数字滤波器设计的文化量子算法

有限脉冲响应(FIR)和无限脉冲响应(IIR)数字滤波器的设计实质可看作是多参数优化问题。为实现高效的数字滤波器,首先将滤波器的设计转化为滤波器参数的约束优化问题,然后提出文化量子(CQ)算法在参数空间进行并行搜索以获得滤波器设计的最优参数值。提出的文化量子算法结合文化原理,在量子种群空间更新中使用了量子旋转门的知识进化机制,是一种可用于实数解优化的快速多维搜索算法。计算机仿真实验表明在对FIR和IIR数字滤波器设计时,文化量子算法的收敛速度和性能都优于粒子群,量子粒子群以及自适应量子粒子群优化等算法,证明了该方法的有效性和优越性。     

基于粒子群算法的数字滤波器优化与仿真

研究数字滤波器优化问题,针对传统算法在数字滤波器优化过程中易出现“早熟”和后期收敛速度慢等等问题,提出了一种动量交叉粒子群算法的数字滤波器优化方法.首先把求解数字滤波器参数的问题数学化为性能指标优化模型,然后采用动量交叉粒子群算法找到符合特征要求的数字滤波器参数值,并通过仿真对性能进行测试.仿真结果表明,动量交叉粒子群算法较好地解决了传统算法的易出现“早熟”和后期收敛速度慢等等难题,设计数字滤波器的频域响应十分逼近理想频域响应,提高数字滤波器的设计效率.     

基于PSO-DE-CA的FIR滤波器设计

为优化有限脉冲响应(FIR)数字滤波器的设计,提出一种基于双种群的文化算法。种群空间分别按照粒子群优化和差分进化算法独立进化。信仰空间作为知识库,用于保存求解问题的群体经验。仿真实验结果表明,在设计FIR数字滤波器时,该算法具有较高的鲁棒性和较快的收敛速度,优化结果好于同类算法。     

柯西种群分布的自适应范围粒子群优化算法

为了提高粒子群优化算法的求解性能,提出了一种具有柯西种群分布的自适应范围搜索的粒子群优化算法(ARPSO/C)。该算法在种群服从柯西分布的假设下,在每一次迭代中利用个体分布的中位数和尺度参数来自适应地调整种群的搜索范围,从而在局部搜索和全局搜索之间达到了一个很好的平衡。最后的数值实验结果表明：与ARPSO和PSO算法相比,该算法收敛速度得到了显著提高,并且能够有效地克服早熟现象。     

基于多策略协同作用的粒子群优化算法

针对粒子群优化(PSO)算法容易早熟收敛、在进化后期收敛精度低的缺点,提出了一种基于多策略协同作用的粒子群优化(MSPSO)算法。首先,设定一个概率阈值为0.3,在粒子迭代过程中,如果随机生成的概率值小于阈值,则采用对当前种群中的最优个体进行反向学习并生成其反向解,以提高算法的收敛速度和收敛精度;否则,算法执行对粒子的位置进行高斯变异策略,以增强种群的多样性;其次,提出一种将柯西分布的比例参数进行线性递减的柯西变异策略,能够产生更好的解引导粒子向最优解空间运动;最后,在8个标准测试函数上进行仿真测试,MSPSO算法在Rosenbrock、Schwefel's P2.22、Rotated Ackley、Quadric Noise、Ackley函数上收敛的平均值分别为1.68E+01、2.36E-283、8.88E-16、2.78E-05、8.88E-16,在Sphere、Griewank和Rastrigin函数上收敛达到最优解0,优于高斯扰动粒子群优化(GDPSO)算法、基于柯西变异的反向学习粒子群优化(GOPSO)算法。结果表明,所提出的算法收敛精度高,能避免粒子陷入局部最优。     

带有非线性惯性权重和柯西变异的粒子群优化算法

粒子群优化算法是一种新型启发式智能优化算法,它运行速度快,收敛性强,但是容易陷入局部极值.为了克服粒子群算法的早熟收敛现象,提出了一种新的带有非线性惯性权重和柯西变异的粒子群优化算法.首先,对算法中的惯性权值进行改进,增强粒子局部收敛能力;然后,利用柯西变异算子,增加种群多样性.数值实验表明,提出的改进粒子群优化算法具有较快收敛速度,寻优能力强,能有效克服早熟收敛现象.     

基于粒子群优化算法的自适应IIR滤波器设计

针对自适应无限冲激响应(infinite impulse response,IIR)数字滤波器的设计实质上是一个多参数优化问题,提出了一种用粒子群优化算法(particle swarm optimization,PSO)设计IIR数字滤波器的方法.将滤波器的设计问题转化为滤波器参数的优化问题,利用粒子群优化算法对整个参数空间进行高效并行搜索以获得参数的最优化,基于多个典型系统的随机数值仿真以及与最小二乘方法的比较研究,验证了该方法的有效性、全局性和对初值的鲁棒性.     

