具有强开发能力的风驱动优化算法

风驱动优化算法是一种新兴的基于群体的迭代启发式全局优化算法。针对风驱动优化算法易陷入局部最优值的问题,实现了5种带有不同变异策略的风驱动优化算法,这些变异策略分别是小波变异策略、混沌变异策略、非均匀变异策略、高斯变异策略以及柯西变异策略。应用不同变异策略的风驱动优化算法对不同维度的经典测试函数进行了仿真实验,并与粒子群优化算法进行了比较。实验结果表明,小波变异风驱动优化算法具有较强的开发能力,可有效跳出局部最优,其寻优速率、收敛精度及算法稳定性均优于粒子群优化算法、风驱动优化算法和其他改进算法。     

基于风驱动优化算法WDO的PID参数优化

鉴于PID控制器的优越性,其在工业控制领域中的引用越来越广泛。PID控制器的性能主要在于其参数优化设计,PID参数优化问题一直是研究热点。为了解决PID参数优化问题,提出了一种基于自然启发的风驱动优化算法（WDO）的PID优化控制方法,该算法以PID三个参量为控制对象,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量。通过计算机仿真,并与遗传算法和粒子群算法PID参数优化相比,结果表明：该算法提高了系统的控制精度、响应速度和鲁棒性,为控制系统PID参数整定提供了参考。     

基于改进差分进化算法的天线阵列优化研究

针对具有阵元数目、孔径尺寸以及最小阵元间距约束,以抑制峰值旁瓣电平(PSLL),使非均匀阵列单元得到优化布局.优化过程中由于搜索空间较大,优化结果可能出现不可行解.为有效地解决以上两个问题,提出了一种改进的差分进化算法,采用实值编码,通过使用新的个体描述方式,减小了优化搜索空间;同时通过改造适应度函数,避免了变异交叉后出现不可行解.给出了改进算法的流程,通过仿真实例验证了算法的有效性和稳健性.仿真结果表明,改进方法在有最小阵元间距约束下以抑制峰值旁瓣电平为目的的非均匀阵列单元优化布局问题中有良好的应用前景.     

基于微遗传算法的稀疏天线阵列优化方法

为生成无栅瓣、高空间分辨率的方向图,均匀平面阵列使用的天线单元数量很多,实现难度和成本高。稀疏布阵只需要相对较少的单元数目,会出现旁瓣电平升高、测向模糊等问题。通过对天线阵列特性进行分析,以全向一致、无栅瓣、低旁瓣的高分辨方向图为目标,利用微遗传算法对多重圆环阵列单元的位置参数进行优化,性能分析表明综合出的多重圆环阵列具有方位角对称、旁瓣电平低、起伏小的特点,且该算法优化效率高、收敛速度快。     

基于MOPSO与凸优化算法的稀布圆阵列方向图优化

为了降低稀布阵列的峰值旁瓣电平并抑制稀布阵列的栅瓣,提出了一种多目标粒子群与凸优化相结合的方向图综合算法。该算法将多目标粒子群优化(Multi-objective particles swarm optimization,MOPSO)作为全局搜索器,凸优化算法作为局部搜索器来搜索最优解,优化的变量不仅是阵元的权值,而且还加入了阵元位置这一参数,从而能够提供更多的自由度来控制稀布阵列的性能。基于30阵元的稀布圆形阵列的仿真结果表明：与单纯使用MOPSO算法相比,本文提出的用MOPSO算法优化阵元位置,凸优化算法优化阵元权值的联合优化算法,得到的栅瓣和峰值旁瓣电平都小于-19.3　dB。     

基于改进风驱动算法的摄像机标定优化方法

为进一步提高摄像机参数标定的准确率,提出一种基于改进风驱动算法的摄像机标定优化方法.将摄像机内参作为空气微团的位置矢量,将标定结果的重投影误差作为空气微团的适应度值,通过迭代寻找适应度值最小的解.针对基本风驱动算法中固有参数的设置问题,通过引入协方差矩阵自适应进化策略自动确定.将该方法与张正友标定法、基于粒子群算法的标定法和基于基本风驱动算法的标定法作比较,实验结果表明,改进算法优化标定的摄像机内参精度更高,具有更快的收敛速度和更好的稳定性.     

