RSSI和粒子群混合VLC室内精确定位方法

传统的基于可见光通信(VLC)的室内定位算法,精度相对较低,误差较大。提出一种RSSI和粒子群混合VLC室内精确定位方法,该方法通过RSSI算法进行未知节点的初定位,并利用高斯分布函数剔除误差较大的定位数据,减少了其对最终定位结果的影响。同时,通过自适应权重粒子群算法搜索未知节点的最优解,使得该算法前期较长时间具有最优全局搜索能力,后期较长时间具有最优局部搜索能力,能尽快找到未知节点的精确位置。仿真结果表明,该定位方法比传统的RSSI算法和粒子群算法的定位误差小,可以大大提高VLC室内定位的精度。     

改进的免疫粒子群算法在TDOA定位中的应用

针对无线传感器网络中的TDOA节点无源定位估计中的非线性优化问题,提出了一种改进的免疫粒子群优化(Immune Particle Swarm Optimization, IPSO)的TDOA定位算法。该算法在自适应粒子群算法的基础上,引入免疫过程,增加了粒子种群的多样性,平衡局部搜索能力和全局搜索能力,有效地解决粒子易陷入局部最优问题,更快收敛到全局最优解。仿真结果表明,提出的算法相比于标准粒子群算法、自适应粒子群算法、Chan算法,当基站数量仅为4～5个、半径达到100 m时定位精度仍然较高,当加入随机噪声时,性能更加稳定,鲁棒性较好。     

基于自适应粒子群优化算法的限速标志识别

针对经典的粒子群优化算法收敛性能不足的问题,提出了一种自适应粒子群优化算法。该算法对进化过程中的收敛方向进行动态调整,通过学习因子对参数选取过程进行调节,使收敛的初期趋向全局最优,后期趋向局部最优。采用自适应粒子群优化算法对支持向量机模型参数进行优化,并应用于限速标志的识别,实验结果表明,文中基于自适应粒子群优化算法的方法拥有较高的识别率,同时算法收敛性显著高于经典的粒子群优化算法。     

基于自适应变异粒子群算法的无人机航迹规划

提出一种基于自适应粒子群算法的航迹规划方法.航迹规划是低空突防过程中的关键技术,目的是得到一条既安全可靠又全局代价最优的三维航迹.针对基本粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用自适应粒子群优化算法,仿真结果表明该方法能够快速有效地完成规划任务,获得满意的三维航迹.     

一种新的数字调制信号分类特征选择算法

针对调制信号分类特征选择问题,提出了自适应惯性权重模拟退火二进制离散粒子群算法。该算法将模拟退火算法嵌入到离散粒子群算法循环体中,利用模拟退火算法具有较强的局部搜索能力和避免陷入局部最优解的特点,解决了简单智能优化算法早熟收敛和局部搜索能力弱等问题。仿真结果表明,该算法能有效选取最优特征,性能优于简单离散粒子群算法和遗传算法。     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

基于改进粒子群优化算法的无人机实时航迹规划

在无人机航迹规划中,通过改变惯性权重和采用自适应粒子群编码方式,以最大转弯半径、步进、最短距离和回避威胁作为航迹的评价指标,将约束条件、地形地貌及威胁信息引入适应度函数等方法,对粒子群优化算法进行改进,解决了粒子群算法在寻优过程中易陷入局部最优的问题.仿真结果表明,该方法可实现在线实时航迹规划.     

自适应粒子群优化算法及其在测试数据生成中的应用研究

针对粒子群算法易陷入局部最优解及搜索精度低的问题,本文提出一种约简的自适应粒子群优化算法并应用于测试数据的自动生成.首先对粒子群进化方程约简,提出无速度项的粒子群进化方程;然后,对约简后的方程提出基于惯性权重的自适应调整方案,将惯性权重直接作用于粒子的位置,并根据粒子的适应度及聚集度将种群划分为三部分.实验表明,该方法可以有效地提高自动生成测试数据的效率.     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF 神经网络法、混合粒子群-RBF 神经网络法和自适应粒子群-RBF 神经网络法,并且预测效果不易受时间尺度变化的影响。     

基于直觉模糊熵的混合粒子群优化算法

为了提升粒子群算法的全局寻优与局部精细搜索能力并加快收敛速度,提出了基于直觉模糊熵的混合粒子群优化算法.该算法采用粒子的历史最优解信息构造直觉模糊熵的自适应函数,并将熵值作为扰动因子动态调节惯性权重,同时建立自适应全局最优粒子学习策略对扰动后的粒子进行训练,在保持多样性传播的基础上选择学习对象,使粒子探索更多新区域,实现种群间的协作与并行进化.通过仿真实验,将本文算法与两种衍生算法以及其他改进粒子群算法在11个测试函数上进行比较,结果表明,本算法在求解精度、收敛速度和寻优效率上均有更好表现.     

自适应变异的粒子群优化算法

本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力.对几种典型函数的测试结果表明:新算法的全局收搜索能力有了显著提高,并且能够有效避免早熟收敛问题.     

