基于改进粒子群算法的仅相位加权波束赋形

为有效提高雷达天线抑制强烈地海杂波的要求,文中提出了一种改进的粒子群算法,可以很好的实现阵列天线仅相位加权不对称波束赋形。该算法通过引入自适应收缩因子和适应度函数加权因子,并在非优胜粒子位置更新时引入混沌扰动,避免搜索过程陷入局部最优。计算结果表明,与普通粒子群算法相比有效提高了全局搜索能力和收敛速度,大量减少了迭代次数,在方向图综合中有着非常好的实际工程应用性。     

基于混沌遗传算法的宽零陷波束赋形方法

针对传统自适应波束形成技术形成的零陷较窄,可能引起无法准确对准干扰方向而产生抑制失效的问题,提出了一种基于混沌遗传算法（Chaos-Genetic Algorithm,CGA）的宽零陷波束赋形方法。该方法通过建立宽零陷波束赋形数学模型,采用融合混沌技术的遗传算法进行优化;利用混沌序列初始化粒子位置,并在遗传交叉算子中引入变尺度混沌扰动项,增强种群多样性和跳出局部最优的能力,实现全局和局部搜索能力的提高,有效提高收敛精度和加快收敛速度。仿真结果验证了采用新方法能够在预定位置形成较深的宽零陷,具有较好的稳健性。     

三次型权值粒子群算法用于共形阵列宽零陷综合

本文提出了一种改进的粒子群算法,并用于圆柱阵宽零陷综合的幅度对称优化。采用周期性三次型惯性权值变化策略,同时对适应度值进行实时监测判定并对粒子重新赋值,明显改善了原有算法的收敛速度,有效避免了算法收敛于局部最优。仿真实验表明,对给定条件下的有向圆柱阵列,能够实现含多个宽零陷的方向图,且迭代次数明显降低,证明了该算法的正确性和有效性。      

基于改进的粒子群算法的二维阵列天线方向图综合技术

该文运用一种改进的粒子群优化算法对不等幅激励的矩形平面阵列天线的最大旁瓣电平进行了优化,采用对全局最优粒子微扰和跳变的惯性权重策略,并使用粒子群算法本身对参数组合进行了优化选择。新算法大大改善了优化速度和收敛精度。对二维阵列天线旁瓣电平优化和稀疏阵列方向图综合的良好结果也证明了该方法的有效性。     

基于改进粒子群算法的天线方面图综合技术

针对基本粒子群算法的早熟收敛、易收敛于局部极值的特点,提出一种改进的粒子群优化算法,采用对全局最佳微扰和惯性权重跳变阈值的设置改善了算法的优化速度和收敛精度.经过对一系列测试函数的计算,证明该方法具有良好的优化效果.最后,给出了该方法应用于阵列天线方向图综合中的模型和仿真实例.     

基于改进粒子群算法的天线方向图综合技术

针对基本粒子群算法的早熟收敛、易收敛于局部极值的特点，提出一种改进的粒子群优化算法，采用对全局最佳微扰和惯性权重跳变阈值的设置改善了算法的优化速度和收敛精度。经过对一系列测试函数的计算，证明该方法具有良好的优化效果。最后，给出了该方法应用于阵列天线方向图综合中的模型和仿真实例。     

基于粒子群算法的阵列波束宽零陷优化设计

作为一种新型的群智能随机优化算法,粒子群优化（PSO ）算法在解决各种非线性复杂问题上得到了广泛的应用。研究了粒子群优化算法在阵列天线方向图零陷加宽技术上的应用,通过实例表明粒子群算法能够在较宽的角度区间上形成满足要求的零陷,在抗干扰应用方面具有较高的应用前景。     

基于粒子群融合遗传算法的阵列天线方向图综合

<正>基本粒子群算法应用于阵列天线波束赋形时，优化算法容易陷入局部收敛，无法准确获得所需方向图，针对这一问题提出了一种粒子群融合遗传算法的改进优化算法。该算法在基本粒子群算法的基础上，引入了遗传算法中的交叉、变异机制，并结合精英粒子选择策略，增加了粒子种群的多样性，增强了算法的全局寻优能力，有效地提高了算法全局搜索的效率。仿真结果表明，将该方法应用于阵列天线波束赋形时能够得到预期的目标方向图，算法的优化效率高、优化效果好，具有较强的稳健性。     

