基于改进型粒子群算法的阵列天线综合

粒子群优化(PSO)算法是一种通过粒子之间的合作与竞争来实现复杂多维空间的最优区域搜索的优化算法。本文中改进型PSO算法(NPSO),通过增加积分控制项改善了PSO算法全局搜索能力,并将该方法应用于多元环形阵列天线方向图的综合,实现了阵列方向图与预先给定的目标方向图的高度逼近。最后通过数值实例说明这种NPSO方法的有效性。     

改进型粒子群算法解决多维背包问题

微粒群优化算法(PSO)是一种基于种群的随机优化技术.将EDA算法与PSO算法结合起来,形成一种新的改进的算法(EPSO).算法将全局统计信息和全局最优解运用于解空间搜索,以期能更有效解决组合优化问题,最后将EPSO算法用于解决多维背包问题并进行了对比仿真实验.实验结果表明,在解决多维背包问题上,EPSO优于传统的PSO算法以及多种启发式智能算法,与此同时,EPSO算法使用更少的参数,因此更容易实现,运行更加稳定,效果更好.     

改进的PSO算法在非线性模型参数辨识中的应用

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辩识方法和遗传算法用于模型参数辨识时的缺点,提出一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法的强大优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索,以获得过程模型的最佳参数值,并将其用于对非线性系统模型的参数辨识,可有效提高参数辨识的精度和效率.该方法应用到实际例子中,获得了满意的辨识精度和效率,得到较为精确的过程模型,模型输出与实际输出基本一致,仿真结果令人满意.实例仿真结果表明,微粒群算法为非线性系统模型参数辨识提供了一种有效的途径.     

通信基站电磁辐射场强的系统建模与数值仿真

基于数字城市管理和射线跟踪算法的基本原理,采用三维实体环境建模、反向射线跟踪路径搜索和辐射场源射线多途径传播的场强合成算法,建立了一种对城市小区移动通信基站附近的电磁辐射场强进行系统建模与数值仿真的新方法.该方法有效克服了传统电波传播预测模型不能适应不同小区环境下的复杂建筑模型以及其他确定性方法不能精确找到电波传播路径的局限性.在城市小区的不同空间分布区域,本算法的计算机软件数值仿真结果与实地测量结果的良好一致性验证了该方法的实用性、有效性和正确性.     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

基于PSO的OBS路由优化选择算法研究

光突发交换(OBS)被认为是下一代光交换技术.利用粒子群优化算法(PSO)对OBS网络路由优化选择问题进行了研究和分析,仿真结果表明,基于PSO的OBS路由算法在计算代价方面要优于传统的最短路径算法,结论对改进OBS的路由选择协议有一定的理论指导意义.     

基于改进粒子群算法的三维路径规划

路径规划是无人机任务目标的重要组成部分,针对粒子群(PSO)算法早期收敛速度快,后期易陷入局部最优的缺点,提出一种结合天牛须搜索(BAS)算法的改进粒子群算法,并将其应用于无人机三维空间路径规划.在改进的粒子群算法中,利用天牛个体的优势,在每次迭代中都有自己对环境空间的判断,使路径更加合理,搜索效率更高.仿真结果表明,与粒子群算法相比,使用改进的粒子群算法进行无人机三维路径规划效果更好、代价更小.     

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.     

基于免疫机制的PSO算法中IIR数字滤波器设计

针对微粒群算法(PSO)在搜索过程中粒子的多样性差,易陷入局部最优且收敛速度慢等缺陷,将生物免疫系统中克隆选择机制和独特型免疫网络理论引入到微粒群优化算法中,提出了一种基于免疫机制的PSO优化算法(SOIM)并将其用于IIR数字滤波器的设计.该算法结合了微粒群算法的全局寻优能力和免疫多样性保持机制,改善了微粒群算法摆脱局部极值点的能力,提高了算法的收敛速度.仿真结果表明该算法在多模态搜索空间中具有更好的全局收敛性能和稳定性,是一种有效可行的IIR数字滤波器设计方法.     

