过迭代寻优寻找最优匹配位置。将该算法在正常情况下以及不同噪声情况下与穷举法、基于粒子群算法(PSO),基于人工蜂群算法(ABC)的图像匹配算法进比较。实验结果表明,该算法可以获得较高的准确率,成功匹配率约95%,且速度快,抗噪性强。

仿生智能算法群桥水域航路规划应用研究

针对航路规划问题,分析了群桥水域特征.将群桥水域桥墩建模为纵向等间距的近距离连续障碍物,并以航路长度和障碍物威胁代价建立了群桥水域航路代价模型,分别运用粒子群算法、人工蜂群算法和人工鱼群算法3种仿生智能算法对该问题进行了求解.对AFSA算法中不同参数取值进行优化研究,并最终确定了较优的参数组合,得出了3种算法均能解决航路规划问题的结论,并对3种算法优缺点进行了对比分析.ABC算法收敛速度较慢,AFSA算法稳定性较差且计算耗时较长,确定了算法优化方向,为后期开展复杂情况下群桥水域航路规划研究奠定了基础.

基于粒子群和人工蜂群混合算法的气动优化设计

现代启发式智能算法存在全局与局部搜索能力的平衡问题,针对此问题,采用双种群进化策略和信息交流机制,提出一种基于粒子群算法和人工蜂群算法相结合的新型混合优化算法——MABCPSO,并分别进行函数测试和翼型的气动优化设计验证。结果表明:MABCPSO新型混合优化算法具有更好的寻优能力,相比粒子群算法和人工蜂群算法,该算法能以更少的进化代数分别提高1.7%和2.2%的减阻效果。

基于人工蜂群算法的群体动画路径生成方法

大多数群体智能算法容易陷入局部最优,且收敛速度较慢。为此,将粒子群优化算法引入人工蜂群算法中,提出一种改进的路径生成算法NewABC,实现最优目标位置的选取及粒子个体的路径规划。将该方法生成的路径数据导入maya三维动画制作软件中进行仿真实验,结果表明,该方法生成的群体动画效果逼真,动画创作效率有较大的提高。

基于ABC-PSO的ε-SVM在甲烷测量中的应用

针对红外甲烷传感器在工业现场测量时易受到温度、湿度以及类似气体等非目标变量的影响,提出了一种基于人工蜂群和粒子群混合优化算法(ABC-PSO)的支持向量机模型(ABC-PSO-ε-SVM)对其进行校正。将ABC算法与PSO算法并行组合构成混合优化算法,能够感知非目标变量的变化,快速、准确地搜索到SVM参数。实验中,采用红外甲烷传感器对0%~5.05%浓度的16组标准甲烷气体进行测量,将其中11组数据作为训练集,5组数据作为测试集,建立ε-SVM回归校正模型并进行预测。结果表明:模型的回归拟合效果好,预测精度比单一优化算法的SVM模型高。

膜计算优化随机最大似然DOA快速估计方法

随机最大似然算法(SML)是一种优秀的波达方位(DOA)估计算法,但SML解析过程中极其繁重的计算复杂度制约了该算法在实际系统中的应用。针对SML计算复杂度高的问题,提出了一种融合膜计算(MC)的随机最大似然算法。首先利用膜计算的优化框架将SML算法的解空间进行膜划分,划分为基本膜和表层膜;然后在每个基本膜内并行采用粒子群算法(PSO)进行局部寻优,同时将基本膜区域内的局部最优解送至表层膜进行全局优化;最后在表层膜区域中采用人工蜂群优化算法进行全局最优解的搜索。实验结果表明,本文算法极大地降低了SML的解析复杂度,计算时间较常用的GA、AM和PSO算法提高了超过10倍,在收敛速度方面具有显著的优势,且测向精度优于传统空间谱算法。

一种多粒子群切换决策机制

提出了一种切换决策机制,支持总最佳连接ABC(always best connected).该机制综合考虑接入网络状况、应用需求、用户对接入网络编码制式偏好、用户对接入网络供应商偏好、终端当前运动速率和终端当前剩余电量等因素,通过博弈分析,基于含最优变异的多粒子群优化算法,寻找把N个终端分配到M个接入网络的最佳切换决策方案,使用户和网络提供方效用达到或接近Nash均衡下的Pareto最优.仿真结果表明,该机制是可行和有效的.

一种智能ABC支持型QoS切换决策机制

本文提出了一种总最佳连接ABC(Always Best Connected)支持型服务质量QoS(Quality of Service)切换决策机制,引入模糊数学和微观经济学等相关知识,刻画应用类型、QoS需求、接入网络和移动终端,综合考虑应用QoS需求、用户愿付费用、用户对接入网络编码制式偏好、用户对接入网络供应商偏好、终端当前运动速度、终端当前剩余电量和接入网络状况等因素,通过博弈分析,基于小生境粒子群优化算法,寻找把N个终端分配到M个接入网络的最佳切换决策方案,使用户和网络提供方效用达到或接近Nash均衡下的Pareto最优.仿真结果表明,该机制是有效的.

基于蜂群–粒子群算法的天然林空间结构优化

天然林空间结构包含林木的空间位置信息,影响着林木的生长、竞争、林分的稳定及森林的发展,其优化是个多目标规划问题。提出一种蜂群-粒子群(ABC-PSO)混合算法,该算法在初始粒子产生机制、随蜂数量及循环机制上对蜂群算法做了改进,并将其应用到天然林空间结构多目标优化中,最终建立能够兼顾林木分布格局、林木大小分割、林木竞争的优化模型。仿真实验表明,蜂群-粒子群算法提升了森林健康等级,解决了森林空间结构多目标优化问题。