软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自...软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。展开更多
This study concentrates of the new generation of the agile （AEOS）. AEOS is a key study object on management problems earth observation satellite in many countries because of its many advantages over non-agile satell...This study concentrates of the new generation of the agile （AEOS）. AEOS is a key study object on management problems earth observation satellite in many countries because of its many advantages over non-agile satellites. Hence, the mission planning and scheduling of AEOS is a popular research problem. This research investigates AEOS characteristics and establishes a mission planning model based on the working principle and constraints of AEOS as per analysis. To solve the scheduling issue of AEOS, several improved algorithms are developed. Simulation results suggest that these algorithms are effective.展开更多
为解决混合云环境下科学工作流数据布局问题,在考虑数据的安全需求的前提下,以优化跨数据中心传输时延为目标,提出了一种混合云环境下面向安全的科学工作流布局策略。分析数据集的安全需求以及数据中心所能提供的安全服务,提出安全等级...为解决混合云环境下科学工作流数据布局问题,在考虑数据的安全需求的前提下,以优化跨数据中心传输时延为目标,提出了一种混合云环境下面向安全的科学工作流布局策略。分析数据集的安全需求以及数据中心所能提供的安全服务,提出安全等级分级规则;设计并提出基于遗传算法和模拟退火算法的自适应粒子群优化算法(adaptive particle swarm optimization algorithm based on SA and GA,SAGA-PSO),避免算法陷入局部极值,有效提高种群多样性;与其它经典布局算法对比,基于SAGA-PSO的数据布局策略在满足数据安全需求的同时能够大大降低传输时延。展开更多
针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle ...针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization,HGA–PSO).算法采用分层结构,底层由一系列的遗传算法子群组成,贡献算法的全局搜索能力;上层是由每个子群的最优个体组成的精英群,采用钳制了初始速度的粒子群算法进行精确局部搜索.文中分析论证了HGA–PSO算法具有全局收敛性,并采用7个典型高维Benchmark函数进行测试,实验结果显示该算法的优化性能显著优于其他测试算法.展开更多
基金supported by the National Natural Science Foundation of China(7127106671171065+1 种基金71202168)the Natural Science Foundation of Heilongjiang Province(GC13D506)
文摘This study concentrates of the new generation of the agile （AEOS）. AEOS is a key study object on management problems earth observation satellite in many countries because of its many advantages over non-agile satellites. Hence, the mission planning and scheduling of AEOS is a popular research problem. This research investigates AEOS characteristics and establishes a mission planning model based on the working principle and constraints of AEOS as per analysis. To solve the scheduling issue of AEOS, several improved algorithms are developed. Simulation results suggest that these algorithms are effective.
文摘为解决混合云环境下科学工作流数据布局问题,在考虑数据的安全需求的前提下,以优化跨数据中心传输时延为目标,提出了一种混合云环境下面向安全的科学工作流布局策略。分析数据集的安全需求以及数据中心所能提供的安全服务,提出安全等级分级规则;设计并提出基于遗传算法和模拟退火算法的自适应粒子群优化算法(adaptive particle swarm optimization algorithm based on SA and GA,SAGA-PSO),避免算法陷入局部极值,有效提高种群多样性;与其它经典布局算法对比,基于SAGA-PSO的数据布局策略在满足数据安全需求的同时能够大大降低传输时延。
文摘粒子群优化(particle swarm optimization,PSO)算法是一种在机器人运动规划、信号处理等领域有广泛应用的优化算法。然而该算法易陷入局部最优解,从而导致早熟问题。出现早熟问题的原因之一是粒子群仅依靠适应度值选择学习范例。为了克服上述问题,提出了一种基于适应度值、改进率和新颖性混合驱动的PSO算法(particle swarm optimization algorithm based on hybrid driven by fitness values,improvement rate,and novelty,FINPSO)。在该算法中,引入的新指标和遗传算法会平衡种群的探索与开发,降低粒子群早熟的可能性。适应度值、改进率和新颖性会作为粒子的评价指标。各指标独立地选择学习范例并保存到不同的档案中。粒子每一次速度更新都要确定各个指标的权重,并从每个档案中选择一个范例学习。该算法采用了遗传算法进行粒子间的信息交流。遗传算法中的交叉互换和突变会给种群带来更多的随机性,提升种群的全局搜索能力。以八个PSO算法变体作为对比算法,两个CEC测试套件作为基准函数进行实验。实验结果表明,FINPSO算法优于已有的PSO算法变体达到最先进水平。
文摘针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization,HGA–PSO).算法采用分层结构,底层由一系列的遗传算法子群组成,贡献算法的全局搜索能力;上层是由每个子群的最优个体组成的精英群,采用钳制了初始速度的粒子群算法进行精确局部搜索.文中分析论证了HGA–PSO算法具有全局收敛性,并采用7个典型高维Benchmark函数进行测试,实验结果显示该算法的优化性能显著优于其他测试算法.
