基于蚁群算法的暴雨强度公式的优化

为使蚁群算法能用于复杂的连续函数的参数优化问题,需对离散优化的蚁群算法思想进一步加以引申和发展,提出了一种基于蚁群算法的函数优化新模型,并将其应用于暴雨强度公式中的参数优化。新的优化算法与其它优化算法结果的比较表明:该算法应用于函数优化问题,精度较高,有较强的可行性、并行性和实用性。     

基于改进蚁群算法的移动机器人路径规划方法

针对蚁群算法收敛速度慢、效率低、容易陷入局部最优解的不足,本文提出一种自适应变化信息素总量的方式,使算法获得较快收敛速度.通过对启发函数的改进,增加蚁群搜索的目的性,降低陷入局部最优解的概率.仿真结果表明,改进的蚁群算法提高了搜索能力和收敛速度,验证了算法的有效性和优越性.     

基于鱼群算法和Ｈｏｐｆｉｅｌｄ网络的ＰＩＤ参数寻优

提出１种融合了人工鱼群算法与Ｈｏｐｆｉｅｌｄ神经网络的ＰＩＤ参数优化算法．该算法前期利用鱼群算法快速随机的群体性全局搜索能力生成问题较优的可行解域,后期利用Ｈｏｐｆｉｅｌｄ神经网络硬件易实现简单快速的优点得到最优解,有效弥补了Ｈｏｐｆｉｅｌｄ网络对初始值过于依赖容易陷入局部极值的缺陷．将该算法用于某发动机ＰＩＤ控制中的参数寻优,结果表明新混合算法的整定效果好于Ｈｏｐｆｉｅｌｄ神经网络,且该算法简单易实现．     

基于误差函数的双模式混合盲均衡算法

针对基于统计量和瞬时量盲均衡算法的特点,在分析双模式算法切换方式的基础上,提出了一种基于误差函数的双模式混合盲均衡算法.该算法针对修正的常数模算法(MCMA)和判决导引算法(DD)特点,利用2种算法误差函数间的互相关性,提出了新的加权因子选取方法,动态控制双模式混合下2种算法的权重比例,更为准确地控制切换时机,即使在误判决的情况下也能因其动态特性切换回合适的权重比例.水声信道仿真实验进一步说明了该算法在收敛速度上的优越性.     

气象降水分布图制作中的插值算法研究

针对气象服务中气象要素色斑图制作要求准确而美观的特点,以及现有插值算法不能满足该需求的现状,文章在分析了各类常用插值算法的基础上,借鉴人工天气图的思路提出了一种基于Cressman算法的优化算法,并对优化插值算法的关键技术问题进行了讨论,最后通过实际应用展示了这种算法的应用效果.实际结果表明应用该算法所得制图效果美观,增强了降水分布图的准确性和客观性,满足业务应用的要求与系统建设的需要.     

粒子群优化算法在随机分布控制中的应用

将粒子群优化算法应用到随机分布系统中,其随机系统控制目标不局限于传统的均值和方差,而是估算某些变量的概率密度函数.该方法能减少基于泛函算子模型的随机分布控制算法在仿真过程中的计算量,避免计算中间变量的概率密度函数,且对模型的要求不高,从而使控制结果更加精确高效.     

EnKF协方差膨胀算法对雷达资料同化的影响研究

基于集合卡尔曼滤波(EnKF)方法同化模拟雷达径向风和回波,引入具有时空自适应理论优势的贝叶斯膨胀算法,通过与常数膨胀算法的对比,分析了两种协方差膨胀算法对EnKF同化效果的影响。结果表明:在对流区域的北侧,由贝叶斯膨胀算法分析得到的回波在水平和垂直结构上均增强;在对流区域,由贝叶斯膨胀算法分析得到的各变量的集合离散度增大,均方根误差减小,水平和垂直速度增大,冷池强度减弱;模拟还发现贝叶斯膨胀算法提高了强对流系统的模拟效果,回波强度增强,阵风锋区内水平和垂直风速增大。这表明贝叶斯膨胀算法有效地改进了基于常数膨胀算法的EnKF同化雷达资料的效果。     

非连通通信网络中的分布式优化算法

本文考虑了非连通通信模式下互联网网络的带宽资源优化分配问题,其目标是使得网络中每个节点独立地将流量以最优方式分配给给定的一个或多个下一跳节点.注意到用户在使用某些应用时有非弹性的服务需求,故将网络效用函数建模为非凹的函数.最大化一类非凹的效用函数,也就是要解决非凸的优化问题.为了解决上述问题,本文设计了一个序列的优化问题,该序列的优化问题的解会收敛到原问题的最优解.基于上述优化问题,设计了一种分布式的流量分配算法.本文中的结果是基于实分析和凸优化理论等理论得到的.应用本文的算法可以使得每个节点独立地更新流量分配策略,并且仅用到最少的局部信息.最后,通过数值仿真验证了算法的有效性.     

