基于免疫克隆的正交小波变换盲均衡算法

针对传统的常数模盲均衡算法(CMA)收敛速度慢且存在局部收敛的问题,提出了一种快速收敛的免疫克隆正交小波盲均衡算法(CSA-WT-CMA)。该算法将免疫克隆选择算法引入至正交小波盲均衡算法(WT-CMA)中,利用克隆选择算法多峰值函数寻优的特点,将均衡器的权向量作为抗体,并采用正交小波变换降低信号的自相关性。理论分析与仿真实验结果表明,在同样的剩余码间干扰下,与正交小波变换盲均衡算法(WT-CMA)相比,该算法具有更快的收敛速度。     

基于混沌系统的正交小波变换盲均衡算法

针对常数模盲均衡算法(CMA)收敛速度慢、稳态误差大和局部收敛的缺点,将正交小波变换与混沌通信理论相结合,提出了一种基于混沌通信系统的正交小波变换盲均衡算法(CS-WT-CMA)。该算法充分利用了混沌映射的伪随机性、遍历性、相关性以及无限宽带功率谱等特点,将混沌调制系统用于产生宽带混沌信号,使用混沌信号作为载波,在调制的同时直接对发射信号进行扩频,从而降低了信道输入信号的自相关性,更好地抑制了码间干扰和多径衰落;同时对均衡器输入信号进行正交小波变换,并作能量归一化处理,降低了信号的自相关性,从而有效地加快了收敛速度。水声信道仿真结果表明,与正交小波变换盲均衡算法(WT-CMA)相比,该算法收敛速度更快、稳态误差更小。     

基于正交小波变换分数间隔的神经网络盲均衡算法

针对分数间隔盲均衡算法(T/4-FSE-CMA)收敛速度慢、稳态误差大的缺点,提出了一种基于正交小波变换分数间隔的神经网络盲均衡算法(T/4-FSE-WT-FNN).该算法采用四路子信道模型,以神经网络作为均衡器,同时,对均衡器的输入信号做正交小波变换并进行归一化,与基于正交小波变换的前馈神经网络盲均衡算法(WT-FN...     

基于正交小波变换的稀疏权盲均衡算法

为增强盲均衡算法的工程可实现性,在分析正交小波变换理论和超指数迭代盲均衡算法的基础上,利用正交小波变换对超指数迭代(SEI)算法的权向量迭代公式进行修正,同时利用分数间隔均衡器的优点来提高带宽利用率,提出一种基于正交小波变换稀疏权盲均衡算法(FSE-WT-SEI-SW).该算法利用正交小波变换良好的去相关性来加快收敛速度,通过对权向量的稀疏来减少算法的计算量,有利于工程的实现.水声信道的仿真结果验证了算法的有效性.     

基于正交小波变换的分数间隔盲均衡算法

针对恒模算法(CMA)收敛速度慢,稳态误差大的缺点,在分析正交小波变换理论和分数间隔恒模算法(FSE-CMA)的基础上,提出了一种基于正交小波变换的分数间隔恒模盲均衡算法(WT-FSE-CMA)。该算法将正交小波变换理论引入到T/2分数间隔恒模盲均衡算法中,充分利用了小波变换对信号的去相关性,以及分数间隔均衡器对信号的过采样性质。与波特间隔、T/2分数间隔恒模盲均衡算法相比,该算法收敛速度快、稳态误差小,均衡效果较好。水声信道的仿真结果验证了该算法的性能。     

基于正交小波变换的超指数迭代联合盲均衡算法

为了克服超指数迭代盲均衡算法稳态误差大、不能纠正相位旋转的问题,在分析正交小波变换理论和超指数迭代盲均衡算法的基础上,利用正交小波变换对SEI算法的权向量迭代公式进行修正,同时引入一阶锁相环(PLL)技术,并将其以软切换的方式与判决引导算法相结合,得到一种基于正交小波变换的超指数迭代联合盲均衡算法.该算法利用正交小波变换良好的去相关性,来加快收敛速度,利用PLL技术来快速纠正相位旋转,并用其来初始化判决引导算法,有效地减小了稳态误差.水声信道的仿真结果验证了算法的有效性.     

