基于密度的小生境粒子群算法在空间信息服务选择中的应用

针对现有空间信息服务选择技术的不足,提出了一种基于粒子群优化算法的多目标优化策略,通过同时优化多个QoS参数,产生一组满足约束条件的Pareto最优解.针对多峰函数的多目标优化问题,采用基于改进密度聚类的小生境技术,保证了解的多样性.构建了模拟试验环境,验证了算法的可行性和效率.     

遥感影像仿射不变特征匹配的自动优化

针对基于仿射不变特征的遥感影像匹配技术,提出了一种自动优化方法,以进一步提高匹配准确性.根据典型需求形成了两套优化实施方案,基于所提出的自动优化方法实现了相应具体算法.针对不同类型的多组影像,自动优化的效果与相应方案的预定目标一致,充分证明了本方法的有效性与适用性.     

基于MSA特征的遥感图像多目标关联算法

遥感图像中多目标关联存在以下两个问题:一是低时间分辨率观测使得目标状态信息无法准确估计,基于Kalman滤波的多目标关联算法不再适用;二是基于图像特征的目标关联算法又无法处理大场景观测中多个目标关联引起的模糊性.针对上述问题,提出一种基于多尺度自卷积特征匹配和关联代价矩阵最优化的多目标关联算法.实验表明该算法对遥感图像中多目标关联问题具有一定的适用性.     

一种基于梭形的启发式车辆路径规划算法

针对大规模物流问题,在传统配送区域提出一种基于多车型、客户分组、梭形区域、多种子点、相邻区域以及客户之间的距离综合优化技术的启发式算法,并且编程实现了物流配载系统,结合实际物流配送的数据对该算法进行验证,证明了该算法的有效性。     

基于R树索引的三维可视化查询方法

针对应用日益广泛的最近邻查询,提出了一种基于R树广度遍历和优化排序原理的最近邻查询算法,能适应不同空间分布的目标数据集。同时,提出了多细节层次（LOD）目标查询方法。实验证明,此方法支持多尺度场景逼真描述,查询结果准确,满足当前三维GIS的功能需求。     

多目标微粒群算法用于土地利用空间优化配置

针对已有空间配置方法在协调土地利用多目标方面的不足,探讨构建基于多目标微粒群算法的土地利用空间优化配置模型。建立了土地利用空间配置方案与单个微粒的映射关系,以经济、社会、生态和综合效益为优化目标,以土地利用优化结构、土地利用现状、地类转换规则为约束条件进行最优配置方案的自组织、智能化搜索,并选取湖北省嘉鱼县作为试验区验证了其有效性。     

一种知识约束下的多目标土壤空间抽样优化模型

土壤空间抽样优化需要综合考虑抽样精度、成本、代表性以及样点数量与空间布局等多目标,属于典型的NP-Hard空间优化决策问题。先验知识的应用以及多目标的博弈能够有效地提高抽样精度和效率。通过研究土壤空间抽样先验知识及其空间分层技术,以及土壤空间抽样方案与粒子群算法映射关系,建立了基于知识约束下多目标粒子群算法的土壤空间抽样优化模型。模型以最小克里金方差和最大熵为抽样目标,以分层最小样本量、空间阻隔和可达性为约束条件,结合目标规划法进行多目标帕累托优化方案求解,并以陕西省横山县为实验区验证了模型的有效性。实验结果表明,该模型相比传统方法具有较高的收敛效率和抽样精度,先验知识与目标规划法的应用显著提升了抽样方案代表性,能够为土壤空间抽样以及土壤质量监测网络构建提供新的技术支撑。     

城市土地利用空间优化配置的多智能体系统与微粒群集成优化算法

在多目标约束下,构建了应用于城市土地利用空间优化配置的多智能体系统与微粒群集成优化算法,并以长株潭城市群的核心区域为例,开展了基于该算法的城市土地利用空间优化配置应用研究。研究结果表明,集成优化算法的Agent平均适应值和运行效率分别较微粒群优化和标准遗传算法得到了大幅度提高,从而证明了算法的可行性与先进性。     

基于遗传算法的激光跟踪仪控制网优化设计

针对跟踪仪三维控制网测量时因跟踪仪设站位置凭经验布设无法保证测量结果最优的问题,提出一种基于遗传算法的跟踪仪控制网优化设计方法。该方法以多台激光跟踪仪三维网的距离前方交会为理论基础,取目标点精度均方差最小为目标函数,兼顾了工作区域边界、目标点的可视性、跟踪仪间距等约束条件,基于遗传算法实现了跟踪仪设站位置的优化设计。实验结果表明,该优化设计算法具有明显的效果,算法设计出的网形较随机网形的测量精度有明显提高,能够为实际测量中跟踪仪的布设位置提供参考。     

基于分层自适应部分模型的遥感图像飞机目标检测

提出一种基于分层自适应部分模型(HAPM,hierarchical adaptive part-based model)的目标检测方法,用于遥感图像的飞机目标检测。针对目前目标检测方法在子类型数目确定、模型多分辨率结构关系方面存在的不足,构造如下算法:首先构建一个扩展的Part-based Model模型;其次,分别从子类型的自适应选择、子类型的多层次建模和检测阶段加权距离变换的形变优化等方面对其进行改进;最后,HAPM算法充分考虑了模型的形变,同时结合多层次的建模思想使得目标的检测精度和算法适用性大大增强。用收集的10大国际机场的真实遥感图像数据进行实验验证,证明了算法的有效性。     