基于差分文化算法的FIR数字滤波器设计

有限脉冲响应（FIR）数字滤波器的设计实质可看作是多参数优化问题。为高效实现FIR数字滤波器,将滤波器的设计转化为滤波器参数优化问题,然后提出差分文化粒子群（DC）算法在参数空间进行并行搜索以获得滤波器设计的最优参数值。提出的差分文化算法结合文化原理差分演进原理,是一种可用于实数优化的多维搜索算法。计算机仿真实验表明在设计FIR数字滤波器设计时,差分文化算法的收敛速度和性能都优于粒子群,量子粒子群以及自适应量子粒子群优化等算法,证明了该方法的有效性和优越性。     

基于混沌粒子群优化算法的FIR数字滤波器设计

有限脉冲响应(FIR)数字滤波器的设计,实质上是一个多参数优化问题.将粒子群优化算法与混沌相结合来设计FIR数字滤波器,并用该方法设计了一个高通滤波器.与用Parks-McClellan算法设计得到的高通滤波器进行对比发现,基于混沌粒子群优化算法(CPSO)的FIR滤波器通带波动小,阻带衰减大,从而证明了该算法的有效性和优越性.     

改进量子粒子群算法求解电力经济调度

为了避免算法早熟,结合柯西分布具有较长两翼的特点,提出了带柯西扰动因子的量子粒子群,对平均位置扰动,并结合罚函数处理约束条件来求解电力系统经济调度问题.通过对15个机组的数值仿真表明,该算法在收敛精度和迭代速度上有较好的效果.     

粒子群优化算法的收敛性分析及其混沌改进算法

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小,粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法,该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.     

基于高斯扰动的量子粒子群优化算法

针对量子粒子群优化（QPSO）算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法的性能,利用标准测试函数对标准PSO算法、QPSO算法以及基于高斯扰动的QPSO算法进行了比较测试。其结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。     

基于群体多样性反馈控制的自组织微粒群算法

微粒群算法是一种新型的群智能算法,已被广泛用于各种复杂优化问题的求解,但算法依然面临着过早收敛问题.为克服算法的早熟问题,提出了自组织微粒群算法.将微粒群体视为自组织系统,引入负反馈机制.群体多样性是影响微粒群算法全局优化性能的关键因素,把群体多样性作为个体微粒可感知的群体动态信息,用于动态调整惯性权重或加速度系数,通过不同的特性参数实现微粒的集聚或分散,使群体维持适当的多样性水平以利于全局搜索.用于复杂函数优化问题的求解,并与其他典型改进算法进行了性能比较.仿真结果表明,基于多样性控制的自组织微粒群算法可以有效避免早熟问题,提高微粒群算法求解复杂函数的全局优化性能.     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于混沌粒子群算法的物流配送路径优化

通过结合混沌的遍历性和粒子群的快速性的优点,提出了一种用于求解物流配送路径优化问题的混沌粒子群优化算法。该算法利用混沌变量产生初始粒子群,对子代部分粒子群进行微小扰动,随着搜索过程深入逐步调整扰动幅度,通过调整惯性权重因子克服标准PSO算法的早熟和易陷入局部最优值等缺陷。将混沌粒子群优化算法用于物流配送路径优化,建立了数学模型,在此基础上设计了相应的算法。将该算法和遗传算法、标准粒子群算法进行比较,证明了其收敛速度和寻优能力的优越性。     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

基于PSO算法的测试信号模型参数提取

为了提高自动测试系统的自动化水平,提出了基于粒子群算法的测试信号模型参数提取方法.阐述了采用PSO算法提取测试信号模型参数的原理,针对参数提取过程中的早熟收敛问题,提出了一种改进算法.该算法监控粒子群多样性,采用局部初始化的方法,克服了早熟收敛的缺点,提高了参数提取的稳定性.仿真实验验证了基于PSO算法的测试信号模型参数提取方法具有较高的稳定性和精度.     

改进的变尺度混沌粒子群算法及其应用

针对粒子群算法(PSO)存在局部最优及后期收敛速度慢等问题,提出一种改进的变尺度混沌粒子群算法(IMCPSO).该算法初期,在整个解空间对最优粒子进行变尺度混沌扰动,以防止陷入局部最优;算法后期,则以最优粒子为中心引入变尺度混沌扰动,以提高算法收敛速度.当算法一旦陷入局部最优时,采用混沌粒子替代部分种群粒子以增加粒子多样性,使算法尽快跳出局部最优.基于benchmark测试函数的仿真结果表明,所提算法与基本粒子群算法(SPSO)和变尺度混沌粒子群算法(MCPSO)相比,具有明显好的搜索精度和收敛速度.最后,将该算法应用于电路故障诊断实验中的支持向量机参数优化问题,实验结果说明了其应用价值.     

基于空间缩放和吸引子的粒子群优化算法

为解决粒子群优化(Particle Swarm Optimization,PSO)算法中粒子越界、算法进化后期收敛速度慢和早熟收敛的问题,通过分析PSO算法中粒子运动行为和算法稳定性,提出了一种基于空间缩放和吸引子的粒子群优化(PSO with search space zoomed factor and attrac...