一种改进的宽零陷天线方向图合成方法

在自适应阵列天线抗干扰的一些应用环境中 ,往往需要天线方向图在干扰的到达方向上形成宽的零陷以增强算法的稳健性。该文对一种宽零陷天线方向图合成方法进行了研究 ,提出了通过对零点矩阵加权处理 ,使不同干扰方向上的零点深度可以分别调节的改进方法 ,降低了方向图的畸变程度。计算机仿真结果证明了改进的效果     

一种基于遗传算法的唯相位宽零陷波束赋形方法

传统阵列方向图宽零陷形成技术需要对阵元施加复加权或者阵元位置扰动等复杂操作,实际实现比较困难。提出了一种基于遗传算法的唯相位波束赋形方法,针对宽零陷特点,结合均匀线阵方向图数学模型,设计一种适应度函数,优化阵元相位扰动值,最终获得符合要求的宽零陷阵列方向图。仿真结果表明,该方法可以在唯相位条件下形成较深的宽零陷,且零陷较平坦,收敛速度较快,稳健性较好。     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

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.     

基于余弦距离的多目标粒子群优化算法

针对粒子群优化算法具有的个体分布不均匀以及重复个体较多等缺陷,提出了一种基于余弦距离的多目标粒子群优化算法,该算法根据外部精英存储策略,利用余弦距离排挤机制来选取最分散的粒子,扩大 Pareto最优解集的收敛性和多样性,增强算法的全局寻优能力。通过采用标准多目标优化问题ZDTl～ZDT3进行仿真实验与粒子群算法、混沌粒子群算法、基于拥挤距离的多目标优化算法对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于基于拥挤距离排挤机制,并具有较高的效率     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

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。     

Adaptive Multi-layer Particle Swarm Optimization with Neighborhood Search

Particle swarm optimization (PSO) has shown a good performance on solving global optimization problems.Traditional PSO has two main drawbacks of premature convergence and low convergence speed,especially on complex problems.This paper presents a new approach called Adaptive multi-layer particle swarm optimization with neighborhood search (AMPSONS),where the traditional PSO is improved by employing an adaptive multi-layer search and neighborhood search strategy to achieve a trade-off between exploitation and exploration abilities.In order to evaluate the performance of the proposed AMPSONS algorithm,the performance of AMPSONS is compared with five other PSO family algorithms,namely,CLPSO,DNLPSO,DNSPSO,global MLPSO and local MLPSO on a set of benchmark functions.The comparison results show that AMPSONS has a promising performance on majority of the test functions.     

A New Class of Hybrid Particle Swarm Optimization Algorithm

A new class of hybrid particle swarm optimization （PSO） algorithm is developed for solving the premature convergence caused by some particles in standard PSO fall into stagnation. In this algorithm, the linearly decreasing inertia weight technique （LDIW） and the mutative scale chaos optimization algorithm （MSCOA） are combined with standard PSO, which are used to balance the global and local exploration abilities and enhance the local searching abilities, respectively. In order to evaluate the performance of the new method, three benchmark functions are used. The simulation results confirm the proposed algorithm can greatly enhance the searching ability and effectively improve the premature convergence.     

Craziness based particle swarm optimization algorithm for IIR system identification problem

In this paper a variant of particle swarm optimization (PSO), called craziness based particle swarm optimization (CRPSO) technique is applied to the infinite impulse response (IIR) system identification problem. A modified version of PSO, called CRPSO adopts a number of random variables for having better and faster exploration and exploitation in multidimensional search space. Incorporation of craziness factor in the basic velocity expression of PSO not only brings diversity in particles but also ensures convergence to optimal solution. The proposed CRPSO based system identification approach has alleviated from the inherent drawbacks of premature convergence and stagnation, unlike real coded genetic algorithm (RGA), particle swarm optimization (PSO) and differential evolution (DE). The simulation results obtained for some well known benchmark examples justify the efficacy of the proposed system identification approach using CRPSO over RGA, PSO and DE in terms of convergence speed, unknown plant coefficients and mean square error (MSE) values produced for both the same order and reduced order models of adaptive IIR filters.     

连续型粒子群优化算法的均方收敛性分析

粒子群优化算法是基于生物群体内个体间的合作与竞争等复杂行为产生的群体智能优化算法,已有的理论分析多在确定性的情况下进行算法收敛性分析.本文基于随机系统的矩方程法分析了连续型粒子群优化算法的均方收敛性,并给出了能够保证算法均方收敛域,最后通过仿真实验分析验证了相关结论.