基于裂变自举粒子滤波的红外目标跟踪处理

为了研究解决粒子滤波算法的粒子枯竭现象和计算量大的问题,采用了一种裂变自举粒子滤波方法。该方法在测量时对粒子进行裂变自举,其过程为大权值的粒子进行裂变繁殖,裂变繁殖后的粒子数目则正比裂变繁殖前的粒子,然后覆盖粒子群中的小权值的粒子,粒子预平滑处理,同时保持粒子群的特性,再次重抽样中进行粒子防枯竭函数补偿,设置恰当的抽样门限,淘汰权值较低的抽样点,并在保持样本点总数的前提下从权值较高的抽样点中衍生出多个子抽样点,在模型中给出了粒子跟踪均方根误差以及算法步骤,得到了跟踪最佳处理效果。实验仿真用MATLAB语言编程,结果表明,该算法的均方误差为0.36445,优于基本粒子滤波。     

基于精英占优裂变算法的空中目标跟踪

针对粒子群对空中目标跟踪的早衰现象,采用精英占优裂变算法。首先对大权值粒子进行裂变处理逐次增加数目,为了避免粒子陷入过度裂变,增设裂变控制因子;接着选取其中非劣解粒子作为"精英占优集",通过小生境技术分配粒子适应度值,裂变粒子群中的每个粒子分配一个标识码组,每个解根据相应的识别数组判断跟踪结果优劣;然后给出了算法评价标准和目标跟踪流程;最后给出了空中目标运动模型。实验仿真得出,跟踪结果在位置分量和速度分量上的滤波均方误差小,空间状态转向跟踪中精英占优裂变接近目标真实状态。     

改进型PSO鲁棒定位算法

针对传统的定位算法在复杂环境下定位精度不高,对环境噪声鲁棒性差的问题,提出了一种基于改进型粒子群算法的鲁棒定位算法。考虑到标准粒子群算法中存在收敛速度慢和“早熟收敛”的问题,本文兼顾粒子群的多样性和收敛速度对粒子种群进行优化。首先采用分组定位方法来优化粒子群,然后利用标准的粒子群算法进行迭代定位。仿真结果表明,和传统算法相比,该算法收敛速度快,对初始种群数目要求少,且当观测值中存在NLOS误差时,定位精度高,鲁棒性强。      

随机占优精英裂变算法用于空中移动目标跟踪

针对粒子群算法跟踪空中目标的缺点,提出随机占优精英裂变算法。首先对父体大权值粒子裂变,形成子代个体空间,覆盖小权值粒子;接着采用精英策略,计算个体在选择过程中被选中的概率,使大部分较优个体参与进化,用极小欧几里德距离计算拥挤距离;然后采用分布函数来确定采样数据的随机占优关系;最后给出了空中目标运动模型。实验仿真表明,滤波轨迹接近空中运动目标的轨迹,在整个观测区域内具有很好的跟踪效果,位置误差标准值小。     

改进粒子群算法在桥梁结构损伤识别传感器优化布设中的应用

粒子群算法以其强大的搜索能力及较好的适应度已逐步应用到桥梁结构损伤识别领域。针对以损伤识别为目标的传感器优化布设,提出一种基于改进粒子群算法的传感器优化布置方法。首先利用传感器覆盖率概念建立数学模型;其次以联合覆盖率最大构造适应度函数;在确定了监测半径的条件下,利用粒子群算法寻找出传感器的最优数目与位置。为了验证所提方法的有效性,以一三跨桥梁结构为实验对象。实验结果表明,改进的粒子群算法相比于传统粒子群算法,在寻优过程中迭代次数更少,寻找到的最优值更好,且经过融合后的数据损伤识别结果更加真实可靠。     

基于适应值变化率的个体决策粒子群算法

传统的粒子群算法通过粒子的适应值大小来判断粒子好坏,作为智能体,粒子本身有决策能力,而这在粒子群算法中并没有体现出来。因此提出了一种新的粒子好坏的判断标准——适应值变化率。通过个体决策的方法和适应值变化率,利用粒子位置与对应的适应值信息对粒子群算法中的个体历史最优位置和认知系数进行决策。采用几个常用的测试函数进行仿真实验,与其他改进的粒子群算法相比,结果表明该算法具有更好的性能。     