基于改进风驱动算法的非等间距直线阵综合

针对风驱动优化(WDO)算法在解决非等间距直线阵方向图综合问题时收敛精度不高和局部寻优能力不足等缺陷,提出一种小波变异风驱动优化(WDOWM)算法,其中的小波变异算子采用随机化思想丰富了种群多样性。应用该算法综合不同数目阵元到非等间距直线阵方向图实例中,采用二阶多因素多水平的均匀设计方法确定算法参数组合。仿真结果表明,在要求低旁瓣电平和给定方向零陷的情况下,该算法的收敛精度和收敛速度均优于基本风驱动优化算法;与采用粒子群(PSO)算法优化此问题的已有文献相比,所提算法综合的效果更佳。仿真结果说明了所提算法性能良好,适用于天线阵综合问题。     

大型直线稀疏阵列的迭代FFT算法优化

提出了一种基于迭代FFT算法的大型直线稀疏阵列(可放置阵元的栅格数为1 000)的旁瓣电平优化方法,并给出了详细的优化步骤。在给定的旁瓣约束条件下,利用阵列因子与阵元激励之间存在的傅里叶变换关系,对不同的初始随机阵元激励分别进行迭代循环来降低稀疏阵列的旁瓣电平。在迭代过程中,根据稀疏率将阵元激励按幅度大小置1置0来完成阵列稀疏。仿真实验证明了该方法的高效性和稳健性。     

基于凸优化的宽带阵列方向图综合算法

针对宽带任意阵列天线的方向图综合问题,提出了基于凸优化及其求解软件的方向图综合方法.其中针对宽带最低旁瓣方向图综合问题的特殊性,利用了凸优化的优良数值求解特性,以及最新的凸优化求解软件cvx时任意阵列天线的宽带最低旁瓣方向图综合算法进行了有效的建模和求解,获得了满足给定要求的宽带综合方向图.并通过详细的仿真分析验证了所提方法的正确性和有效性,而且优于当前提出的迭代算法.     

基于遗传算法的圆柱阵列稀疏方法

由于共形阵列所具有的特性,使其正得到日益广泛的应用,但其耗用较多的阵元,方向图具有相对主瓣较高的旁瓣电平。为此,针对基本的共形阵列——圆柱阵列的天线阵元,应用经典遗传算法,以阵元的工作状态为优化参量,对其进行稀疏。减少了阵元数量,仿真结果表明,该方法能有效地降低圆柱阵列的旁瓣电平。     

基于多种群风驱动优化算法的PID参数整定

针对标准风驱动优化算法容易收敛到局部最优和未成熟收敛的问题,提出了一种多种群风驱动优化算法,并将其用于PID控制器的参数整定.该算法将PID控制器的比例、积分和微分参数作为空气微团的位置矢量,以ITAE指标作为算法的适应度函数,通过多个种群协同搜索,寻求解空间中适应度值最小的位置.通过实验仿真,并与基于标准风驱动优化算...     

一种广义旁瓣抵消器结构的语音增强改进算法

当广义旁瓣抵消器（Generalized sidelobe canceller,GSC）结构的语音增强算法对语音信号的入射方向角估计不准确时,阻塞矩阵（Blocking matrix,BM）不能完全阻塞目标语音,使得部分语音通过阻塞矩阵,在后期多输入抵消器（Multiple-input canceller,MC）模块中和参考信号相抵消,造成目标语音的损失。针对广义旁瓣抵消器因信号到达方向（Direction of arrival,DOA）估计误差而导致语音泄漏的问题,本文提出了一种麦克风阵列语音增强的优化算法,先对经过时延补偿的信号进行频谱调整,再利用MC模块输出与BM模块输出存在相关性的特点,对阻塞矩阵进行自适应调整,使方向估计参数更趋近于真实目标语音方向,以减少阻塞矩阵中目标语音的泄漏。仿真结果表明,该算法 可以有效减少阻塞矩阵中目标语音的泄漏、增强系统的鲁棒性以及提高语音增强效果。     

