基于协进化粒子群优化的认知决策引擎

提出基于协进化理论的认知无线电参数跨层优化体系结构和基于协进化粒子群优化算法的认知决策引擎。通过协进化技术将高维粒子降低为低维粒子,提高算法收敛速度和收敛效率。对多载波系统进行仿真分析,结果表明,基于协进化粒子群优化算法的认知决策引擎在收敛速度和运行效率上优于基于二进制粒子群优化和量子遗传的认知决策引擎。     

其于差分进化算法的认知无线电决策引擎

针对认知系统的工作参数调整问题,提出基于差分进化算法的认知无线电决策引擎算法.利用差分算法设置参数少、寻优能力强、不易于陷入局部最优等特点,实现认知系统根据工作环境变化和用户需求自适应调整工作参数.仿真结果表明,在多载波通信系统中,与协进化粒子群算法相比,提出的算法能增强系统的整体性能,提高系统的工作效率.     

PSO和ABC的混合优化算法

通过将粒子群优化(Particle Swarm Optimization,PSO)算法与人工蜂群(Artificial Bee Colony,ABC)算法相结合,提出一种ABC-PSO并行混合优化算法。在每次迭代中,将种群分为两个子种群,一个子种群使用PSO算法,另一个子种群使用ABC算法,两个算法寻优后进行比较,选出最优适应值。通过混合算法对4个标准函数进行测试,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。     

基于模拟退火遗传算法的认知无线电决策引擎

如何根据环境变化和用户需求智能调整无线电参数是认知无线电的基本功能.提出了遗传算法和模拟退火相结合的认知无线电参数调整方法,给出了该方法流程,运用多载波系统对算法性能进行了仿真分析.实验结果表明该方法改进了遗传算法中后期的爬山能力,优化得到的参数比单独使用遗传算法优化所得参数具有更高的归一化目标函数值,而且该方法能够在多个目标函数间进行权衡,参数调整结果与当前对目标函数的偏好一致.     

基于模拟退火粒子群算法的认知引擎研究

认知引擎的基本功能之一就是根据复杂多变的无线环境及业务需求,利用多目标优化策略,自适应地调整无线参数,实现动态环境下的可靠通信。目前,很多研究的重点集中在遗传算法(GA)及其改进算法上,但其收敛速度较慢,不利于复杂多变以及实时性要求较高的系统。对此,提出一种模拟退火粒子群算法(SABPSO),它采用模拟退火与粒子群算法交替迭代的方式,协同寻优。其可有效提高收敛速度,并克服基本粒子群算法易于陷入局部极值的缺点,增强全局寻优能力。最后,在不同通信模式下,利用多载波系统进行仿真,结果表明,SABPSO算法在收敛速度和平均适应度上优于基本算法。     

基于自适应蚁群优化算法的认知决策引擎

认知决策引擎的设计是认知无线电系统中的一项关键技术,它的主要功能是依据通信环境的变化和用户需求动态地配置无线电工作参数。提出了一种基于自适应蚁群算法的认知决策引擎来实现工作参数的最优化配置。该算法在基本蚁群算法的基础上加入了路径选择机制和信息素挥发因子自适应调整机制,保证了算法的全局搜索能力和收敛速度,有效地避免了容易陷入局部最优解的缺陷。仿真结果表明,在不同的环境下基于该算法的认知引擎比GA和ACO算法具有更好的性能。     

一种基于认知引擎的t分布变异萤火虫算法

针对认知引擎中智能优化的问题,提出了一种基于t分 布变异萤火虫算法的认知无线电决策引擎技术,分析了萤火虫算法的仿生原理,从数学角度 对算法实现优化过程进行了定义,并设计了一种基于t分布随机扰动的变异方案。最后 ,在 多载波环境下对该算法进行了仿真实验,结果表明与普通基于遗传算法的认知引擎相比,该 算法收敛速度快且具有较高的目标函数值,并且在加入t分布变异之后,算法的全局寻 优能 力进一步加强。     

基于二进制蚁群模拟退火算法的认知引擎

在认知无线电系统中,认知引擎依据通信环境的变化和用户需求动态配置无线电工作参数。针对认知引擎中的智能优化问题,提出一种二进制蚁群模拟退火（BAC&SA）算法用于认知无线电参数优化。该算法在二进制蚁群优化（BACO）算法中引入模拟退火（SA）算法,融合了BACO的快速寻优能力和SA的概率突跳特性,能有效避免BACO容易陷入局部最优解的缺陷。仿真实验结果表明,与遗传算法（GA）和BACO算法相比,基于BAC&SA算法的认知引擎在全局搜索能力和平均适应度等方面具有明显的优势。     

基于粒子群算法的认知无线电频谱分配算法

针对认知无线电空闲频谱分配过程中整体性能优化问题,建立了频谱资源受限情况下实现系统总带宽收益最大化、认知用户接入公平性最优的多目标模型,并结合问题特点设计了基于粒子群优化算法的智能求解算法,给出了具体的实施步骤。从系统总带宽收益、用户接入公平性和系统整体性能3个方面,仿真比较分析了所提算法同协作最大化带宽总收益和协作最大化比例公平性准则下的敏感图着色算法的性能,结果表明该方法实现了系统总带宽收益和用户公平性的折中,整体性能优于敏感图着色算法。     

基于案例推理的认知自学习引擎

认知无线电与传统无线电的最大区别在于其能够感知环境,主动去学习、适应环境.近年来,对于认知无线电的研究主要集中于多目标优化的配置决策问题.但实际的通信系统可观测到的环境参数有限,且输入输出关系复杂,需要认知无线电通过学习来理解并适应环境.针对上述问题,提出了一种基于案例推理和模拟退火思想的认知决策引擎算法.仿真结果表明...     

