基于混合自适应遗传算法HEV系统参数的优化

选择优化算法是混合动力电动汽车系统参数优化的一个重要内容.针对基本遗传算法存在着易早熟、收敛速度慢的缺陷,提出了一种混合自适应遗传算法.测试结果表明,该算法既具有良好的全局收敛性,又具有较快的收敛速度.将该算法应用到混合动力电动汽车系统参数优化问题中,取得了较为满意的优化结果和收敛效果.根据优化结果,对一辆串联式混合动力中巴的发动机/发电机组进行了优化设计.     

变步长极化对消迭代滤波算法

分析了定步长自适应极化对消(APC)迭代算法,在此基础上提出了一种变步长的极化对消迭代算法,并分析了该算法的收敛条件和收敛性能。通过Matlab仿真,比较了参数变化对变步长算法收敛速度的影响,并且将定步长算法与变步长算法进行了比较,得出了变步长算法收敛速度更快的结论。     

基于正交小波变换的并行软判决盲均衡算法

针对常数模算法收敛速度慢的缺点,在分析基于正交小波变换盲均衡器结构和并行软判决盲均衡算法的基础上,提出一种基于正交小波变换的并行软判决盲均衡算法.该算法将正交小波变换引入到并行软判决算法中,利用正交小波变换对信号很强的去相关能力,降低信号的自相关性,以加快算法的收敛速度.水声信道仿真结果表明,与并行的软判决盲均衡算法相比,所提出的基于正交小波变换的并行软判决盲均衡算法具有更快的收敛速度.     

基于集员滤波和数据重用的CMA盲均衡算法

提出了一种适用于突发信号的CMA盲均衡算法。该算法基于集员滤波和数据重用思想,在集员约束集中采用仿射投影的思想,设置多个约束集,其个数与数据重用的长度相同。新算法大大提高了CMA算法的收敛速率,同时由于集员滤波思想的应用,超量均方误差也能维持在一个相对较低的水平,适用于突发信号的盲均衡。文中详细描述了新算法的推导过程,并就其性能进行了理论分析。在最后的数据仿真中,与基本CMA等算法在收敛速率、稳态误差等方面进行了对比分析,验证了新算法的有效性。     

一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.     

基于混沌遗传算法的多目标QoS组播路由优化

针对遗传算法易发生早熟收敛的缺点,提出了一种既满足时延、时延抖动及带宽等约束,又能使通信代价最小的混沌遗传算法。该算法利用混沌扰动算子对种群进行扰动操作,增加种群的多样性,抑制遗传早熟收敛的发生,提高收敛速度。仿真结果表明了该算法的有效性、快速收敛性及稳定性。     

卡尔曼滤波自适应天线加权矢量收敛性分析

提出了将卡尔曼滤波器应用于自适应天线，分析了卡尔曼滤波算法初值与天线阵加权矢量收敛性的关系，推导出加权矢量收敛条件．实验考察了收敛条件的有效性，并与最小均方算法进行了比较．     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以...     

双层协同进化克隆选择算法及其应用

为解决克隆选择算法收敛速度慢、收敛精度低等问题,提出了双层协同进化克隆选择算法,该算法的每一层使用不同的进化方案进行寻优搜索,并通过信息共享实现了层间的协同进化,形成层内竞争与层间协作的进化模式.通过构建基于多种进化策略的混合协同进化机制,实现了不同进化策略在优化过程中的优势互补与信息增值,达到有效平衡算法的全局探索与局部开发的目的,同时也较好避免了算法的早熟收敛问题.用10个标准测试函数来验证所提出算法的可行性与有效性,仿真实验结果表明:相比克隆选择算法及其两个改进的算法,本文提出的优化算法具有全局搜索能力强、稳定性好、收敛速度快、收敛精度高等优势,且测试函数维度的增加对本文算法的收敛性能影响不大,其优势更加凸显.针对混沌系统控制与同步中的系统参数估计问题,以Lorenz混沌系统的参数估计为例,进行了未知参数估计的数值仿真,结果显示本文算法实现了混沌系统参数的高精度估计,是一种有效的混沌系统参数估计方法.     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

一种改进的LBG快速算法

LBG算法是矢量量化码书设计的经典算法。针对其空胞腔问题提出一种改进的LBG算法，并以熵序列收敛作为新的算法停止判据。实验表明，该算法具有收敛速度快、码书性能佳等优点，该算法的PSNR比传统的LBG算法提高2.74dB。     