风云二号卫星地球观域修正算法

风云二号静止气象卫星在获取图像时, 必须使扫描辐射计的观域对准地球。卫星在轨道上受到各种摄动力的作用, 使轨道和姿态改变, 扫描辐射计的地球观域随之发生变化。卫星扫描辐射计对地球观域的偏差会影响图像定位的精度, 因此对准观域的工作是日常业务工作的一部分, 不仅在卫星定点之初启动观测时, 而且在业务运行的过程中, 都需要通过地面遥控指令进行修正。该文提出了一种风云二号静止气象卫星扫描辐射计地球观域修正量和调整方向的算法, 以替代人工目测卫星原始云图进行的卫星观域调整控制决策。这种算法的实施可以提高风云二号气象卫星云图获取作业的可靠性。     

几种约束优化算法求解含“开关”过程的条件非线性最优扰动的比较

求解条件非线性最优扰动(Conditional Nonlinear Optimal Perturbation,CNOP)属约束最优化问题,一般采用基于伴随模式提供梯度信息的约束优化算法(简称ADJ)进行求解。当优化问题涉及不连续的"开关"过程时,传统优化算法的寻优能力会受到较大的影响。近年来遗传算法(Genetic Algorithm,GA)因其在非光滑优化问题中的鲁棒性备受关注,但GA的性能不仅与优化问题有关,还取决于遗传算子的配置。本文将一种新的约束GA(GA1)用于求解CNOP,并对GA1,ADJ及具有不同遗传算子配置的约束GA(GA2)求解含"开关"过程的CNOP时的性能进行了比较。数值试验结果显示,GA1和GA2的全局寻优能力明显优于ADJ,后者易于陷入局部最优;对于不同的初猜值(不同的初始种群),GA1求解的CNOP能够保持一个较为一致的空间结构,ADJ求解的CNOP呈现了明显的两种结构,一种代表的是全局CNOP,一种是局部CNOP。通过验证不同遗传策略对优化结果的影响发现,对不同的优化问题,采用合适的遗传策略以及合适的参数设置是获取更好优化结果的一种有效途径。     

EXPERIMENTS TO TRACK STORMS USING MODERN OPTIMIZATION ALGORITHMS

Storm identification and tracking based on weather radar data are essential to nowcasting and severe weather warning. A new two-dimensional storm identification method simultaneously seeking in two directions is proposed, and identification results are used to discuss storm tracking algorithms. Three modern optimization algorithms (simulated annealing algorithm, genetic algorithm and ant colony algorithm) are tested to match storms in successive time intervals. Preliminary results indicate that the simulated annealing algorithm and ant colony algorithm are effective and have intuitionally adjustable parameters, whereas the genetic algorithm is unsatisfactorily constrained by the mode of genetic operations. Experiments provide not only the feasibility and characteristics of storm tracking with modern optimization algorithms, but also references for studies and applications in relevant fields.     

基于遗传算法与模式搜索的混合优化算法

为了更好地实现全局优化,提出一种遗传模式搜索(Genetic Pattern Search,GPS)算法,该算法结合了遗传算法(GA)的强全局搜索能力与泛化模式搜索算法(PS)的强局部搜索能力.算法流程分为两步:首先是GA与PS联合实现粗搜索;其次是PS实现细搜索.实验对Hump、Powell、Rosenbrock、Schaffer、Woods测试函数进行搜索,表明GPS算法的成功率明显优于改进遗传算法与改进模式搜索算法,可作为一种有效可行的全局优化算法.     

A Variant Constrained Genetic Algorithm for Solving Conditional Nonlinear Optimal Perturbations简

A variant constrained genetic algorithm （VCGA） for effective tracking of conditional nonlinear optimal perturbations （CNOPs） is presented. Compared with traditional constraint handling methods, the treatment of the constraint condition in VCGA is relatively easy to implement. Moreover, it does not require adjustments to indefinite pararneters. Using a hybrid crossover operator and the newly developed multi-ply mutation operator, VCGA improves the performance of GAs. To demonstrate the capability of VCGA to catch CNOPS in non-smooth cases, a partial differential equation, which has ＂on off＂ switches in its forcing term, is employed as the nonlinear model. To search global CNOPs of the nonlinear model, numerical experiments using VCGA, the traditional gradient descent algorithm based on the adjoint method （ADJ）, and a GA using tournament selection operation and the niching technique （GA-DEB） were performed. The results with various initial reference states showed that, in smooth cases, all three optimization methods are able to catch global CNOPs. Nevertheless, in non-smooth situations, a large proportion of CNOPs captured by the ADJ are local. Compared with ADJ, the performance of GA-DEB shows considerable improvement, but it is far below VCGA. Further, the impacts of population sizes on both VCGA and GA-DEB were investigated. The results were used to estimate the computation time of ~CGA and GA-DEB in obtaining CNOPs. The computational costs for VCGA, GA-DEB and ADJ to catch CNOPs of the nonlinear model are also compared.     