Particle swarm optimization versus genetic algorithms for phased array synthesis

Particle swarm optimization is a recently invented high-performance optimizer that is very easy to understand and implement. It is similar in some ways to genetic algorithms or evolutionary algorithms, but requires less computational bookkeeping and generally only a few lines of code. In this paper, a particle swarm optimizer is implemented and compared to a genetic algorithm for phased array synthesis of a far-field sidelobe notch, using amplitude-only, phase-only, and complex tapering. The results show that some optimization scenarios are better suited to one method versus the other (i.e., particle swarm optimization performs better in some cases while genetic algorithms perform better in others), which implies that the two methods traverse the problem hyperspace differently. The particle swarm optimizer shares the ability of the genetic algorithm to handle arbitrary nonlinear cost functions, but with a much simpler implementation it clearly demonstrates good possibilities for widespread use in electromagnetic optimization.     

非规则LDPC码度分布对的优化方法

得到性能接近香农极限的LDPC好码的难点在于非规则LDPC码度分布对的优化。文章将自适应微粒群优化（APSO）算法和高斯近似（GA）算法相结合，用GA算法得到AWGN下近似门限值。用加特殊约束的APSO算法进行度分布对的优化。这种优化方法计算量小，且优化得到的度分布对性能接近于香农限．这对于在无线通信系统和光通信系统中如何构造好的LDPC码具有重要的指导意义。     

基于IC-PSO和ISM的反馈控制算法设计

为了提高光纤偏振模色散(PMD)补偿系统的动态自适应补偿能力,提出了用改进粒子群优化(PSO)算法作为搜索算法,用改进单纯形法(ISM)作为跟踪算法的反馈控制算法设计方案,从而实现对PMD补偿单元的动态调整。在PSO算法中,引入免疫克隆(IC)原理提高了搜索算法的全局优化能力;对SM的反射操作和扩张操作进行改进,从而提高算法的收敛速度;用映射操作代替原有的顶点代换操作,从而使单纯形在迭代过程中不发生退化现象。实验结果证明了该算法用于PMD补偿系统的有效性和可行性。     

基于改进斑点鬣狗优化算法的红外图像分割

针对斑点鬣狗优化算法（spotted hyena optimizer,SHO）容易陷入局部最优解、求解质量低等缺点,本文提出使用Lévy飞行和单纯形搜索算法改进SHO（spotted hyena optimizer based on simplex method and Lévy flight, Lévy_SM_SHO）。将Lévy_SM_SHO与Lévy飞行斑点鬣狗优化算法（spotted hyena optimizer based on Lévy flight, Lévy_SHO）、单纯形搜索斑点鬣狗优化算法（spotted hyena optimizer based on simplex method, SM_SHO）和SHO在测试函数上结果进行对比,实验证明改进算法能够取得较好的优化结果。并将Lévy_SM_SHO算法用于红外图像阈值分割问题,通过与粒子群算法（particle swarm optimization, PSO）分割结果对比,证明Lévy_SM_SHO算法能够取得较好的阈值分割结果。     

Mobile robot SLAM method based on multi-agent particle swarm optimized particle filter

To overcome particle impoverishment, a simultaneous localization and mapping (SLAM) method based on multi-agent particle swarm optimized particle filter (MAPSOPF) was presented by introducing the idea of multi-agent to the particle swarm optimized particle filter (PSOPF) which is an algorithm for SLAM. In MAPSOPF, agents can communicate and compete with each other and learn from each other. The MAPSOPF algorithm can update the prediction of particle, adjust the proposal distribution of particles, improve localization precision and fault tolerance, and propel the particles to concentrate on the robot's true pose. Compared with standard particle filter (PF), the proposed method can achieve better SLAM precision by fewer particles. Simulations verify its effectiveness and feasibility.     

数字调制识别SVM分类器参数优化及仿真

对于基于SVM数字信号调制识别分类器,参数选取过程中如何优化惩罚因子和径向基核函数参数问题,提出了一种改进算法。该算法将自适应惯性权重粒子群算法和k折交叉验证法结合,利用交叉验证法计算粒子适应度值,通过粒子群算法实现最优参数值搜索,最终得到分类器惩罚因子和径向基核函数参数最优值。仿真结果表明,该算法性能明显优于网格搜索法和遗传算法。     

Node Localization Based on Improved PSO and Mobile Nodes for Environmental Monitoring WSNs

In this paper, a novel iterative localization algorithm based on improved particle swarm optimization (PSO) is proposed for monitoring environment like lakes, rivers or other water bodies. The first step of this algorithm is to get the position of some unknown nodes by using improved PSO algorithm. The second step is to locate other nodes by using these unknown nodes in first step as new anchor nodes. The localization problem of island node in sparse distributed grid is solved by introducing adaptive mobile node in this paper. The simulation results show that the algorithm has the advantages of small location error and little influence by environmental factors.     

Research on equipment fault diagnosis method based on random stochastic adaptive particle swarm optimization

The traditional fault diagnosis method of industrial equipment has low accuracy and poor applicability. This paper proposes a equipment fault diagnosis method based on random stochastic adaptive particle swarm optimization (RSAPSO). The entire model is validated by using the data of healthy bearings collected by Case Western Reserve University. Different gradient descent algorithms and standard particle swarm optimization (PSO) algorithms in a back propagation (BP) network are compared experimentally. The results show that the RSAPSO algorithm has a higher accuracy of weight threshold updating than the gradient descent algorithm and does not easily fall into a local optimum. Compared with PSO, it has a faster optimization speed and higher accuracy. Finally, the RSAPSO algorithm is validated with the data of bearings collected from the laboratory rotating machinery test bench and motor data collected from the tower reflux pump. The average recognition rate of the four kinds of bearing data constructed is 97.5% , and the average recognition rate of the two kinds of motor data reaches 100% , which prove the universality of the method.