粒子群算法用于盲信号分离的研究

提出一种采用粒子群优化算法进行盲信号分离的新方法,为盲信号分离领域提供一种新的研究思路与方法。该方法采用峰度作为适应度函数,利用粒子群算法对由多个源信号混合而成的信号进行盲信号分离。与自然梯度法盲信号分离相比,粒子群算法精度更高,收敛速度更快,实例仿真成功地对两个图像混合信号进行了盲分离,表明了算法的有效性和优越性。     

基于三值多样性粒子群算法的MPRM电路综合优化

通过对离散三值粒子群算法的研究,提出一种三值多样性粒子群算法以求解MPRM（Mixed-Polarity Reed-Muller,MPRM）电路综合优化问题.首先根据混合极性XNOR/OR展开式的特点和几率换算法则,推导出三值粒子群算法的运动方程,在此基础上,采用广泛学习策略和三值变异操作进行算法改进;然后建立三值多样性粒子群算法的粒子与MPRM电路极性的参数映射关系,结合估计模型和XNOR/OR电路混合极性转换方法,将所提算法应用于MPRM电路的最佳功耗和面积极性搜索;最后对10个PLA格式MCNC Benchmark电路进行测试.结果表明：与已发表的方法相比,该文的优化算法表现出了总体显著性的性能优势.     

基于二维粒子群优化的图像模糊增强算法研究*

针对传统基于灰度变换方法进行图像增强后图像质量不高等现象,对粒子群优化算法、模糊增强算法进行研究,同时结合禁忌搜素和粒子空间对称分布原理,提出一种基于二维粒子群优化的图像模糊增强算法。该算法通过对搜索粒子进行空间对称分布调整以避免算法陷入局部最优、提高全局搜索能力,并且在算法迭代后期加入禁忌搜索算法记录粒子搜索位置,以减少粒子位置重复寻优、提高算法搜索效率。最后将改进后的粒子群优化算法中粒子搜索位置和速度更新方向设定为二维并与模糊增强算法相结合,自适应搜索出模糊参数Fp、Fe最优值,实现模糊增强。实验结果表明,改进后算法对图像增强效果较好,并且将算法用于过暗SAR图像、医学MR图像的增强,可有效提高图像质量。     

求解连续空间优化问题的量子粒子群算法

为提高粒子群算法的搜索能力和优化效率并避免早熟收敛,将量子进化算法融合到粒子群算法中,提出一种求解连续空间优化问题的量子粒子群优化算法.用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;用量子非门实现变异,提高种群多样性.因每个量子位有两个概率幅,故每个粒子同时占据空间两个位置,在粒子数目相同时,能加速粒子的搜索进程.实验结果表明,本算法优于基本粒子群算法.     

基于改进粒子群优化算法的摄像机标定

本文在充分研究多种摄像机标定方法和粒子群优化算法（PSO）的基础上,针对传统PSO算法存在早熟和局部收敛的问题,提出了一种改进的新型粒子群优化算法在摄像机标定中的应用。该算法在基本PSO惯性权重部分加入了收缩因子,很好的改善了算法的收敛性;为了进一步提高优化的速度和可靠性,引入了多适应值函数策略。最后在OpenCV上实现了基于该改进方法的摄相机标定。实验结果表明：该摄像机标定方法有效提高了原有张正友平面标定法的标定精度,结果稳定可靠,具有一定的工程应用价值。     

新的混沌粒子群优化算法

针对传统粒子群算法初期收敛较快,而在后期容易陷入早熟、局部最优的特点,提出了一种新的混沌粒子群优化算法,不同于己有的混沌粒子群算法的简单粒子序列替换,该算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。并提出了一种新的混沌粒子群数学模型,进行了非线性动力学分析。数值测试结果表明该方法能跳出局部最优,极大提高了计算精度,进一步提高了全局寻优能力。     