On the Application of a Genetic Algorithm to the Predictability Problems Involving "On-Off" Switches

The lower bound of maximum predictable time can be formulated into a constrained nonlinear opti- mization problem, and the traditional solutions to this problem are the filtering method and the conditional nonlinear optimal perturbation (CNOP) method. Usually, the CNOP method is implemented with the help of a gradient descent algorithm based on the adjoint method, which is named the ADJ-CNOP. However, with the increasing improvement of actual prediction models, more and more physical processes are taken into consideration in models in the form of parameterization, thus giving rise to the on-off switch problem, which tremendously affects the effectiveness of the conventional gradient descent algorithm based on the ad- joint method. In this study, we attempted to apply a genetic algorithm (GA) to the CNOP method, named GA-CNOP, to solve the predictability problems involving on-off switches. As the precision of the filtering method depends uniquely on the division of the constraint region, its results were taken as benchmarks, and a series of comparisons between the ADJ-CNOP and the GA-CNOP were performed for the modified Lorenz equation. Results show that the GA-CNOP can always determine the accurate lower bound of maximum predictable time, even in non-smooth cases, while the ADJ-CNOP, owing to the effect of on-off switches, often yields the incorrect lower bound of maximum predictable time. Therefore, in non-smooth cases, using GAs to solve predictability problems is more effective than using the conventional optimization algorithm based on gradients, as long as genetic operators in GAs are properly configured.     

天津市多模式气温集成预报方法

在遗传算法和粒子群算法的基础上,采用权重分配方法开展基于混合演化算法的多模式气温集成预报方法研究。利用2012年5—10月中国气象局GRAPES模式、北京市气象局BJ-RUC模式、中国气象局T639模式、天津市气象局TJWRF模式24 h预报时效的逐6 h地面2 m高度气温和35个天津区域自动气象站点资料,通过逐日滚动建立集成预报模型,对混合演化算法的多模式气温集成预报方法进行了绝对误差在2℃以内的分级、分类及分站检验分析。结果表明:使用该方法建立的气温集成预报模型具有比较可靠的预报能力,预报误差明显小于任一成员,预报准确率高。按绝对误差不大于2℃的检验标准,2012年35个站逐6 h气温、最低气温、最高气温的集成预报平均准确率分别为76.34%,77.88%,78.00%。     

权重平衡有向网络下分布式约束优化的连续时间算法设计

本文研究权重平衡有向网络下分布式约束优化问题的求解,其中网络的全局目标函数是由每个智能体的局部目标函数的和构成,全局的约束是由每个智能体的局部约束的交构成.为了分布式求解该问题的最优解,首先引入智能体的局部共轭函数将其转换为Fenchel对偶问题.其次,从Fenchel对偶问题出发,提出一类基于奇异摄动系统的分布式连续时间算法.在局部目标函数和其梯度分别满足强凸和Lipschitz（李普希兹）连续的情况下,结合凸分析方法和Lyapunov（李雅普诺夫）稳定性理论,结果表明所提算法能够获得原问题和对偶问题的最优值.最后,数值仿真进一步验证了所提算法的有效性.     

局部均值伪最近邻算法在降水预报中的应用

分析北京地区日降雨量资料发现,相较于其他降雨事件,大雨或暴雨事件发生的次数较少,因此该地区的降水量预报属于样本不均衡问题。在样本不均衡的情况下,K最近邻算法的分类误差率将会大大提高,这也就使传统的基于K最近邻算法的降水量预报方法的应用受到了限制。针对北京地区降水量预报这一样本不均衡问题,应用局部均值伪最近邻算法构建了北京市的降水量预报模型。该方法利用北京地区日降雨量资料和美国国家环境预报中心全球格点资料,将降雨量作为类,将美国国家环境预报中心全球格点资料的各种因子场作为天气样本特征,计算得到不同天气样本在所有类中的局部均值伪最近邻,通过决策规则实现最优分类。利用提出的降水预报模型对北京市2010年6—8月进行了24 h降水预报,实验结果表明,提出的预报方法对于降水等级预报的预报准确率以及晴雨预报的TS评分、正样本概括率、空报率和漏报率均优于传统的K最近邻预报方法,该方法具有较好的预报效果。