一种基于改进PSO算法的高时间分辨率遥感卫星星座优化设计方法

针对定位、导航、授时、遥感、通信一体的天基信息实时服务系统对遥感信息高时间分辨率获取的需求,提出了基于改进粒子群优化（particle swarm optimization,PSO）算法的遥感卫星星座优化设计方法。基于6N和3+4P星座构型,以重访时间间隔作为优化目标,采用改进的PSO算法对星座优化模型进行求解,分别针对全球覆盖和区域覆盖任务进行了仿真对比试验。仿真结果表明,提出的方法适用于低轨遥感卫星星座设计,满足高时间分辨率要求。     

微粒群优化方法的遥感影像变化检测研究

针对目前多时相光谱直接变化检测方法存在训练样本分布限制和样本特征组合单一的缺陷问题,本文将微粒群优化方法引入遥感信息变化检测领域,构建了基于微粒群优化方法的遥感信息变化检测方法,在变化监测的过程中,通过变化规则的自动搜索和建立,实现了遥感影像变化信息的一次性直接提取。在方法验证过程中,选择北京为实验区,成功实现了应用微粒群优化方法对实验区2000年至2006年、2006年至2009年两个时间段的遥感影像进行了土地覆盖类型的变化信息检测,并将应用微粒群优化方法与决策树（C4.5和PART）、最大似然等方法的变化检测结果进行了对比分析。结果表明,微粒群优化方法能够自动搜索变化规则,得到的变化规则比决策树方法更简单,并能够获得更高的检测精度。     

粒子群算法在极化SAR目标对比增强中的应用

针对SAR极化对比增强中存在计算复杂的问题,将粒子群算法应用到极化SAR目标增强当中,并通过数据实验,验证了其优越性。该方法将对比增强问题抽象成最优化问题,将统计得到的区域平均协方差矩阵作为粒子群优化算法的输入,计算每个粒子的适应度值,更新粒子群的个体最优和全局最优值,通过迭代得到最优对比度。实验结果表明,与传统的最优极化对比增强算法相比,基于粒子群优化算法的极化对比增强方法能达到更好的对比度,而且实现较为简单。     

非线性最优化问题的一个算法及其收敛性

讨论了具有广泛应用的线性等式、线性不等式及非负约束的非线性最优化问题。以极方向的特殊组合加上修正向量为搜索方向，给出一个具有超线性收敛速度的算法。较以往的算法有明显的优点，具有较好的稳定性和实用性。     

基于粒子群优化的模糊特征自适应选择方法

模糊特征的选择影响着模糊分类的结果。从大量模糊特征中选择出有效特征进行分类,存在着一定的难度。粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。将离散二进制PSO用于模糊特征选择,实现了基于PSO的模糊特征自适应选择方法,并通过航空和卫星遥感影像的模糊分类实验,验证了此方法的有效性。     

模拟退火粒子群与小波的地基沉降预测应用

针对粒子群优化算法易陷入局部极小值问题,改进学习因子使其自适应调整,并与具有良好全局搜索能力的模拟退火算法结合,充分利用两种算法各自的优点,同时结合小波分析去噪,优化神经网络参数,对地基累计沉降数据进行预测,并与标准粒子群优化算法做了对比,实验表明两种方法的结合具有良好的全局和局部搜索能力,预测精度高。     

基于主成分分析与粒子群优化的遥感影像变化检测

针对变化检测中差异影像上变化阈值选择困难的问题,该文提出了使用粒子群优化算法自动地从差异影像上选择最优变化阈值的方法。该方法首先利用主成分分析法从影像中提取包含最大信息的主分量,利用主分量构建差异影像;在此基础上,使用高斯混合模型估算差异影像的初始阈值,最后通过粒子群算法计算出最优的变化阈值。实验结果表明,该方法能够迅速地获取变化阈值,避免了人工选择时繁琐重复的尝试,且检测结果精度较高。     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

自适应动态演化粒子群算法在Web主题信息搜索中的应用

针对传统的基于单一价值评价的网络爬虫搜索策略存在的不足,提出了一种基于自适应动态演化粒子群(adaptive dynamical evolutional particle swarm optimization,ADEPSO)的启发式网络爬虫搜索算法。本算法综合立即价值和未来价值两种链接评价方法,并依据链接价值所反映的Web实际搜索情况动态调整两种价值的关系,使网络爬虫能更准确地预测页面的重要性。实验表明,该算法具有较高的搜索效率。     

基于改进PSO-SVM的噪声稳健建筑物变形监测方法

对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义。建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息。针对该问题,提出一种改进粒子群(Particle Swarm Optimization,PSO)算法优化支持向量机(Support Vector Machine,SVM)的噪声稳健建筑物变形监测方法,利用改进PSO算法的全局搜索能力对SVM的核参数进行优化,提升预测精度的同时增强算法的噪声稳健性。基于实测数据的试验结果表明,相对于传统交叉验证SVM和小波方法,所提方法可以获得更高的变形预测精度,并且在低信噪比条件下优势更加明显。