【摘 要】
：
针对粒子群算法整体上容易陷入局部最优的缺陷,将鱼群算法中的视距、拥挤度引入标准粒子群算法,提出一种改进的粒子群算法,有效提高了粒子群算法的全局收敛性。通过基准函数Sphere、Griewank、Ackley和Shekel’s Foxholes的仿真,验证了改进算法的全局收敛能力。最后,以福建地形为背景,应用改进的粒子群算法完成雷达组网优化部署,进一步验证了改进粒子群算法的有效性。仿真和应用的结果表
论文部分内容阅读
针对粒子群算法整体上容易陷入局部最优的缺陷,将鱼群算法中的视距、拥挤度引入标准粒子群算法,提出一种改进的粒子群算法,有效提高了粒子群算法的全局收敛性。通过基准函数Sphere、Griewank、Ackley和Shekel’s Foxholes的仿真,验证了改进算法的全局收敛能力。最后,以福建地形为背景,应用改进的粒子群算法完成雷达组网优化部署,进一步验证了改进粒子群算法的有效性。仿真和应用的结果表明,改进后的粒子群算法对于多峰值函数的寻优性能有明显提高。
其他文献
一体化承载网是一种全新的网络体系架构,其以网络承载服务为核心,结合可重构路由平台技术,根据用户的业务需求,在现有的物理网络上构建逻辑承载网。但构建逻辑网时,会产生分布式公用资源访问的互斥问题。针对一体化承载网络的体系结构,设计了一种基于令牌的互斥算法。该算法借鉴解决旅行商问题的算法思想,构造一个逻辑环,使得令牌遍历所有节点的代价最小,并提出了一种新的基于请求的令牌传递策略,能有效降低系统中的通信量
为了解决传统高斯混合模型中期望值EM处理必须具备足够数量的样本才能开始训练的问题,提出了一种新的高斯混合模型在线增量训练算法。本算法在Ueda等人提出的Split-and-Merge EM方法基础上对分裂合并准则的计算进行了改进,能够有效避免陷入局部极值并减少奇异值出现的情况;通过引入时间序列参数提出了增量EM训练方法,能够实现增量式的期望最大化训练,从而能够逐样本在线更新GMM模型参数。对合成数
受二叉树思想的启发,在P2P网络拓扑管理协议T-Man和Kademlia网络快速构建算法的基础上,提出了从非结构化P2P网络快速构建CAN网络的算法。Kademlia网络为二叉树拓扑结构,CAN网络基于空间划分,由于已经提出了Kademlia网络快速构建算法,通过把CAN的空间划分方式强制定义为树图的空间划分方式,研究问题转换为由Kademlia网络的二叉树结构向CAN网络的树图结构转换及构建相应
为了更好地解决目前网格资源查找效率低下的问题,结合网格环境中普遍存在的资源相似现象,提出了基于遗传操作触发的粒子群混合优化算法的网格资源模糊C均值聚类,对网格资源进行最大相似性聚类,通过设置触发条件,避免了潜在的局部迭代,一定程度上简化了算法执行的复杂度。实验表明,该方法能提高分类的运行速度及准确率,可以很好地应用到网格资源聚类中,优化网格资源调度前期工作。
针对置换流水车间调度问题,提出了一种基于模拟植物生长的调度算法。该算法利用置换流水车间调度的有向图表示,提出了可交换节点集概念,并将其融入模拟植物生长算法中,解决置换流水车间调度问题。采用所提算法对置换流水车间调度问题的基准数据进行测试,并比对标准遗传算法,结果表明算法的有效性。
目前支持Web的自动化测试工具普遍存在价格偏高、测试脚本可重用性差、代码维护工作量过大等缺点。为解决这一问题提出了应用.NET框架命名空间(NameSpace)技术实现Web应用程序测试的自动化方法。该方法不使用任何第三方测试工具,通过编写简单、易维护的C#.NET代码,对Web程序接口进行信息抽取与调用,以实现测试的自动化运行。
以一类布尔方程组形式的NP问题可满足性阈值估计为研究目的,通过将高斯消去算法与摘叶算法相结合的方法给出了一种求解该问题的完全算法,并通过不同参数条件下对大量随机实例进行数值实验得到了原问题可满足性阈值的算法估计值。所得研究结果不仅首次给出了该问题的可满足性阈值估计,而且可以作为相关启发式完全算法的设计依据。
提出了一种改进的结构化神经网络(ISNN),并基于ISNN构建了沪深300指数预测模型。设计了一种优化性能更好的混合遗传算法(HGA),并采用HGA对ISNN预测模型进行训练。应用训练好的预测模型对2007年上半年的沪深300指数日收盘价进行了预测分析。实验结果表明,该方法收敛速度快、学习能力强、预测精度较高、误差率较小。
最近提出的一种新型群签名方案,首先对Boneh-Boyen短签名提出了一种变形方案,然后在此变形方案的基础上构造一种群签名方案,使得它不依赖于可信第三方来为群成员产生证书。指出了此变形方案本身是错误的,故在此基础上的群签名也是不成立的。除此之外,所构造的群签名方案本身也存在签名长度过长、同一签名成员的签名存在关联性的缺陷。最后,给出了改进的方案。
提出了一种基于Normal矩阵的时间序列聚类方法。该算法首先对时间序列数据进行向量形式转换,计算出各个时间序列间的相似度并构建复杂网络,然后利用基于Normal矩阵的方法进行复杂网络社团划分,同一类的时间序列被划分到一个社团,即实现对时间序列数据的聚类。为了验证该方法的可行性和有效性,将其应用于股票时间序列数据聚类分析中,并在两个实际的数据集上与其他方法相比较,取得了较好的实验结果。