基于混沌遗传算法的非均匀应变分布重构研究

针对基本遗传算法在解决实际最优化问题时可能存在的收敛速度慢、易于陷入局部最优解等问题,提出从适应度排序标定和混沌算子嵌入两方面进行算法性能的改进。前者避免了传统适应度值计算方法中较小目标函数值导致的具有过大适应度值的个体对种群进化方向的影响,使得种群始终能够保持恒定的进化压差促进最优解的搜索;后者则增强了遗传算法局部搜索的能力,从而提高了近似最优解向全局最优解转化的可能性。在此基础上,建立了一种基于混沌遗传算法的光纤布拉格光栅(FBG)轴向非均匀应变分布重构方法,仿真算例表明,混沌遗传算法有效改善了非均匀应变分布重构算法的收敛性能,提高了重构的精度。讨论了算法中相关参数的设置对非均匀应变分布重构精度的影响。     

FBG轴向非均匀应变分布的遗传规划重构方法

针对现有的光纤Bragg光栅轴向非均匀重构方法需预先对应变分布形式做假设而实际结构中应变分布是任意的这一问题,基于新兴的遗传规划(GP)算法,提出一种重构FBG轴向非均匀应变分布的方法,利用GP自动设计并优化应变分布的函数表达式,使应变重构的空间分辨率可以达到任意值。多种应变分布形式下的应变重构仿真结果表明,GP方法可以有效地进行光栅轴向非均匀应变分布的连续重构,精度和计算效率较现有方法有明显提高。     

非均匀应变场中光纤布拉格光栅的数值分析

当非均匀应变场作用在光纤布拉格光栅（FBG）上时,由于FBG周期和有效折射率在沿FBG长度方向都为变量,所以会导致光谱形状的变化。采用耦合模理论和龙格库塔的方法可以准确地分析非均匀应变场中的FBG光谱特性,其缺点是收敛速度慢;而传输矩阵法虽然可以大大提高收敛速度,但是由于忽略了非均匀应变场的变化梯度,在分析变化率较大的非均匀应变场时与龙格-库塔方法相比准确度较差,通过改进适用于分析非均匀应变场的FBG等效周期,既保留了传输矩阵分析FBG的快速收敛性,又保证了分析准确性。     

基于粒子群算法的非均匀稀布阵列综合

给出了一种基于粒子群算法的非均匀稀布阵列综合方法,设计有最小阵元间距约束的稀布阵,通过加入间距约束向量改进了适应度算法,不仅减小了布阵空间,而且消除了优化过程中的不合格个体。在给定阵列孔径和阵元数的条件下,实现了最小阵元间距约束下抑制栅瓣,降低旁瓣电平的阵列综合。通过仿真实例,验证了此方法的高效可行性。     

均匀搜索粒子群算法的收敛性分析

本文将均匀搜索粒子群算法(Uniform search Particle Swarm Optimization,简称UPSO)的位置更新公式变换为一个差分方程,求解差分方程得到非递推的位置更新公式,推导解的收敛条件并求出了UPSO对学习系数c及惯性系数w的收敛区域,最后通过6个Benchmark函数仿真实验对收敛区域的正确性进行验证,实验结果表明学习系数和惯性系数在收敛区域内时的UPSO收敛,不在收敛区域外时UPSO发散.     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

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FBG的复合材料环形构件残余应变研究

为了解决因碳纤维/环氧树脂复合材料构件中树脂基体与碳纤维间的热膨胀系数存在差异, 热压成型后, 内部未释放的残余应力会使材料构件发生残余应变, 造成构件变形、影响制品质量的问题, 采用光纤布喇格光栅(FBG)传感器在线监测实验研究和有限元仿真分析相结合的研究方法, 进行了理论分析和实验验证, 采集了碳纤维/环氧树脂复合材料环形构件热压罐成型后表面残余应变变化实时数据。结果表明, 该构件下法兰根部应变释放情况复杂, 靠近支承位置处的残余应变释放受阻, 而其余监测点位的残余应变普遍在30με~90με的范围内, 与仿真结果相符; FBG传感器能对构件成型后残余应变释放历程进行多点位实时在线监测, 并实现对构件整体应变分布的分析和预警。该研究具有一定科学研究和工程应用意义。     

基于多子群竞争进化规划算法的光纤光栅设计

从光栅传输矩阵分析法出发,提出了一种基于多子群竞争进化规划算法的光纤Bragg光栅(FBG)设计方法,进而设计了用于滤波的均匀FBG和用于色散补偿的啁啾FBG(CFBG)的结构参数.结果表明,本文设计方法可直接确定FBG的结构参数,在不同的设计精度要求下所设计的FBG分析曲线与目标曲线吻合很好,所采用算法具有比传统的进化规划算法快几10倍的收敛速度和更好的稳定性.     