基于QPSO的小波分数间隔盲均衡算法

在分析具有量子行为的粒子群优化(PSO)算法和正交小波变换理论的基础上,提出基于量子粒子群优化(QPSO)的正交小波分数间隔常模盲均衡算法。通过对分数间隔均衡器输入信号进行正交小波变换,降低信号的自相关性。利用QPSO算法全局搜索能力强、收敛速度快和鲁棒性高的特性,对均衡器权向量进行优化。仿真结果表明,该算法能降低稳态误差,加快收敛速度,提高水声信道中信号的无失真传输性能。     

基于混沌萤火虫优化的小波多模盲均衡算法

采用多模盲均衡算法(MMA)处理高阶正交振幅调制QAM信号时,存在收敛速度慢、稳态误差大、容易陷入局部最优等问题。为此,提出一种基于混沌萤火虫优化的正交小波多模盲均衡算法(CGSO-WT-MMA)。该算法将具有良好全局搜索能力的萤火虫算法和具有较强局部搜索能力的混沌算法相结合,用以优化均衡器权向量,并引入正交小波变换降低信号自相关性,以改善收敛性能。仿真实验结果表明,与MMA算法相比,该算法均方误差降低近4 dB,收敛速度加快近5 000步,稳态性能明显提高。     

改进的MIMO系统变步长小波常模盲均衡算法

针对传统的多用户MIMO系统常模盲均衡算法收敛速度慢,稳态误差大的缺点,提出来改进的多用户MIMO系统变步长小波常模盲均衡算法,该算法使用变步长代替固定步长来克服收敛速度与剩余误差之间的矛盾,同时利用归一化正交小波变换(WTCMA)和奇异值分解消除时延信号分量,降低接收信号的自相关性,加快收敛速度,减小稳态误差;理论分析和仿真结果表明:新算法可正确恢复出具有信号延时的MIMO系统的源信号,与变步长小波盲均衡算法与CMA算法相比,能获得更快的收敛速度及更小的均方误差。     

水声通信中信号均衡的仿真研究

针对水声通信中多途效应和环境噪声对信号准确传输的严重影响,为取得水声准确信号,提出了一种果蝇优化正交小波自适应软约束常模盲均衡算法,优化水声通信系统中均衡器的性能,确保水下信号传输质量.用正交小波变换降低了信号的自相关性,加快了自适应软约束常模盲均衡算法(SCS-CMA)的收敛速度,减小了稳态误差,并利用果蝇算法的全局快速寻优能力进一步优化了均衡器性能.水声信道仿真结果验证了新算法的良好性能,信号可在复杂水声信道中准确传输.     

基于模因算法的多模盲均衡算法

由于常模盲均衡算法(Constant modulus blind equalization,CMA)收敛速度和均方误差都不甚理想,且对多模信号均衡时会发生相位旋转,本文提出了基于模因算法的多模盲均衡算法(Multi-modulus blind equalization algorithm based on memetic algorithm,MA-MMA)。该算法将多模盲均衡算法(Multi-modulus blind equalization algorithm,MMA)代价函数的倒数作为模因算法(Memetic algorithm,MA)的适应度函数,利用MA全局优化机制和局部深度搜索能力,在每次全局搜索后对全部新产生的个体进行局部深度搜索,将全局和局部搜索得到的最优个体解向量作为MMA的初始最优权向量。仿真结果表明,与传统的CMA,MMA以及基于遗传算法的多模盲均衡算法相比,MA-MMA 的收敛速度最快,稳态误差最小,输出信号星座图最清晰。     

水声信道盲均衡的最小平方峭度恒模算法

用误差信号峭度定义了平方峭度代价函数，提出了盲均衡器权系数更新的最小平方峭度恒模算法，该算法更新方程中含有的误差信号峰度因子有效地消除了高斯性误差信号的影响，加快了收敛，减小了收敛后的均方误差和码间干扰。用负声速梯度水声信道，对算法的性能进行了仿真研究。结果表明：该算法在收敛速度，收敛后的均方误差及码间干扰等方面的性能优于常数模算法与最小平均峭度恒模算法。     

蚁群算法和遗传算法融合及其在有时间窗的车辆路径问题中的应用

针对基本蚁群算法搜索时间长、易陷入局部最优的缺点,提出了一种蚁群算法和遗传算法相融合的混合算法.该算法利用遗传算法全局快速收敛的优点,将遗传算法融入到蚁群算法的每一次迭代中,以加快算法的收敛速度,提高求解效率.实例运行结果验证了算法的有效性.     

