基于平均速度的混合自适应粒子群算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中，利用免疫算法的局部优化能力和遗传算法的全局搜索能力，来提高蚁群系统的收敛速度。该算法通过遗传算法的

针对文化粒子群算法中影响函数对群体空间的全局变异操作，易导致粒子群算法结构失效及不易收敛的缺点，将群体适应度方差引入到群体空间，提出一种自适应指导的文化粒子群算法。算法通过计算群体适应度方差判断群体空

针对约束多目标优化问题，结合Pareto支配思想、锦标赛选择和排挤距离技术，采用双种群搜索策略，引进免疫机制，对传统的粒子更新策略进行改进，提出一种用于求解约束多目标优化问题的混合粒子群算法。通过4个

针对多目标粒子群算法进行了收敛性和分布性分析，提出了一种应用概率分配的自适应调整惯性因子的粒子群优化算法。该算法通过粒子非劣排序的支配等级，设定个体的适应度数值，为增强最优解集的分散性，采用拥挤距离对

编组站日班计划和阶段计划编制核心之一是出发列车车流来源的推算,由于车流推算的复杂性,其求解算法也是研究重点之一。基于解编顺序建立编组站动态车流推算的数学模型,约束中考虑了单调机资源、车流接续去向和时间

根据电力系统实际运行中负荷不断变化的情况,提出了动态无功优化问题的完整数学描述和计算方法。从负荷曲线的特点出发,结合设备动作次数约束,提出利用遗传算法进行智能化负荷分段的方法。利用引入免疫系统的免疫信

从研究分析粒子群算法和郭涛算法的特点出发，提出一种综合两算法优点的混合算法。新算法改变了粒子的更新方式，以子空间搜索和串行搜索相结合的多点并行搜索，扩大了算法的搜索范围，减少了粒子对初值的依赖，增强了

为了改善多目标粒子群算法收敛性能及跳出局部最优的能力，通过研究算法运行过程中归档集规模的变化，总结归档集规模的变化规律，并依此规律提出一种近似确定算法运行状态的简单方法。基于算法运行状态的近似确定，可

针对多目标优化问题求解,提出基于群体分布特征的多目标自适应粒子群优化算法(pdMOPSO).首先借助统计方法分析归档集在决策空间的分布特征,以此划分进化状态,指导全局引导粒子的选择;然后设计粒子重排策

相对于2D NoC,3D NoC具有更好的集成度和系统性能,是解决低功耗映射的一个可靠途径。在传统粒子群算法(PSOA, particle swarm optimization algorithm)的