工业机器人可变增益自适应迭代学习控制研究

为确保执行重复运动的工业机器人位置、速度的跟踪精度,提出一种可变增益自适应迭代学习控制算法。首先在PD反馈部分增加指数可变增益来加快算法收敛速度,然后在参数自适应部分设计广义误差函数来进一步减小轨迹跟踪误差,增强系统稳定性。通过Lyapunov函数对可变增益自适应迭代学习控制算法的收敛性进行了理论证明,最后利用仿真验证了该控制算法能有效减小机器人轨迹跟踪误差,并加快算法的收敛速度。     

分解递推辨识算法的研究

提出了线性系统的分解递推辨识算法,并应用连带常微分方程的方法分析了算法的收敛性。仿真结果表明;该算法具有较快的收敛速度和较好的数值稳定。     

鲁棒支持向量机及其稀疏算法

基于非凸光滑损失的鲁棒支持向量机分类模型对异常点具有鲁棒性,但已有求解算法需迭代求解二次规划,计算量大且收敛速度慢,不适合训练大规模数据问题。为了克服这些缺点,首先给出收敛速度更快的方法求解鲁棒支持向量机模型;然后基于最小二乘的思想,提出了一种推广的指数鲁棒最小二乘支持向量机模型及其快速收敛的求解算法,并从理论上解释了模型的鲁棒性;最后利用核矩阵的低秩近似,提出了适于处理大规模训练问题的稀疏鲁棒支持向量机算法和稀疏指数鲁棒最小二乘支持向量机算法。实验结果表明,新算法在收敛速度、测试精度和训练时间等方面均优于相关算法。     

水文模型参数优选的改进粒子群优化算法

针对标准粒子群算法的早熟收敛问题,提出了一个提高算法性能的改进途径,即引入动态改变惯性权重策略和混沌思想,在两个方面同时改进以提高粒子群算法的收敛速度和克服局部极值的能力.对两个函数进行寻优测试表明,改进后的粒子群算法收敛速度、精度以及全局搜索能力均优于标准粒子群算法.最后将提出的改进粒子群算法应用于新安江模型进行参数优选,应用结果表明,该算法具有较强的可行性与实用性.     

遗传算法中群体多样性评价指标的研究

本文针对遗传算法中早熟问题进行了分析,提出了评价群体多样性的两个性能指标,在此基础上结合模糊逻辑调节遗传算法的交叉和变异概率.对一组函数优化问题对标准算法和优化算法进行测试,测试结果表明基于模糊逻辑控制的遗传算法的性能要优于标准遗传算法.证明本文提出的群体多样性的评价指标是有效的.     

Overlapped layered belief-propagation LDPC decoding algorithm

An Overlapped Layered-BP(OLBP) decoding algorithm is proposed aiming at further increasing the convergence speed and enhancing the error performance of the Layered Belief-Propagation(LBP) algorithm. In this algorithm, more than one sub-decoders are used to decode simultaneously, and sub-decoders have different check node updating orders from each other. The most reliable messages are kept and used for the next iteration for every check node, and thus a faster convergence can be provided. Simulation result shows that, compared with the LBP algorithm, the OLBP algorithm possesses a better error performance as well as a higher convergence speed and introducing no extra storage requirement. Moreover, the proposed algorithm is effective for both regular and irregular LDPC codes.     

基于自然边界归化的椭圆外区域各向异性问题的重叠型区域分解算法

以Helmholtz方程为例,基于坐标变换及自然边界归化理论,提出了一种带圆型人工边界的重叠型区域分解算法.构造其算法并讨论其相应的收敛性,证明了算法是几何收敛的.     

基于优育子群迁徙策略的多模态遗传算法研究

通过分析小生境遗传算法(NGA)的不足,提出了用于优化计算时多模态遗传算法的完全收敛性问题.结合传统梯度进化技术,设计了基于优育子群迁徙策略的遗传算法(MBGA),并分析了其运行机理和完全收敛特性.采用新算法与NGA进行了对比仿真实验,不仅验证了所提算法的完全收敛性结论,同时验证了其求解多模态问题的有效性、完全收敛能力及其收敛的稳定性.     

基于新拟牛顿法的自适应均衡技术

为了解决现代通信信道的码间干扰问题,提出了一种基于新拟牛顿法的自适应均衡算法,该算法用对称正定Hesse矩阵代替传统LMS/Newton法自相关矩阵的逆估计,克服了传统自相关矩阵估计误差对算法收敛性能的影响.信道均衡仿真结果表明,该算法具有较快的收敛速度和较低的误码率.