一种新的修正恒模算法

阐述了恒模算法(CMA)、修正恒模算法(MCMA)和判决引导(DD)算法的基本原理。针对CMA和MCMA收敛速度慢,固定步长条件下收敛速度和剩余误差之间存在矛盾的缺陷,在分析CMA误差特性的基础上,利用DD算法误差函数的模值和判决器输出构造新的误差函数,提出了一种新的变步长MCMA。新算法在加快收敛速度的同时保持小的剩余误差。仿真结果表明,新算法比CMA和MCMA收敛速度快,均衡输出剩余码间干扰(ISI)小而且能克服相位偏移,具有很好的实用性。     

求解全局优化问题的混合智能算法

把序列二次规划作为遗传算法的一个局部搜索算子,嵌入到实数编码遗传算法中,构成一种基于序列二次规划和实数编码遗传算法的高效的混合智能算法。该方法充分利用序列二次规划法的强局部搜索能力和遗传算法的全局收敛性,使得混合算法的全局收敛性得到改善并且减少了计算量。数值实验结果表明,混合算法是高效可靠的。     

基于小生境混合遗传算法的PID参数整定

针对遗传算法过早收敛、易陷入局部极值以及进化后期收敛速度慢的不足,将小生境技术、遗传算法、Powell算法相结合,采用自适应的结合策略,提出了一种小生境混合遗传算法(NHGA).对两个经典测试函数的优化结果表明,与小生境遗传算法相比,算法在能够保持解的多样性的同时,能够明显的提高了收敛速度和精度,有效的避免过早收敛.将算法用于PID参数整定,分别针对高阶对象和时滞对象,以及采用不同的性能指标,算法都能迅速得到最优的PID参数.仿真结果表明了该算法的有效性和优越性.     

基于差分和状态空间遗传混合算法的信号配时优化

为了最大限度地挖掘现有道路的承载能力,提出了一种基于差分进化算法和状态空间模型遗传算法的两阶段混合优化算法,建立以车辆平均等待时间最小为目标的数学模型进行优化。为了解决差分进化算法在后期收敛速度变慢,容易陷入局部最优的缺点,引入改进后的状态空间模型遗传算法形成一种混合算法。然后,用所提出的混合算法对5个经典测试函数进行寻优测试,并与定时控制、差分进化算法以及状态空间模型遗传算法进行对比,实验结果表明该混合算法不仅提高了收敛速度,并且在保证了算法收敛精度的前提下缩短了迭代次数。最后,以单交叉路口为例,验证该混合算法在求解信号灯配时问题时的优化效果。     

混合粗粒度遗传算法在约束最优化问题中的应用

选取粗粒度遗传算法，并针对其过早收敛、收敛速度慢的缺陷进行改进，提出混合粗粒度遗传算法。混合粗粒度遗传算法按照适应度函数值对染色体群体进行分组，各分组采用不同的惩罚系数、交叉、变异算子；同时采用同种互斥和最优解保留策略。实验结果表明该算法在约束最优化问题中应用良好。     

基于遗传和禁忌搜索混合算法的预制生产调度的研究

遗传算法是一种全局搜索能力较强的元启发式算法,可通过不断进化种群得到最优或近优解;但是遗传算法的局部搜索能力较差,容易发生早熟收敛问题。因此为了克服遗传算法早熟收敛的问题,考虑到禁忌搜索算法的局部搜索能力较强的优势,提出了一种遗传和禁忌搜索的混合算法解决预制生产流水车间的提前和拖期惩罚问题。该混合算法是在遗传算法每次迭代后,通过禁忌搜索改进当前种群中的最好染色体,并替换种群中适应度值最差的染色体。经实验测试表明,所提出的混合算法的性能更优,更容易得到全局最优解或近优解。     

基于混合果蝇-遗传算法求解柔性作业车间调度问题

根据柔性作业车间调度问题的特点,针对不同生产效率的并行设备,以完工时间最小化为目标建立优化模型,提出了混合果蝇优化算法和遗传算法的两阶段组合算法(FOA-GA). 在嗅觉阶段,通过局部路径搜索技术进行生产路径寻优;在视觉阶段,结合遗传算法的交叉和竞争机制,进行个体间的信息交换,利用寻优变异算子和常规变异算子进行两部分变异,再引入自适应动态转移算子进行调整以加快收敛速度. 在生产实例中,将FOA-GA算法与果蝇优化算法和遗传算法的结果进行比较,证明了其可行性和有效性.