适合盲提取的自适应遗传算法

对盲分离问题中存在收敛速度慢、精度不高和容易陷入局部最优等缺点进行了研究,提出了一种基于改进自适应遗传算法的快速盲提取算法。在负熵判据的基础上,建立了最小化独立信号边缘熵准则。以盲提取目标优化函数为基础,对遗传算法的关键技术进行了改进,同时提出一种适合盲信号提取的适应度函数和防止算法局部收敛的监测策略,使算法能够自动跳出局部最优,快速地收敛于全局最优解。以改进的自适应遗传算法作为寻优算法,快速地实现了瞬时混合信号的盲提取。仿真实验表明,该算法性能稳定、收敛速度快,得到了全局最优解,有效地实现了信号盲提取。     

基于模拟退火的DNA遗传优化小波多模盲均衡算法

针对小波多模盲均衡算法收敛速度慢、稳态误差大、容易陷入局部最优解的缺点,提出一种基于模拟退火的DNA遗传优化小波多模盲均衡算法。该算法将模拟退火算法与DNA遗传算法相结合,利用模拟退火算法对个体的退火操作,提高了DNA遗传算法的局部搜索能力。同时,在DNA遗传算法中采用自适应变异概率,进一步改善了算法的性能。根据盲均衡算法的特点,将基于模拟退火的DNA遗传算法融入到小波多模盲均衡算法中,对均衡器权向量进行了优化。仿真结果表明,与多模盲均衡算法和小波多模盲均衡算法相比,该算法在收敛速度和均方误差方面都有显著改善。     

基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

带密度加权的自适应遗传算法

为了改善传统自适应遗传算法收敛速度慢、易陷入局部最优解的情况,提出了带密度加权的自适应遗传算法. 该算法基于种群的分布密度,动态调整遗传算法的交叉概率和变异概率,并且在算法中使用了保留最佳个体法. 实验结果表明：该算法在破坏种群局部稳定性、跳出局部极值的同时,又能以较快的速度收敛于全局最优,提高了算法的实用性和鲁棒性.     

用于一类函数全局优化问题的混合遗传算法

为了克服传统遗传算法收敛速度缓慢且易于收敛到局部最优解的缺点,该文将遗传算法与传统的局部搜索方法相结合,采用新的交叉变异准则,提出一种新型的混合遗传算法。该算法可以很好地处理一类带上下界约束的全局优化问题,具有很强的全局寻优能力。数值实验表明,该算法的计算结果明显优于传统遗传算法。     

改进的自适应遗传算法在函数优化中的应用*

针对传统遗传算法在复杂函数优化的寻优搜索中容易陷入局部极值,搜索效率低,不稳定等特点,提出一种改进的自适应遗传算法,该算法的思想是根据进化中种群适应度的集中分散的程度非线性地自适应调节遗传进化的运算流程和交叉概率Pc、变异概率Pm的值,从而能更好地产生新的个体摆脱局部极值搜索到全局最优解,并采取最优保存策略来保证改进的自适应遗传算法的收敛性。仿真实验结果表明,与现存其他算法相比,改进的自适应遗传算法在全局寻优的收敛速度、最优解、求解精度、和稳定性等方面都有了较大的改进和提高。     

求解度约束最小生成树的新的遗传算法

针对度约束最小生成树问题的特征,设计了一种新的编码方式,并在此基础上提出了一个新遗传算法来求解该问题。该算法采用新的启发式杂交算子、变异算子和局部搜索算子,以概率1收敛到全局最优解。数值实验表明该算法优于文中提出的其他4种算法。     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

基于改进蚁群优化的盲检测算法

文中针对基本蚁群算法在求解过程中容易出现收敛时间过长以及易陷入局部最优解的不足,对基本蚁群算法中的信息素更新方法进行改进,提出了一种新的算法：基于特种蚁群优化算法,并将其用于信号盲检测。文中提出的改进蚁群算法能更好地避免优化算法出现过早停滞现象,优化盲检测性能。对改进算法的仿真实验及复杂度分析结果表明：基于特种蚁群优化盲检测算法在具有与原算法相同复杂度的前提下,提高了算法的盲检测性能,具有可行性和有效性。     

基于人工免疫网络的正交小波盲均衡算法

传统的常数模盲均衡算法存在收敛速度慢、均方误差大、易陷入局部极小值点等缺点。为此,提出一种基于人工免疫系统的正交小波盲均衡算法。该算法将均衡器系数向量作为抗体,经过抗体克隆、变异和抑制等操作,搜索到适应度值最高的抗体,即均衡器的最优系数,使权向量跳出局部最优点,接近全局最优点,并利用正交小波变换改善常数模盲均衡算法的收敛性,降低均方误差。仿真实验结果表明,该算法收敛速度快、均方误差小,能得到全局最优解。     

