实数遗传算法的改进及性能研究

提出一种粒子群优化方法(PSO)与实数编码遗传算法(GA)相结合的混合改进遗传算法(HIGAPSO).该方法采用混沌序列产生初始种群、非线性排序选择、多个交叉后代竞争择优和变异尺度自适应变化等改进遗传操作;并通过精英个体保留、粒子群优化及改进遗传算法(IGA)三种策略共同作用产生种群新个体,来克服常规算法中收敛速度慢、早熟及局部收敛等缺陷.通过四个高维典型函数测试结果表明该方法不但显著提高了算法的全局搜索能力,加快了收敛速度;而且也改善了求解的质量及其优化结果的可靠性,是求解优化问题的一种有潜力的算法.     

合作式粒子群优化算法

针对粒子群优化(PSO)算法随着维数增加而导致的收敛速度慢,容易陷入局部最优的问题,提出了一种合作式粒子群(CPSO)算法。通过多粒子群不同的组态向量合作,显著改善了标准算法的早熟问题。利用标准测试函数对CPSO算法、协同进化遗传算法(CCGA)、遗传算法(GA)、PSO算法进行比较测试,结果表明,CPSO算法在多个基准优化问题方面显示了较佳性能。     

基于改进的粒子群算法的二维阵列天线方向图综合技术

该文运用一种改进的粒子群优化算法对不等幅激励的矩形平面阵列天线的最大旁瓣电平进行了优化,采用对全局最优粒子微扰和跳变的惯性权重策略,并使用粒子群算法本身对参数组合进行了优化选择。新算法大大改善了优化速度和收敛精度。对二维阵列天线旁瓣电平优化和稀疏阵列方向图综合的良好结果也证明了该方法的有效性。     

PASTd算法应用于机动多目标角度跟踪

Ryu et al.提出一种基于Kalman滤波和信号子空间的机动多目标角度跟踪算法,在该算法中需要计算信号子空间矩阵W的投影矩阵,因而需要计算N×N维复数逆矩阵.这主要是由于W的列向量间不正交.提出一种用Kahnan滤波预测的角初始化W的方法,使得在用PASTd算法时W能够更快地收敛于列向量为正交向量的矩阵,从而避免了计算N×N维复数逆矩阵,既降低算法的运算量,同时跟踪性能也得到提高.     

基于PPSO-GRADS算法的盲信号分离

该文将联姻策略应用在粒子群算法中,提出一种并行分阶段的基于粒子群优化算法的盲信号分离方法(PPSO-GRADS)。该算法具有收敛速度快,分离精度高的特点。通过仿真证明该算法比未使用联姻策略的粒子群算法有更好的性能,在收敛速度和分离效果上比传统的梯度算法,遗传算法都有较明显的改善。     

基于PSO-GA算法的多用户OFDM系统资源分配

为了最小化多用户OFDM系统的总发射功率,提出利用改进的粒子群算法与遗传算法相结合的联合算法(PSO-GA)来搜索最优的子载波和比特分配。该算法首先利用改进粒子群算法对系统的子载波和比特分配进行优化。算法运行过程中,当更新后的粒子速度大于最大粒子速度或小于最小粒子速度时,取最大粒子速度与最小粒子速度区间中的一个随机值作为更新的粒子速度。待PSO-GA算法的改进粒子群算法收敛后,将收敛后的种群作为遗传算法的初始种群,再利用遗传算法进行系统的子载波和比特优化分配,进而得出最优解。仿真结果表明,利用该算法比利用遗传算法、粒子群算法与Zhang算法的分配方案使系统需要的总发射功率降低2~10 dB。     

基于一种新的粒子群算法的天线方向图综合技术

该文在线性递减权重粒子群算法的基础上提出了一种新的准粒子群优化算法。新算法借鉴了遗传算法中交叉的思想并采用了对偶算法模型改善了算法的优化速度和收敛特性。仿真表明,将此算法应用在天线方向图综合中,取得了良好的优化效果。     