区域分割的自适应变异粒子群算法

为了提高粒子群算法（PSO）的收敛性及多样性,提出一种基于区域分割的自适应变异粒子群算法（RSVPSO）.算法采用区域分割的思想,利用粒子间信息交叉,使粒子搜索区间快速缩小;同时在迭代后期与自适应变异策略相结合,提高粒子跳出局部最优陷阱的能力和增强粒子多样性,达到寻优的目的.将所提出的算法应用于8个测试函数,并与精英免疫克隆选择的协同进化粒子群等算法进行比较,结果表明,新算法在收敛速度、搜索精度及寻优效率等方面有较大提高.     

一种改进的自适应进化粒子群优化算法

针对粒子群优化算法容易陷入局部极值点以及进化后期收敛慢和优化精度较差等缺点,提出一种改进的自适应进化算法.该算法引入信息扩散函数,根据不同粒子的位置及对应适应值与当前群体最佳位置和最佳适应值的关系,控制粒子变尺度向群体当前最佳位置移动;基于多样性反馈机制动态调节惯性权值和控制粒子群的微变异.通过复杂基准函数的仿真优化结果表明,改进算法具有抑制早熟、收敛速度快、求解精度高的特点.     

求解多输入多输出检测新算法——遗传粒子群优化

设计两种基于粒子群优化算法(PSO)和基于遗传算法(GA)的多输入多输出(MIMO)系统检测算法.提出一种新的融合GA和PSO进化机制的遗传粒子群进化(GPSO)算法,并将其应用于MIMO系统检测问题求解.新算法改善了初始化种群,并将每一代粒子划为精英粒子、次优粒子和糟糕粒子三部分,对这三种粒子分别采用极值扰动、PSO...     

一种基于PSO的改进型多智能体遗传算法

通过将多智能体系统加入基本的粒子群算法（PSO）,提出了一种新的函数优化方法——多智能体遗传PSO算法（MAGPA）。该方法将智能体固定在网格上,而每个智能体通过邻域的竞争和合作,随机交叉操作,变异操作,再联合PSO的进化机制,不断地感受局部环境,逐步影响整个智能体网格,以增强对环境的适应度。该算法可以有效地保持智能体的多样性,提高优化的准确性。     

基于鲶鱼粒子群优化算法的认知无线电频谱分配

目前亟待解决如何获得认知无线电系统效益最大化问题,而求解最优频谱分配方法是一项关键技术,针对传统粒子群(PSO)算法收敛速度慢、易陷入局部最优解等缺陷,提出一种基于鲶鱼粒子群算法(CE-PSO)的认知无线电频谱分配方法。首先建立认知无线电频谱分配优化的数学模型,然后以用户取得的效益最大化为优化目标,引入"鲶鱼效应",保持粒子群的多样性,通过粒子间信息交流找到空闲频谱最优分配方案,最后采用仿真实验测试CE-PSO算法的有效性。结果表明,CE-PSO算法克服了PSO算法的缺陷,可以快速、准确地寻找到最优频谱分配方案,更好地实现系统效益的最大化,可以满足认知无线电系统的应用需求。     

基于PPSO-GRADS算法的盲信号分离

该文将联姻策略应用在粒子群算法中,提出一种并行分阶段的基于粒子群优化算法的盲信号分离方法(PPSO-GRADS)。该算法具有收敛速度快,分离精度高的特点。通过仿真证明该算法比未使用联姻策略的粒子群算法有更好的性能,在收敛速度和分离效果上比传统的梯度算法,遗传算法都有较明显的改善。     

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。     

粒子群优化算法及其应用

粒子群优化（PSO）算法是一种新颖的演化算法，它属于一类随机全局优化技术，PSO算法通过粒子间的相互作用在复杂搜索空间中发现最优区域。PSO的优势在于简单而又功能强大。介绍了基本的PSO算法、研究现状及其应用，并讨论将来可能的研究内容。