基于遗传神经网络优化的过程信号盲分离算法

研究一种较新的盲信号神经网络分离(BSS)方法,用于过程信号去噪.由于盲信号分离神经网络存在容易陷入局部极小点、收敛速度慢的缺点,研究采用遗传算法优化盲信号分离神经网络权值的初值,将遗传算法与神经网络(HJNN)结合形成GA-HJNN算法,可迅速得到最佳盲信号分离神经网络的权值矩阵,实现对过程信号的去噪,并通过实验对2种算法进行了比较.     

基于Givens变换和二阶振荡W-C-PSO优化的盲源分离算法

针对智能算法在实现盲源分离时容易陷入局部最优且收敛速度缓慢的问题,提出一种基于Givens变换和二阶振荡粒子群优化的盲源分离算法。该算法首先将惯性权重与学习因子两个参数构造函数关系,使之共同调节算法迭代来提高算法的整体性与全局搜索能力;再引入二阶振荡环节增加种群的多样性,这样算法不易陷入局部最优;此外,采用Givens变换将分离矩阵转换成旋转角度表示形式来降低算法的复杂度。仿真表明,该算法能有效实现机械振动信号和语音信号的盲分离,并且相比其他算法具有更快的收敛速度和更好的分离性能。     

基于自调节粒子群算法的盲检测

以往基于粒子群优化的盲算法能成功实现信号盲检测,但具有算法收敛速度慢、容易陷入局部最小的缺点。文中通过分析粒子群算法的机能及参数的设置,提出一种改进的基于自调节粒子群优化的盲检测算法。算法构成思想是：基于MIMO系统的盲检测系统模型将盲检测问题转化为二次优化问题,利用改进的自调节粒子群优化算法对此优化问题进行寻优。仿真表明,改进算法具有全局收敛性好、收敛速度快、误码率低的优点,能够更好地解决盲检测问题。     

一种改进的图像迭代盲反卷积算法

针对传统迭代盲反卷积算法收敛速度慢、容易出现解模糊等问题,提出一种改进的图像迭代盲反卷积算法。利用动量矩求解图像的有限支持域,在支持域中使频率域和空间域交替迭代,从而实现图像的盲复原。仿真结果表明,与传统迭代盲反卷积算法和基于小波变换的盲反卷积算法相比,该算法的收敛速度较快,具有较好的图像恢复效果。     

基于蚁群算法优化的盲信号分离

在过程信号的去噪中,应用较新的盲信号神经网络分离(BSS)的方法,但盲信号分离神经网络存在容易陷入局部极小点、收敛速度慢的缺点.为此进一步采用蚁群算法(Ant Colony Algorithm ,简称ACA)优化盲信号分离神经网络权值的初值,将蚁群算法与神经网络(HJNN)结合形成AC-HJNN算法,可迅速得到最佳盲信号分离神经网络的权值矩阵,实现对过程信号的去噪.仿真实验表明:用AC-HJNN算法,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能.     

频域盲解卷积局限性分析及一种改进算法

在频域盲解卷积问题中,时域信号的卷积混合转化为频域信号在有限频点的瞬时混合,使算法复杂度大大降低。但这种算法的局限是分离结果存在次序和幅度上的不确定性,并且窗函数长度和信号非平稳性之间存在相互制约的关系。文中对语音信号频域盲解卷积算法存在的制约因素进行分析并提出一种改进的基于包络相关性的排序方法。在分裂谱法的基础上,通过“分裂”后的多路信号求得“总包络”,再依据“总包络”进行排序,从而克服传统的直接依据输出信号包络相关性进行排序的不足。实验结果表明,采用本方法可获得较高的分离质量。     

基于聚度的自适应动态混沌蚁群算法

针对蚁群算法收敛速度慢，容易陷入局部最优的问题，提出了一种基于聚度的自适应动态混沌蚁群算法（A_ACS）。在迭代前期利用聚度来衡量解的多样性，自适应调节局部信息素分布，同时引入混沌算子来增加种群多样性，避免算法陷入局部最优，从而提高解的精度；在迭代后期去掉混沌算子，减少混沌扰动性，来提高算法的收敛速度。将A_ACS用于TSP问题，仿真结果表明，该算法较ACS和MMAS算法减少了搜索时间，并且提高了解的质量，其平衡了多样性与收敛性之间的矛盾，整体性能优于其他两种算法。