高维空间中离群点检测算法研究

提出一种基于改进粒子群优化算法的离群点检测算法,解决高维环境下离群点挖掘效率偏低的问题。新算法能够充分发挥粒子群优化算法全局搜索的优势,并具有k均值算法快速收敛的特点,可避免粒子群优化算法的早熟,减小确定k均值算法聚类中心的计算量等问题。实验表明,该算法在高维环境下可快速有效的挖掘出离群数据的离群支持度,有较好的挖掘效率、准确率和实用性。     

基于量子粒子群优化算法的光纤光栅参数重构

提出了一种基于量子粒子群优化算法的光纤光栅参数重构方法。该方法通过传输矩阵法得到优化目标函数,并将待优化的光纤光栅参数以粒子表示,再让粒子在解空间模拟量子行为进行搜索。以均匀布拉格光栅和线性啁啾光纤光栅为例,分别采用遗传算法(GA)、经典粒子群优化(PSO)算法以及量子粒子群优化(QPSO)算法对其进行参数重构。与传统粒子群算法及遗传算法相比,该方法借鉴了量子行为,具有更好的收敛性能和稳态性能。数值结果表明,种群规模为40时,针对均匀和非均匀光栅分别进化100代和200代得到的重构参数误差均小于0.5%。     

基于莱维飞行粒子群算法的稀布阵列天线综合

针对阵列孔径、阵元间距、阵元数等约束条件的稀布阵列天线综合,提出一种莱维飞行粒子群算法,该算法在改进粒子群优化算法基础上,引入莱维飞行机制,增加粒子位置的变化活力,有效避免粒子陷入局部最优和更新出现不可解。仿真结果表明,相比文献中遗传算法、粒子群算法,所提算法可以获得更好的收敛精确度,验证算法的有效性和稳健性。     

M-精英协同进化分子动理论优化算法

提出了一种M-精英协同进化分子动理论优化算法(MECKMTOA, M-elite coevolutionary KMTOA)。该算法基于M个精英以尽量避免发生错误引导,通过精英间的学习与协作提高算法的收敛精度,采用新型的波动算子防止算法陷入按维早熟。测试结果表明,MECKMTOA在求解精度、算法稳定性、高维函数求解等方面均表现出良好性能。     

一种融合噪声网络的深度强化学习通信干扰资源分配算法

针对传统干扰资源分配算法在处理非线性组合优化问题时需要较完备的先验信息,同时决策维度小,无法满足现代通信对抗要求的问题,该文提出一种融合噪声网络的深度强化学习通信干扰资源分配算法(FNNDRL)。借鉴噪声网络的思想,该算法设计了孪生噪声评估网络,在避免Q值高估的基础上,通过提升评估网络的随机性,保证了训练过程的探索性;基于概率熵的物理意义,设计了基于策略分布熵改进的策略网络损失函数,在最大化累计奖励的同时最大化策略分布熵,避免策略优化过程中收敛到局部最优。仿真结果表明,该算法在解决干扰资源分配问题时优于所对比的平均分配和强化学习方法,同时算法稳定性较高,对高维决策空间适应性强。     

基于Cat混沌和柯西变异的鸡群算法

当标准的CSO算法被应用于求解高维复杂优化问题时,存在易陷入局部最优解与较差的收敛精度等明显缺陷。本文提出了一种基于Cat混沌与柯西变异的改进鸡群优化算法(ICSO),然后使用6个标准函数对ICSO算法进行了仿真寻优,结果表明,相比PSO算法、BA算法和CSO算法,ICSO算法具有更强的跳出局部收敛的能力,且寻优精度也有显著提高。     

基于重新匹配策略的ε约束多目标分解优化算法

针对MOEA/D算法中权重向量与个体分配不合理,导致种群多样性降低的问题,提出基于重新匹配策略的ε约束多目标分解优化算法.首先,对Tchebycheff分解策略进行理论分析,推导出关于多样性和收敛性的定理,从而为研究MOEA/D算法奠定理论基础.其次,为有效解决由于随机为权重向量分配个体造成种群多样性降低的问题,提出权重向量和个体间的重新匹配策略,合理地为权重向量分配个体,改善种群多样性.最后,提出的个体比较准则较好地兼顾多样性和收敛性,提高了算法的约束多目标优化性能.通过与5种优秀算法的对比实验结果表明,该文算法所求得的近似Pareto最优解集的分布性和收敛性均得到一定提高,相比于对比算法具有一定的优势.     

