基于GA-BPSO算法的MEC卸载决策

针对移动智能设备(SMD)的算力、内存和能量等无法满足计算密集型需求的问题,提出一种应用任务卸载到高性能边缘服务器的计算卸载。根据任务计算、传输等情况下的能耗和时延,构建出卸载决策系统模型;根据SMD和边缘服务器的计算能力等情况,降低SMD能耗为目标,将任务卸载决策问题描述为一个非线性约束优化问题;为对约束优化问题求解提出GA-BPSO算法,算法中将静态学习因子改为动态学习因子,将最优个体引入交叉操作中,扩大算法在解空间中的探索能力。通过实验验证GA-BPSO算法能在较短时间内收敛,实现了SMD较低的能量消耗。

基于BPSO-SVM的网络入侵特征选择和检测

采用改进的二进制粒子群优化进行入侵特征子集选择,粒子群中每个粒子代表一个选择的特征子集,结合支持向量机使用该特征子集所对应的数据集进行分类,正确分类结果作为该粒子的适应度,通过粒子群优化实现最优入侵特征选择。改进的BPSO方法中通过引入粒子群依概率整体变异来避免陷入局部最优,同时采用粒子禁忌搜索列表来扩大粒子搜索范围和避免重复计算;SVM中采用基于粒度的网格搜索来获得最优核参数。最后用KDD 99标准数据集进行实验研究,结果表明该方法能获得满意的检测效果。

基于BPSO的web服务推荐策略

为解决web服务的优化选择,提出一种基于离散二进制粒子群算法(binary particle swarm optimization,BPSO)的web服务推荐策略.用数学方法阐述基于服务质量(quality of service,QoS)的业务组合,将业务单元组合转换到服务组合,给出不同服务组合模式下的QoS属性值计算公式,提出web服务集和嵌套概念,对具有嵌套模式的服务组合进行逐一遍历.将基于QoS的web服务组合优化问题看成是多目标优化决策问题,提出基于BPSO的web服务组合优化数学模型,利用目标加权法简化多目标决策问题.对BPSO进行改进,构建了基于BPSO的web服务推荐仿真系统,仿真表明,该方法高效可行.

基于BPSO的四种生理信号的情感状态识别

通过生理信号来识别人的情感状态越来越引起人们的关注。如何提取有效的生理信号特征进行情感状态的分类,是情感识别的关键。本文采用离散二进制粒子群优化算法(BPSO)进行特征选择,以提高情感状态分类的效果。通过四种生理信号来识别四种情感状态,用最近邻法进行分类,总体识别率达到85%。仿真实验结果表明,将BPSO方法用于生理信号的特征选择是可行的。

基于免疫BPSO算法与拓扑可观性的PMU最优配置

以电力系统状态完全可观测和相量测量单元PMU配置数目最小为优化目标,基于PMU的功能特点和电力网络的拓扑结构信息,形成快速且通用的电网拓扑可观测性判别方法,并设计了一种结合免疫系统信息处理机制的二进制粒子群优化算法对目标函数进行求解,该算法综合了粒子群优化算法简单快速和免疫系统种群多样性的优点,明显改善了进化后期算法的收敛性能和全局寻优能力。最后通过对IEEE14和新英格兰39母线系统进行PMU优化配置仿真及量测冗余性分析,验证了本文方法的有效性和优越性。

基于改进BPSO的聚类选择性集成

首先针对离散二进制粒子群(binary particle swarm optimization,BPSO)容易陷入局部收敛的问题,提出一种改进的BPSO算法。在分析高斯密度函数对尺度敏感性的基础上,利用粒子群与全局最优粒子的一致性动态调节尺度参数,并利用密度函数对称区间的定积分确定全局最优粒子的变异概率。而后将聚类的选择性集成抽象为组合优化问题,利用聚类成员有效性和差异性的加权组合定义适应度并以改进BPSO的进化过程实现聚类的选择性集成。最后基于标准数据集和图像数据集验证算法的有效性。

基于BPSO的多故障最小候选集生成技术

多故障最小候选集生成是制定多故障诊断策略的首要步骤。利用二进制粒子群优化算法(binaryparticle swarm optimization,BPSO)生成多故障模糊组的最小候选集。首先,利用紧集表示法描述某或节点上的多故障模糊组,其最小候选集即多故障模糊组的最小碰集;然后,利用BPSO算法求解多故障模糊组的最小碰集,通过构造个体适应度和群体适应度双函数,解决BPSO算法求解最小碰集的适应性问题,并保证了算法尽可能搜索冲突集的全部碰集;最后,通过某系统实例对算法的有效性进行了验证。事实表明,该方法能有效应用于多故障最小候选集问题的求解。