光纤布拉格光栅传感解调中的寻峰算法

分析比较了光纤布拉格光栅(FBG)传感解调系统的6种寻峰算法:蒙特卡罗(Monte Carlo)算法、直接比较法、二次插值数值微分法、一般多项式拟合法、多项式-高斯公式拟合法和高斯公式非线性曲线拟合法。通过分析算法理论误差,结合算法仿真和实验研究,给出了算法误差及相关影响因素。研究发现输入信号的信噪比与寻峰算法的算法误差呈线性关系,相同条件下,高斯公式非线性曲线拟合法获得的精度最高。在光纤布拉格光栅传感实验系统中,对于信噪比为40dB的输入信号,算法的寻峰精度可达到0.44pm。结果表明,算法输入信噪比是影响寻峰算法中算法误差的决定因素,寻峰算法中的最佳算法为高斯公式非线性曲线拟合法。     

基于量子粒子群算法的移动节点覆盖优化

提出了基于量子粒子群的无线传感器网络覆盖优化算法.由于在量子空间中粒子满足集聚态性质完全不同,使得该算法可以在整个可行区域内搜索.全局搜索能力远远优干基本粒子群,克服了粒子群算法容易陷入局部最优的缺点.仿真结果表明,该算法比基本粒子群算法拥有更好的覆盖优化效果。     

基于微粒群的矢量量化码书设计算法

针对在LBG算法中存在初始码书的选择极易影响码书训练的收敛速度和最终码书性能的缺陷,提出了一种基于微粒群的矢量量化码书设计算法.首先产生具有一定全局性特点的初始码书,然后再应用LBG算法进行优化得到同时具有局部特性的码书.实验结果验证了该算法的合理性.     

DOA and Power Estimation Using Genetic Algorithm and Fuzzy Discrete Particle Swarm Optimization

Aiming to reduce the computational costs and converge to global optimum, a novel method is proposed to solve the optimization of a cost function in the estimation of direction of arrival (DOA). In this method, genetic algorithm (GA) and fuzzy discrete particle swarm optimization (FDPSO) are applied to optimize the direction of arrival and power parameters of the mode simultaneously. Firstly, the GA algorithm is applied to make the solution fall into the global searching. Secondly, the FDPSO method is utilized to narrow down the search field. In FDPSO, chaotic factor and crossover method are added to speed up the convergence. This approach has been demonstrated through some computational simulations. It is shown that the proposed algorithm can estimate both the DOA and the powers accurately. It is more efficient than some present methods, such as Newton-like algorithm, Akaike information critical (AIC), particle swarm optimization (PSO), and genetic algorithm with particle swarm optimization (GA-PSO).     

一种新混合粒子群算法及其在阵列天线方向图综合中的应用

针对传统粒子群算法(PSO)中存在的易陷入局部最优解和后期收敛速度慢的问题,首次提出一种新混合粒子群算法(NHPSO),采用杂交粒子群算法和固定惯性权重策略,并把简化的二次插值法融入杂交粒子群算法中。实验证明新算法大大提高了收敛速度,改善了解的质量。对阵列天线特殊主瓣形式的波束赋形和旁瓣电平优化结果取得了非常好的效果,计算机仿真证实该新算法应用于此类问题非常有效。     

DOA and Power Estimation Using Genetic Algorithm and Fuzzy Discrete Particle Swarm Optimization

Aiming to reduce the computational costs and converge to global optimum, a novel method is proposed to solve the optimization of a cost function in the estimation of direction of arrival(DOA). In this method, a genetic algorithm(GA) and fuzzy discrete particle swarm optimization(FDPSO) are applied to optimize the direction of arrival and power parameters of the mode simultaneously. Firstly, the GA algorithm is applied to make the solution fall into the global searching. Secondly, the FDPSO method is utilized to narrow down the search field. In FDPSO, a chaotic factor and a crossover method are added to speed up the convergence. This approach has been demonstrated through some computational simulations. It is shown that the proposed algorithm can estimate both the DOA and the powers accurately. It is more efficient than some present methods, such as the Newton-like algorithm, Akaike information critical(AIC), particle swarm optimization(PSO), and genetic algorithm with particle swarm optimization(GA-PSO).