基于改进的群搜索算法求解分类规则

本文阐述了求解分类规则的改进群搜索算法,该算法是基于群搜索算法实现的。群搜索算法是一种新的群体智能优化算法,适宜求解多模态高维问题。对群搜索算法进行了简单的改进,加入了对算法中个体位置的边界值限制,以提高收敛速度。通过实验表明,此算法在求解分类规则中取得了良好的实验结果。     

A Many-Objective Evolutionary Algorithm with Spatial Division and Angle Culling Strategy

In a specific project, how to find a reasonable balance between a plurality of objectives and their optimal solutions has always been an important aspect for researchers. As a trade off between fast convergence and a rich diversity, a Many-objective evolutionary algorithm based on a spatial division and angle-culling strategy (MaOEA-SDAC) is proposed. In the reorganization stage, a restricted matching selection can enhance the reproductivity. In the environment selection stage, a space division and angle-based elimination strategy can effectively improve the convergence and diversity imbalance of its solution set. Through detailed experiments and a comparative analysis of the proposed MaOEA-SDAC with five other state-of-the-art algorithms on classical benchmark problems, the effectiveness of MaOEA-SDAC in solving high-dimensional optimization problems has been verified.     

多种群纵横双向学习和信息互换的鲸鱼优化算法

鲸鱼优化算法(WOA)相较于传统的群体智能优化算法,具有较好的寻优能力和鲁棒性,但仍存在全局寻优能力有限、局部极值难以跳出等问题。针对上述不平衡问题,该文提出一种多种群纵横双向学习的种群划分思路,子群相互独立,子群内个体受到来自横向和纵向两个方向的最优值影响,从而规避局部最优,在探索和开发之间取得均衡。对纵向种群的所有个体,该文提出一种线性下降概率的个体置换策略,促进不同子群的信息流动,加快算法收敛。基于不同个体的历史进化信息,来进行策略算子选择,从而区别于现有基于随机数的策略算子选择方法。利用基准函数进行跨文献对比,数值结果表明该文算法具有很好的优越性和稳定性,在大多数问题上都获得了全局极值,具有较好的问题适用性。     

基于双向主成分分析和压缩感知的人脸识别算法

提出了一种双向主成分分析(BD-PCA)与基于光滑l₀范数(SL0)相结合的人脸识别算法(BP-SL0)。首先利用BD-PCA对所有的训练图像降维,然后将降维后的人脸图像按列拉伸成一个向量,并将其组成字典矩阵,同时对待测试图像进行相同处理,最终通过SL0算法求解优化问题。实验结果表明,该算法获得了较高的识别率和重建效果,且效果优于单独使用BD-PCA和SL0算法。     

一种改进的灰狼优化算法

灰狼优化算法是最近提出的一种较有竞争力的优化技术.然而,它的位置更新方程存在开发能力强而探索能力弱的缺点.受差分进化和粒子群优化算法的启发,构建一个修改的个体位置更新方程以增强算法的探索能力;受粒子群优化算法的启发,提出一种控制参数a随机动态调整策略.此外,为了提高算法的全局收敛速度,用混沌初始化方法产生初始种群.采用18个高维测试函数进行仿真实验,结果表明：对于绝大多数情形,在相同最大适应度函数评价次数下,本文算法的性能明显优于标准灰狼优化算法.     

基于混合三角变异差分进化算法的平面稀疏阵列约束优化

针对旁瓣零陷凹面约束的稀疏平面阵列优化及算法早熟等问题,该文基于参数自适应的思想,提出一种混合三角变异差分进化算法。通过引入旁瓣零陷凹面约束矩阵,构建自适应惩罚函数,时变权重组合变异策略与交叉策略,提高算法前期全局搜索能力和后期收敛能力,最终实现峰值旁瓣电平和旁瓣零陷凹面的平面阵列约束优化。仿真结果表明,对比混合三角变异策略前的算法,该算法在完成稀疏阵列峰值旁瓣电平优化的同时,能在指定旁瓣区域完成零陷凹面设计,降低有源干扰影响。