基于改进的粒子群算法的ASON保护容量问题求解

针对求解ASON网络保护容量的NP完全非线性组合优化问题,提出了基于改进粒子群(PSO)搜索寻优算法.与线性规划寻优方法相比,该算法在可行解搜索空间及计算量上大大降低,为算法在工程上的实现提供了可行性.同时跟其它的进化计算方法(如免疫、遗传、蚂蚁等)相比,PSO简单、容易实现、不需要调整许多参数.仿真实验结果表明该算法计算效率大大超越整数线性规划(ILP),同时也略优于遗传算法,更重要的是该算法结构简单、搜索效率高、能迅速地求出保护容量优化问题的全局近似最优解.     

基于射线跟踪的空地毫米波传播损耗预测

传播毫米波传播损耗模型假设收发端天线高度比较低,不直接适用于空地传输场景,本文基于射线跟踪原理提出了一种空地场景下毫米波通信的传播损耗统计模型。该模型推导分析了视距、反射、绕射和无信号四种不同传播情况的路径概率,并综合考虑了环境、频率、距离和天线高度等因素对路径损耗的影响。仿真分析结果表明,本文模型对不同场景和传播高度都具有良好的适用性,对于非视距情况的细化分类使其计算结果,比传统模型更为精确且与射线跟踪仿真结果更为吻合,可用于空地毫米波通信系统设计和算法优化等领域。      

无人机三维路径规划的粒子群混合算法

路径规划是无人机控制过程中的重要环节之一,现有基于粒子群等算法的传统路径规划方法存在容易陷入局部最优等问题,无法适应现实场景中复杂环境及高搜索速度的要求。针对已有方法的缺陷,提出了一种无人机路径规划的高性能细菌觅食-遗传-粒子群混合算法,以传统粒子群优化算法为基础,引入细菌觅食算法及遗传算法思想,提高算法计算速度与能力,同时考虑实际场景中无人机的运行约束,进一步提高了方法的可用性。最后,利用仿真实验验证了所提方法的有效性,并通过与传统方法对比证明了所提方法在运行时间、规划航程等方面的优越性。     

基于改进射线跟踪法和BP神经网络算法的室外微蜂窝毫米波信道特性研究

在28 GHz与39 GHz毫米波频段室外微蜂窝场景下,基于改进射线跟踪法和反向传播(back propagation, BP)神经网络算法对毫米波单发单收信道及单发多收信道进行建模仿真研究. 在得到的无线信道仿真数据基础上,研究分析了毫米波信道的路径损耗、均方根(root-mean-square, RMS)时延扩展(delay spread, DS)、接收功率等传播特性. 通过与现有文献的测量结果对比分析验证了改进射线跟踪法的正确性与有效性. 通过BP神经网络方法拟合得到的路径损耗模型参数结果与改进射线跟踪法仿真得到的路径损耗参数结果对比发现,两者吻合程度很高,验证了BP神经网络算法能很好地对室外微蜂窝毫米波信道大尺度参数进行预测. 同时,文中给出了一种普遍适用的用来表征室外微蜂窝视距(line-of-sight, LoS)与非视距(non-line-of-sight, NLoS)场景下28 GHz与39 GHz毫米波信道的路径损耗模型. 结果表明:LoS场景下的RMS DS和接收功率都小于NLoS场景下得到的结果;LoS场景与NLoS场景下RMS DS、水平方向到达角、多径簇的个数累积分布函数均服从高斯分布;RMS DS在毫米波频段微蜂窝场景下,随着频率的升高而增大,到达接收端的多径成簇呈现稀疏性.     

A New Class of Hybrid Particle Swarm Optimization Algorithm

A new class of hybrid particle swarm optimization （PSO） algorithm is developed for solving the premature convergence caused by some particles in standard PSO fall into stagnation. In this algorithm, the linearly decreasing inertia weight technique （LDIW） and the mutative scale chaos optimization algorithm （MSCOA） are combined with standard PSO, which are used to balance the global and local exploration abilities and enhance the local searching abilities, respectively. In order to evaluate the performance of the new method, three benchmark functions are used. The simulation results confirm the proposed algorithm can greatly enhance the searching ability and effectively improve the premature convergence.     