创造性驱动优化算法

模拟人类的创造性思维来求解问题一直是人工智能研究的热点和难点之一。基于当前的创造性思维研究理论,同时借鉴现有自然启发算法的建模过程,提出了一种新的智能优化算法——创造性驱动优化算法(Creativity Driven Optimization Algorithm,CDOA)。首先,构建出创造性驱动优化模型,并且为其5个子模型设计出具体的操作算子。而后,根据各子模型之间的联系,给出创造性驱动优化算法的执行步骤。为验证创造性驱动优化算法的有效性,使用8个CEC-2013实参数优化基准函数对CDOA进行了测试,并与当前最先进的3个同类算法进行对比。实验结果显示,CDOA在复杂函数上具有较好的寻优能力。最后,对CDOA进行的计算复杂度实验及分析表明,在相同实验条件下,与其他3个对比算法相比,CDOA具有更快的执行速度。     

基于子空间投影的相位编码雷达旁瓣抑制方法

相位编码雷达具有优良的抗干扰和低截获概率特性，因此它已得到广泛的研究和应用，但该雷达菌有的距离旁瓣又会影响多目标情况下的目标检测。本文首先指出了相位编码雷达中大功率信号的距离旁瓣是影响弱小目标检测的根本原因；接着给出了一种基于子空间投影在回波视频信号中逐一消除大功率回波信号来改善雷达对弱小目标检测能力的方法；然后分析了该方法的基本原理和实现步骤，仿真结果证明该方法是有效的。     

基于改进遗传算法的圆阵列方向图联合优化

为降低圆阵列方向图的峰值旁瓣电平,提出一种基于改进遗传算法的圆阵列方向图优化方法。将阵元位置和阵元权值作为联合优化变量,以最小化波束方向图峰值旁瓣为目标函数,采用遗传算法优化阵元位置和阵元权值,以增加变量的自由度,在采用双重选择机制的基础上,结合差分进化、内插/外推、单点交叉和多点交叉4种方式实现交叉变异。实验结果表明,该方法能降低陷入局部最优点的概率,具有较好的适应度和较快的收敛速度,使峰值旁瓣电平降低至?12.611 dB。     

覆盖表生成的粒子群算法:参数优化和自适应算法

组合测试是一种能有效检测由参数间相互作用所引发错误的软件测试方法,覆盖表的生成是该研究领域的一个重要问题.目前,很多方法已被应用于覆盖表生成,基于演化搜索的粒子群算法尽管能得到较优的解,但其性能容易受到配置参数的影响.本文首先使用试验设计的方法,对不同覆盖表生成的算法参数进行优化,系统分析了参数对算法性能的影响.同时,考虑到对不同的覆盖表,最优的算法参数往往不同,因此进一步提出了一种适用于覆盖表生成的自适应粒子群算法.实验结果表明,在一定的参数取值范围内粒子群算法都能获得较好的结果,且不存在一组对任意覆盖表都能有最优性能的算法参数.通过参数调优,能使粒子群算法获得比已有结果规模更小的覆盖表,同时,与经过参数调优后的算法相比,自适应粒子群算法在大部分情况下有更好的性能.     

改进的蝴蝶优化聚类算法

针对当前算法在求解聚类问题时存在精度低、速度慢及鲁棒性差等问题,提出一种改进的蝴蝶优化聚类算法,借鉴精英策略思想重新定义蝴蝶优化算法的局部搜索迭代公式,然后融合遗传算法的选择、交叉和变异操作.在1个人工数据集和5个UCI数据集上的测试结果表明所提出算法的性能,且与其他算法相比具有一定优势.