多目标粒子群和人工蜂群混合优化的阈值图像分割算法

在图像分割中,为了准确地把目标和背景分离出来,提出了一种基于多目标粒子群和人工蜂群混合优化的阈值图像分割算法。在多目标优化的框架下,将改进的类间方差准则和最大熵准则作为适应度函数,通过粒子群和蜂群混合优化这2个适应度函数来获得1组非支配解。同时,为了提高全局和局部搜索能力,在蜂群进化时,将粒子群的全局最优解引入到人工蜂群算法的雇佣蜂阶段蜜源的更新中,并对搜索方程进行改进。最后通过类间差异和改进的类内差异的加权比值,从一组非支配解中选取最优阈值。实验结果表明,该算法能够取得理想的分割结果。     

A hybrid multi-objective tour route optimization algorithm based on particle swarm optimization and artificial bee colony optimization

Computational intelligence techniques have widespread applications in the field of engineering process optimization, which typically comprises of multiple conflicting objectives. An efficient hybrid algorithm for solving multi-objective optimization, based on particle swarm optimization (PSO) and artificial bee colony optimization (ABCO) has been proposed in this paper. The novelty of this algorithm lies in allocating random initial solutions to the scout bees in the ABCO phase which are subsequently optimized in the PSO phase with respect to the velocity vector. The last phase involves loyalty decision-making for the uncommitted bees based on the waggle dance phase of ABCO. This procedure continues for multiple generations yielding optimum results. The algorithm is applied to a real life problem of intercity route optimization comprising of conflicting objectives like minimization of travel cost, maximization of the number of tourist spots visited and minimization of the deviation from desired tour duration. Solutions have been obtained using both pareto optimality and the classical weighted sum technique. The proposed algorithm, when compared analytically and graphically with the existing ABCO algorithm, has displayed consistently better performance for fitness values as well as for standard benchmark functions and performance metrics for convergence and coverage.     

基于适应值预测的DABC认知无线电频谱分配算法

针对认知无线网络频谱分配过程存在的问题,提出了基于适应值预测策略的双人工蜂群算法（FP-DABC）。该算法设计的干扰门限阈值,提高了用户的接入数量;适应值预测方法的使用,加快了分配效率;同时算法对频谱分配过程公平性和系统整体性能进行了优化。实验仿真结果表明：FP-DABC算法牺牲了部分网络效益的同时,在用户满意度、分配率、平均分配时间、用户公平性和系统整体性能上均优于颜色敏感图着色算法（CSGC）和人工蜂群算法（ABC）。     

基于遗传交叉因子的改进蜂群优化算法*

针对标准蜂群算法在求解函数优化问题时易陷入局部极优点的缺陷,提出了一种基于遗传交叉因子的改进蜂群优化算法。该算法借鉴遗传算法中的选择交叉操作增加食物源多样性,通过引入交叉因子增强群体食物源的优良特性,减小陷入局部极值的可能。对几个典型的测试函数进行仿真表明,该算法较标准蜂群算法提高了全局搜索能力和收敛速度,改善了优化性能。     

基于改进人工蜂群算法的WSNs覆盖优化

随着无线传感器网络（WSNs）被广泛地应用,覆盖优化问题已经成为网络服务质量中的一个关键问题。针对基本人工蜂群（ABC）算法的缺陷,基于混沌优化和自适应变化提出了一种改进的ABC（IABC）算法;并在此基础上,设计了基于IABC算法的动态网络覆盖优化方案。实验结果表明：IABC算法明显改善了基本ABC算法的缺陷,有效地延长了网络寿命,保证了网络的服务质量。     

混合编码差分进化粒子群算法及多示例学习的高光谱影像降维与分类

目的 高光谱遥感影像由于其巨大的波段数直接导致信息的高冗余和数据处理的复杂,这不仅带来庞大的计算量,而且会损害分类精度。因此,在对高光谱影像进行处理、分析之前进行降维变得非常必要。分类作为一种重要的获取信息的手段,现有的基于像素点和图斑对象特征辨识地物种类的方法在强噪声干扰训练样本条件下精度偏低,在对象的基础上,将光谱和空间特征相似的对象合并成比其还要大的集合,再按照各个集合的光谱和空间特征进行分类,则不容易受到噪声等因素的干扰。方法 提出混合编码差分进化粒子群算法的双种群搜索策略进行降维,基于支持向量机的多示例学习算法作为分类方法,构建封装型降维与分类模型。结果 采用AVIRIS影像进行实验,本文算法相比其他相近的分类方法能获得更高的分类精度,达到96.03%,比其他相近方法中最优的像元级的混合编码的分类方法精度高出0.62%。结论 在针对强干扰的训练样本条件下,本文算法在降维过程中充分发挥混合编码差分进化算法的优势,分类中训练样本中的噪声可以看做多示例学习中训练包"歧义性"的特定表现形式,有效提高了分类的精度。     

基于健康度的人工蜂群粒子群算法

针对标准粒子群算法存在收敛速度慢和易陷入局部最优等问题,提出了一种基于健康度的人工蜂群粒子群算法。通过动态地对各个粒子的健康状况进行评价,对正常粒子和病态粒子分别进行处理,避免无效搜索,提高算法的收敛速度;在处理病态粒子时,一方面以大概率借鉴人工蜂群的搜索策略提高算法的探索能力,另一方面以小概率增加粒子群的多样性,避免陷入局部最优。实验结果表明,与标准粒子群算法和其他改进算法相比,该算法收敛速度快、寻优精度高。