基于参数同步优化的N-BPSO人脸识别

为剔除特征提取中的冗余数据并优化SVM(support vector machine)的分类性能,有学者提出利用粒子群算法进行特征选择并优化分类器参数,但粒子群算法存在收敛速度快、易发散及不能运用到离散空间,且特征选择和分类器参数未实现同步优化等问题。针对上述问题,提出一种新颖的BPSO(novel binary particle swarm option,N-BPSO)算法实现在离散空间进行特征选择及SVM参数同步优化。实验结果表明,N-BPSO算法能够筛选出有效的特征子集并同步优化SVM参数,降低了空间复杂度,提高了人脸识别率和鲁棒性。

移动边缘计算中利用BPSO的任务卸载策略

为提高移动边缘计算任务卸载方案的性能,提出一种移动边缘计算中利用BPSO的任务卸载策略。构建三层移动边缘计算(MEC)网络架构,移动设备根据任务情况进行本地计算,或者将其卸载至边缘计算节点与云服务器;根据MEC网络中的计算模型、通信模型设计计算卸载目标,即任务最优分配、节点负载均衡,使计算任务得到及时、有序、高效的分配;利用二进制粒子群(BPSO)算法对优化目标进行求解,得到最优卸载策略,实现能量消耗最小且时延最短,系统整体负载最为均衡。实验结果表明,所提策略能量损耗最小且系统整体负载性能明显提升。

基于BPSO的元胞自动机准周期三行为研究

为研究一维二值元胞自动机的一类重要的群体演化行为——准周期三行为,提出了基于离散粒子群的元胞自动机演化算法,并通过使用活性元胞迭代图的平均面积为适值函数,发现了具有准周期三行为的元胞规则。与遗传算法相比,基于离散粒子群的元胞演化算法的搜索效率更高。实验还进一步表明,准周期三行为是某些元胞规则的特定行为,一定条件下与元胞自动机的初始构型关系不大。

基于BPSO算法电力系统故障可观的PMU配置

针对电力系统故障可观状态下的PMU最优配置,提出了使用二进制粒子群优化算法(BPSO)进行处理.为了使用最少的PMU数目找到电力系统网络任一支路的故障,首先使用线性整数规划(ILP)对系统进行建模,再将BPSO算法引入进行优化,最后将该算法应用到IEEE-14,30和57节点标准测试系统,其优化过程亦考虑了零注入节点的影响.结果表明:该算法快速有效,适应用电力系统各种问题的优化.

基于改进编码策略的BPSO配电网重构

通过配电网重构的方法,降低网络损耗,一直都是配电网设计和运行所首要考虑的问题。配电网重构问题是多约束(包含拓扑约束和电气约束),非线性,组合优化的问题。以网损降低为目标,运用BPSO算法,并在传统编码的基础上,提出了改进的编码策略,避免产生大量的不可行解,使得寻优效率大大提高。通过IEEE-33算例充分说明,新的编码策略在降低搜寻范围、增强计算效率、提高寻优成功概率上都有明显优越性,为配电网重构提供一种新的思路。

基于改进的BPSO算法的产品优化配置求解模型研究

以台式PC机组装为典型案例,从客户和生产商两个角度出发,将性能和成本两个因素作为考察对象,研究一般性商品的模块化优化配置。建立了基于单位成本的客户需求与模块实例相关度最大优化配置模型。通过改进的离散二进制粒子群优化(BPSO)算法,进行优化求解。最后通过实例证明BPSO算法的优化配置模型具有实用可行性。

基于BPSO-M1DCNN的行星齿轮箱故障诊断方法研究

采用卷积神经网络对旋转部件进行故障诊断时,其对多尺度的故障特征利用有限,且网络层结构和超参数调试费时费力,针对上述问题,提出了一种基于离散二进制粒子群优化多尺度一维卷积神经网络的BPSO-M1DCNN算法。首先,对M1DCNN网络进行了初始化设计,采用了BPSO算法自适应调整超参数和网络结构构建BPSO-M1DCNN网络;然后,将原始振动数据输入BPSO-M1DCNN网络,进行了特征学习和提取,将学习到的故障特征进行了分类输出;最后,将该算法应用于行星齿轮箱的故障诊断试验,并将其结果与用BPSO-BP神经网络、一维卷积神经网络、M1DCNN网络的结果进行了对比分析,利用变化曲线表示M1DCNN网络、BPSO-M1DCNN网络的正确率和损失率,采用混淆矩阵显示各类故障诊断精度,并利用T-SNE算法对其特征学习过程进行了可视化。研究结果表明:相比BPSO-BP神经网络、1DCNN网络、M1DCNN网络,基于BPSO-M1DCNN网络的行星齿轮箱测试集的平均准确率均有一定提升,应用于行星齿轮箱故障的诊断效果较好。

