精密测量院拥有两个国家重点实验室，一个国家大型科学仪器中心，一个国家台站网等4个国家级平台，各类省部级重点平台基地20余个。 现有职工600余人，其中院士4人、杰青13人，各类国家、科学院、省部级人才占比60%以上。2017年至今，在精密测量领域承担了数十项重大重点项目，其中，国家战略先导专项（2.5亿元）1项、重点研发计划12项、各类重大仪器研制专项10余项。精密探测技术和仪器已成为精密测量院满足国家需求和社会经济发展的优势领域方向。 精密...
中国科学院精密测量科学与技术创新研究院（以下简称精密测量院）是由中国科学院武汉物理与数学研究所（始建于1958年）、中国科学院测量与地球物理研究所（始建于1957年）融合组建而成，是湖北省首个中国科学院创新研究院。 回望来时路，峥嵘六十载。在方俊、王天眷、张承修、李钧、李国平、丁夏畦、许厚泽、叶朝辉等老一辈科学家的带领下，精密测量院历经几代科技工作者的辛勤努力和开拓创新，解决了一系列事关国家全局的重大科...
精密测量院立足精密测量科学与技术创新，面向国家的重大战略需求，发挥多学科交叉优势，开展原子频标与精密测量物理、大地测量和地球物理、综合定位导航授时、脑科学与重大疾病以及多学科交叉的数学计算等研究，促进以原子频标、原子干涉、核磁共振、重力测量、地震探测等精密测量技术为核心的学科发展，形成精密原子、精密分子、精密地球三...
近日，精密测量院大地测量新技术应用课题组在群智能优化中的粒子群优化算法研究中取得了最新进展。相关研究在计算机科学及信息技术领域国际期刊 《Information Science》在线发表。
大地测量的研究中存在诸多最优化问题，当线性化误差较大时，经典最小二乘无能为力。粒子群算法是一种基于种群的搜索随机优化方法，用于求解单/多目标问题的最优解。由于其具有较强的鲁棒性、收敛速度快、可调参数少等优点，粒子群算法在近年来受到了不同领域研究人员的广泛关注。现有粒子群优化算法存在种群多样性不足、早熟收敛且易陷入局部最优等缺陷，当优化问题具有大量局部最优值或维数较高且不可分离时，解算效果较差。
精密测量院大地测量新技术应用研究团队首先提出将整体种群划分为两个异构子群（综合学习策略子群体和动态多种群子群体），其中综合学习策略子群体主要负责开发，动态多种群子群体主要负责探索。其次，研究团队提出对动态多种群子群体的搜索能力进行分类，并根据该分类结果构建一种新的自适应非线性递减惯性权重。最后，引入两种变异算子（非均匀变异和高斯变异）来提升算法的局部寻优能力。通过两个国际标准优化问题测试集（CEC2005和CEC2017）以及一个实际的无线传感器网络覆盖优化应用问题对所提HCLDMS-PSO算法的性能进行了评估，并与国际上现有的8种先进的粒子群算法变体和其它11种群智能优化算法进行了对比。结果表明，新算法在大部分优化问题上均有效提高了收敛速度、寻优精度和可靠性。该智能优化算法可以在移动5G定位、智能驾驶、图像匹配定位等领域广泛应用。
相关论文在计算机科学及信息技术领域国际期刊 《Information Science》在线发表。论文第一作者为博士研究生王生亮，通信作者为研究员刘根友。题目为《Heterogeneous comprehensive learning and dynamic multi-swarm particle swarm optimizer with two mutation operators》。
该研究工作得到了国家重点研发计划和国家自然科学基金项目的联合资助。
论文链接： https://www.sciencedirect.com/science/article/pii/S0020025520306137
HCLDMS-PSO算法的整体思路框架图
HCLDMS-PSO算法具体执行步骤的过程图示
科研动态
精密测量院在智能优化算法研究方面取得重要进展
近日，精密测量院大地测量新技术应用课题组在群智能优化中的粒子群优化算法研究中取得了最新进展。相关研究在计算机科学及信息技术领域国际期刊 《Information Science》在线发表。
大地测量的研究中存在诸多最优化问题，当线性化误差较大时，经典最小二乘无能为力。粒子群算法是一种基于种群的搜索随机优化方法，用于求解单/多目标问题的最优解。由于其具有较强的鲁棒性、收敛速度快、可调参数少等优点，粒子群算法在近年来受到了不同领域研究人员的广泛关注。现有粒子群优化算法存在种群多样性不足、早熟收敛且易陷入局部最优等缺陷，当优化问题具有大量局部最优值或维数较高且不可分离时，解算效果较差。
精密测量院大地测量新技术应用研究团队首先提出将整体种群划分为两个异构子群（综合学习策略子群体和动态多种群子群体），其中综合学习策略子群体主要负责开发，动态多种群子群体主要负责探索。其次，研究团队提出对动态多种群子群体的搜索能力进行分类，并根据该分类结果构建一种新的自适应非线性递减惯性权重。最后，引入两种变异算子（非均匀变异和高斯变异）来提升算法的局部寻优能力。通过两个国际标准优化问题测试集（CEC2005和CEC2017）以及一个实际的无线传感器网络覆盖优化应用问题对所提HCLDMS-PSO算法的性能进行了评估，并与国际上现有的8种先进的粒子群算法变体和其它11种群智能优化算法进行了对比。结果表明，新算法在大部分优化问题上均有效提高了收敛速度、寻优精度和可靠性。该智能优化算法可以在移动5G定位、智能驾驶、图像匹配定位等领域广泛应用。
相关论文在计算机科学及信息技术领域国际期刊 《Information Science》在线发表。论文第一作者为博士研究生王生亮，通信作者为研究员刘根友。题目为《Heterogeneous comprehensive learning and dynamic multi-swarm particle swarm optimizer with two mutation operators》。
该研究工作得到了国家重点研发计划和国家自然科学基金项目的联合资助。
论文链接： https://www.sciencedirect.com/science/article/pii/S0020025520306137
HCLDMS-PSO算法的整体思路框架图
HCLDMS-PSO算法具体执行步骤的过程图示