摘要：粒子群优化算法求解多目标优化问题存在早熟收敛和后期收敛速性差的不足,解的分布性也有待提高。为此设计一种新的多目标粒子群优化算法:对寻求粒子最优解的sigma方法进行改进,提出一种综合非支配解密度信息和sigma值的最优解求解机制。对变异粒子速度进行矢量扰动变异;对停滞粒子进行位置变异,有效避免算法的早熟收敛问题。测试结果表明,所提出的算法在收敛性和解的分布性、多样性方面较经典的算法具有明显的优势。

摘要：现存的文档相似性算法虽然能够获得2篇文档的相似度,但不能判断出重复或最相似子内容的位置。为此,提出一种基于粒子群优化(PSO)的文档内部子内容的查重算法。利用PSO方法查找2篇文档中最佳相似子内容的位置和长度,设计一种相关函数来判断字符串之间的相似程度,从而得到粒子群的评估函数。测试表明,该查重算法能够快速准确地确定出重复或最相似子内容的位置与长度。

摘要：移动边缘计算(mobile-edge computing,MEC)是一种新兴的计算范式,移动设备可以通过将计算密集型任务卸载到边缘服务器上来降低本地计算能耗和计算时延。首先,该文研究了在微蜂窝基站密集区域场景下的多移动设备独立任务集计算卸载问题,其中每个微蜂窝基站配备了一个计算性能有限的MEC服务器。为了尽可能地降低移动设备的任务集计算能耗和计算时延,使用博弈论的方法将该问题建模为一个非合作多移动设备计算卸载策略博弈。通过对该博弈的分析,证明了其纳什均衡的存在性和有限改进性。然后,设计了一个基于博弈论的分布式计算卸载算法(game theory based distributed computation offloading algorithm,GDCOA),并在GDCOA中引入了一个基于粒子群优化(particle swarm optimization,PSO)的移动设备任务集卸载策略改进算法(PSO based improving computation offloading policy algorithm,PSOIPA)。GDCOA在有限次迭代后可以达到一个均衡状态。最后,通过仿真对比实验证明了本文所提出的算法GDCOA可以获得较好的计算卸载性能。

摘要：为提高多拦截器拦截对抗场景下的目标分配效能,对多拦截器目标分配算法展开研究。首先提出了目标分配问题的离散优化模型,其次设计了一种改进粒子群优化算法,引入变邻域搜索算法解决传统粒子群优化算法容易陷入局部收敛的问题,设计目标分配矩阵以及适应度函数模型解决带约束离散优化问题,同时避免了编解码算法造成的精度损失;再次设计局部跳出算法的启动准则,提高了算法的效率;最后仿真分析表明:改进粒子群优化算法相对传统算法分配效能可提高9.4%,且收敛结果与全局最优偏差不超过0.1%。

摘要：为提高多目标优化算法的收敛性和多样性,提出一种基于Pareto关联度支配的多目标粒子群优化算法(MOPSO-PCD)。该算法在严格遵守传统Pareto支配规则基础上,将灰色关联分析方法融入非劣支配解的进化过程,设计了一种新颖的Pareto关联度支配规则。该支配规则作用于全局最优粒子的选择过程,具有关联度最大的全局最优粒子将引领粒子群体向着真实Pareto前沿不断逼近。同时,将该支配规则应用于外部档案中非劣支配解的维护过程,可减少或避免最终解集多样性的损失,从而维护好外部档案中非劣解的分布过程。仿真实验表明,与被比较算法在ZDT和DTLZ等系列测试函数相比,MOPSO-PCD能够获得更好的Pareto最优前沿分布特性和较快的收敛效率。

摘要：针对直流无刷电机控制器优化设计的问题,提出了基于粒子群优化PSO算法的比例、积分和微分(PID)控制器的优化设计方法。结合PSO的基本原理和BLDC系统的控制策略,考虑到综合评价系统的各项性能指标,给出了优化PID控制器设计的步骤。仿真和实验结果表明:该方法能搜寻到最优或次最优的参数数值,优化得到的控制器速度响应快、超调量小,有效地提高了直流无刷电机控制的动态性能。

摘要：为优化移动云计算中应用执行延时和移动设备能效,提出基于粒子群优化的移动云应用卸载决策算法。利用预定义和随机粒子群方法混合生成粒子群的初始种群;为预定义的预留粒子群设计一种基于汉明距离函数的适应度函数,更好衡量粒子差异;为丰富种群多样性,利用杂交繁育生成变异粒子。改进粒子进化操作可以更合理地获取应用分割的最优解。仿真结果表明,改进算法在能耗、效率及综合权重代价指标上均表现更好。

摘要：针对导弹打击机动目标的问题,提出了一种基于组合导引律的粒子群优化算法以应对战场环境中的机动目标打击问题。首先对三维弹目运动关系进行分析,设计了一种包含角度和时间偏置项的比例导引律,旨在有效抑制终端角度变化,同时确保打击时间的精确控制。为实现最优导引律参数的求解,研究构建了以打击角、打击时间、法向加速度和脱靶量等约束条件为基础的代价函数。采用标准粒子群算法进行自适应寻优,通过迭代计算确定使代价函数最小化的最优导引律参数,进而得到满足约束条件的最优弹道。为验证算法的有效性,设置了机动目标场景,并设计了与原始比例导引律的对比仿真实验以及多种打击时间测试实验。实验结果表明,相较于传统比例导引律,基于粒子群优化的组合导引律算法在应对机动目标时能够生成满足打击时间要求及其他约束条件的弹道,并在不同打击时间设定下均展现出良好的打击效果,具有广阔的应用前景。

摘要：针对粒子群优化算法容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,设计了一种随机交叉算子,提出了随机交叉粒子群优化算法。该算法在每次迭代中,对当前粒子和整个粒子群的最优粒子进行随机交叉,产生新的较优粒子并代替原来的粒子,从而加快了算法的收敛速度,增强了算法的寻优能力。仿真结果表明,该算法具有较高的优化性能。

摘要：针对生物组学数据高维小样本的特点而引起的分类误差较大的问题,提出了一种带约束小生境二进制粒子群优化的集成特征选择方法。该方法利用二进制粒子群优化算法搜索分类准确率最高的特征子集,通过约束粒子编码的置位个数以限制选择特征个数,并加入多模优化中的小生境技术使算法能够一次获得多个差异度较大的特征子集,最后采用集成学习技术将基于多特征子集建立的基分类器集成为强分类器并对数据进行分类学习。实验结果表明,该特征选择方法在生物组学数据上能够稳定选择较少特征并获得较好分类性能。