基于改进BPSO的Web服务组合选择算法

为使现有Web服务组合的服务选择技术满足用户需求,提出一种基于改进二进制粒子群优化(BPSO)的服务选择算法。引入变异算子和线性递减惯性权重,解决传统二进制BPSO的早熟收敛问题,采用粒子记忆性对不满足约束条件的个体进行修正。实验结果表明,该算法能提高寻优效率。

SC-BPSO:肝癌分类中一种融合过滤器的二进制粒子群算法特征的选择方法

癌症的早期诊断能够显著提高癌症患者的存活率,在肝细胞癌患者中这种情况更加明显。机器学习是癌症分类中的有效工具。如何在复杂和高维的癌症数据集中,选择出低维度、高分类精度的特征子集是癌症分类的难题。本文提出了一种二阶段的特征选择方法SC-BPSO:通过组合Spearman相关系数和卡方独立检验作为过滤器的评价函数,设计了一种新型的过滤器方法——SC过滤器,再组合SC过滤器方法和基于二进制粒子群算法(BPSO)的包裹器方法,从而实现两阶段的特征选择。并应用在高维数据的癌症分类问题中,区分正常样本和肝细胞癌样本。首先,对来自美国国家生物信息中心(NCBI)和欧洲生物信息研究所(EBI)的130个肝组织microRNA序列数据(64肝细胞癌,66正常肝组织)进行预处理,使用MiRME算法从原始序列文件中提取microRNA的表达量、编辑水平和编辑后表达量3类特征。然后,调整SC-BPSO算法在肝细胞癌分类场景中的参数,选择出关键特征子集。最后,建立分类模型,预测结果,并与信息增益过滤器、信息增益率过滤器、BPSO包裹器特征选择算法选出的特征子集,使用相同参数的随机森林、支持向量机、决策树、KNN四种分类器分类,对比分类结果。使用SC-BPSO算法选择出的特征子集,分类准确率高达98.4%。研究结果表明,与另外3个特征选择算法相比,SC-BPSO算法能有效地找到尺寸较小和精度更高的特征子集。这对于少量样本高维数据的癌症分类问题可能具有重要意义。

基于改进PSO算法的WSN覆盖优化方法

提出基于概率测量模型的改进粒子群优化方法,以网络有效覆盖率为优化目标,通过改进粒子群算法实现无线传感器网络的覆盖控制。分析传感半径以及离散化栅格点数对覆盖性能的影响。仿真实验表明,利用改进粒子群优化方法的有效覆盖率达到88.22%,证明了该方法的有效性。

基于PSO算法的probit模型参数估计

针对二值probit回归模型中的参数估计问题,提出一种基于粒子群优化(PSO)的参数估计算法。该算法采用以最大似然准则作为PSO的适应度函数,建立二值probit回归模型中的参数估计计算模型。数值仿真分析表明,该算法性能较好,回归结果具有较高的拟合优度。

基于相量测量单元优化配置的配电网谐波状态估计研究

随着大量电力电子设备的接入,配电网谐波问题愈发严重。谐波状态估计的准确性直接影响到后续的谐波治理效果。相量测量单元(phasor measurement unit,PMU)可以实时测量节点电压与支路电流,可借助其实现谐波状态估计。然而目前PMU价格较高,如何进行合理的优化配置保证全网谐波状态可观,同时提高谐波状态估计的准确性,是亟待解决的问题。首先构建以PMU经济配置和谐波状态估计精度最高为目标的PMU优化配置模型,并提出一种改进二进制粒子群-遗传混合算法用于求解。随后在实时仿真器中搭建IEEE14节点模型,选用均值插补法以及Vondrak滤波法进行数据处理并分析了优化所得多种PMU配置场景对谐波状态估计的影响。结果表明:所提算法从减少投资成本及降低谐波状态估计误差角度考虑,能够给出合理的PMU配置方案,有助于支撑工程决策。

基于Lab颜色空间的融合改进二进制量子PSO和Otsu优化算法

针对通过RGB空间各个颜色分量高度线性相关会导致分割过程处理速度慢、分割结果不准确的问题,以及二维Otsu算法实时性差,计算量大的缺陷,提出一种基于Lab空间的融合改进二进制量子PSO和Otsu优化算法。将RGB空间转换为Lab空间,减弱不同颜色分量的相关性;利用改进的二进制量子粒子群算法搜索最优阈值,作为改进二维Otsu算法的分割阈值,然后对图像进行分割。通过实验证明改进算法与其他算法相比,分割速度和分割精确度都有很大的提升。