一种新的基于粒子群密度的聚类算法

提出了一种新的粒子群密度聚类算法和对粒子群的初始化方法。该算法具有传统粒子群算法寻找最优解的特点,同时从密度的角度考虑了数据总体的分布,增强了寻找局部最优解的能力,并通过对粒子群的初始化加快了粒子群的收敛速度,得到了更好的聚类效果。对仿真数据和IRIS真实数据的实验结果证明,该算法聚类效果优于传统粒子群聚类算法和K均值算法。     

毫米波室内传播场景的蚁群优势路径搜索方法

为更高效地实现毫米波室内传播特性分析，提出了一种基于蚁群算法的快速射线追踪方法. 该方法利用蚁群分布计算和启发式搜索原理寻找电波传播优势射线路径，并选取室内传播中能量较高的优势射线路径代替所有射线路径进行分析，用于降低算法复杂度和提高执行效率. 通过典型室内场景下28 GHz、32 GHz和38 GHz三个频率信道特性的仿真分析，对比WinProp工具分析结果，呈现较好的一致性，预测误差小于0.8 dB；对比传统射线追踪法，计算效率提高了378.9%. 上述结果表明本文方法在保证预测精度的前提下有效降低了计算复杂度，具有工程应用价值.     

基于粒子群算法的阵列波束宽零陷优化设计

作为一种新型的群智能随机优化算法,粒子群优化（PSO ）算法在解决各种非线性复杂问题上得到了广泛的应用。研究了粒子群优化算法在阵列天线方向图零陷加宽技术上的应用,通过实例表明粒子群算法能够在较宽的角度区间上形成满足要求的零陷,在抗干扰应用方面具有较高的应用前景。     

基于粒子群算法的分布式MIMO系统圆形小区天线位置优化研究

本文研究分布式MIMO(Multiple-Input Multiple-Output)系统圆形小区基站侧天线端口的位置优化问题.论文首先建立了包含小尺度Nakagami衰落、阴影衰落和路径损耗的复合衰落信道模型,然后在收发端皆配置多根天线、移动台于小区内具任意概率分布、发射和接收端分别实施选择性传输和最大比合并方案下,在高信噪比条件下推导出圆形小区下行平均遍历容量的近似闭型表达式;随后通过对小区进行相应的区域预划分,采用粒子群算法而非传统遗传算法以快速搜索当前区域内天线端口的最佳位置,并最终根据小区天线端口位置的整体搜索结果确定天线优化布局.仿真结果表明,本文所推导的平均遍历容量近似表达式能较好地反映分布式MIMO系统性能,且所采用的基于粒子群算法的小区最优天线端口位置搜索结果也能较好地接近理论最佳位置.     

改进粒子群算法在频谱功率分配中的应用

在认知无线电中,由于次用户干扰门限要求的存在,传统频谱功率分配方式获得的次用户有效信道容量较低。针对这一问题,提出了一种基于粒子群算法的频谱功率分配算法。首先建立基于干扰距离的认知网络干扰模型,将频谱功率分配问题转化为函数优化问题,并借助混合随机变异思想的粒子群算法进行求解;针对寻优过程中的约束问题,提出了一种基于投入产出比的外点法,保证粒子群在可行域中寻优,最终获得频谱功率分配。仿真结果表明,与传统算法相比,所提算法能够获得较高的次用户有效信道容量。     

基于单纯形法的量子粒子群优化算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛慢和优化精度较差等缺点,提出了将单纯形搜索法与量子粒子群算法混合的改进算法,更好的平衡了全局搜索和局部搜索能力.仿真结果表明,该算法效率高、优化性能好,其性能远远优于一般的粒子群算法与量子粒子群算法.