基于Harris Hawks优化算法的介质波导滤波器优化设计

Harris Hawks优化(Harris Hawks optimization, HHO)算法是一种模拟鸟群合作捕食行为的新型群智能算法. 介质波导滤波器是当前5G移动通信设备急需的器件,因此如何利用新型优化算法高效且精确地对介质波导滤波器进行优化设计十分重要. 文中首先描述了HHO算法流程,并结合滤波器优化问题提出了一种通用框架;然后基于稳态假设对HHO算法的更新方程进行了理论分析,依据所导出的方程分析了算法的动态特性及收敛行为;最后利用HHO算法实现了两款介质波导滤波器的优化设计. 为验证算法性能,将本文算法与三个著名的群智能算法进行比较. 实验结果表明,HHO算法的收敛速度、效率和精度都明显优于目前业内主流应用的自适应差分进化算法、花粉授粉优化算法和灰狼优化算法.     

基于几何代数的SVS-NLMS点云配准算法

针对欧氏空间点云配准方法匹配精度低、计算成本大、收敛速度慢等问题,利用几何代数对于高维空间的表达能力,提出一种基于几何代数的点云配准算法。首先,将点云数据转化为几何代数形式,基于几何代数的rotor转子,给出了几何代数空间点云配准的代价函数。其次,结合归一化最小均方算法,将求解rotor转子模拟为信号滤波问题,在几何代数空间基于最速下降法构建rotor转子迭代公式,使每次迭代计算仅使用一对匹配点对而不是全部点对。迭代计算得到的转子可用于任意维度的旋转估计问题,从而将三维点云逐步旋转配准。最后,为进一步解决收敛速度与稳态误差之间的冲突,利用Sigmoid函数给出了一种变步长的rotor转子迭代公式,在加快收敛速度的同时降低稳态误差。采用模型数据集与公共数据集验证所提算法的配准性能,与经典迭代最近点算法相比,模型数据集的配准精度由10?2提升至10?8数量级,公共数据集的配准精度提升35%,所提算法收敛速度更快,配准精度更高,且具有较低的稳态误差。     

Hybrid social cognitive optimization algorithm for constrained nonlinear programming

To improve the global convergence speed of social cognitive optimization (SCO) algorithm,a hybrid social cognitive optimization (HSCO) algorithm based on elitist strategy and chaotic optimization is pr...     

基于改进收缩因子的粒子群优化算法

PSO算法寻优性能优劣受速度更新公式影响,过快的收敛速度可能使算法错过全局最优解;过慢的收敛速度可能会使算法陷于局部最优解。针对该问题,文中提出了一种基于改进压缩因子的PSO优化算法,即FPSO。通过引入压缩因子方程,改进了速度迭代公式,减少了因学习因子设置不当对算法造成的影响。新的调节机制既保证了PSO算法的收敛性能,也削弱了速度边界对算法的影响。最后,选取5个经典函数对算法性能进行测试。测试结果表明,与传统PSO算法相比,文中算法提高了全局收敛能力,缩短了收敛时间。     

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.     

基于快速不动点连续的压缩感知重构算法

不动点连续(FPC)算法是一种凸优化算法,针对该算法收敛速度较慢的现象,提出了一种快速的不动点连续(FFPC)算法,算法引入线性搜索步长,选择合理的步长参数,利用前两次迭代结果的特殊线性组合值作为下次迭代的初始值,提高每次迭代的精度,从而加快收敛速度.FFPC算法的收敛性在实验中得到了验证,同时,仿真实验表明,FFPC算法的收敛速度有所提高,重构质量也比其他算法更好.     

基于网格的改进序列鸡群算法

针对传统鸡群优化算法存在求解精度偏低、局部搜索能力弱等问题,提出了一种改进的鸡群优化算法。改进算法选择利用动态簇解决单一工作节点能力有限问题,提出一种基于网格的序列鸡群算法,优化标准鸡群算法的种群分组更新机制,仿真和实验结果表明该算法相比传统算法具有定位精度高、收敛速度快、实时性好等优点。     

一种新的用于UWB RAKE接收机的自适应算法:快速横向滤波算法

本文首次提出将快速横向滤波(FTF)算法引入超宽带(UWB)通信系统的接收机结构中.通过引入遗忘因子对角矩阵,推导了带有遗忘因子的FTF滤波器的递推算法.FTF算法可以自适应地跟踪接收机输入信号的幅度衰减,做出实时地估计.仿真实验表明:FTF算法在运算量、收敛速度和误码率等性能上要优于常用的RLS算法,尤其FTF算法的收敛速度对数据的相关性不敏感,比RLS算法更具有吸引力.     

基于矩阵优化理论的自适应数字波束形成算法研究

自适应数字波束形成作为天线技术和数字信号处理融合的产物,近年来成为跨领域的研究热点,并且广泛应用到新一代的相控阵雷达和移动通信中。文中提出一种基于矩阵流形理论的自适应波束形成算法。不同于传统的波束形成算法,该算法将波束形成问题转化为高维优化问题,并引入矩阵流形优化理论,在Stiefel流形上求解该问题。由于降低了求解问题的维度,限制了最优解的范围,该算法相比于传统的自适应波束形成算法,具有收敛速度快、运算量小、鲁棒性好的优点。     

平面稀疏阵列天线的约束优化设计

针对有阵元数和阵列口径约束的矩形平面稀疏阵天线的综合问题,提出了一种基于整数编码的差分进化算法。该方法以每个阵元的栅格位置编号作为设计变量,使阵列的稀疏率满足约束条件,避免了优化过程中的不可行解,还减少了优化变量的个数。为了加速优化过程,采用快速傅里叶变化计算阵列的方向图。以改善阵列峰值副瓣电平为目的进行仿真试验,结果表明：优化后的稀疏天线阵峰值旁瓣电平比现有方法相比改善了1.2~1.7 dB,且具有收敛性和稳定性好的优点。     

基于多目标优化的联合作战用频规划方法

为全面描述联合作战用频规划问题,引入多目标优化理论,以干扰冲突最少、需求满足最高和邻频风险最低作为优化目标建立了多目标的联合作战用频规划模型,并提出一种求解联合作战用频规划问题的非支配排序蚁群算法.在蚁群初始化阶段使用带贪心策略的爬山算法获取次优解集合以提升蚁群前期收敛速度,并运用社团检测机制将用频装备分簇以减少电磁干扰分析的计算复杂度从而加快算法进程.同时,在算法每次迭代中对得到的用频规划方案执行调度改进操作,并自适应调整信息素挥发系数等参数,以提升算法全局优化性能.仿真实验验证了模型的有效性,并通过反转世代距离与超体积指标证明了算法在收敛性、分布性与收敛速度上的优越性.     

基于改进QPSO算法的阵列天线方向图综合

 针对传统智能方法在方向图综合中易于早熟和局部寻优能力不足等缺陷,在基于量子位概率幅编码的量子粒子群优化算法(QPSO)的基础上,设计一种进行收敛停滞检测,并对粒子选择性变异的新量子粒子群算法,然后将其应用于阵列天线方向图综合.仿真结果表明,在多零点和低旁瓣约束情况下新算法均可以取得良好的优化效果,而且该算法相对于近邻粒子群算法(NPSO)和免疫克隆选择算法(ICSA)来说,在方向图综合中精度更高,速度更快,具有很好的推广能力.     

基于遗传-细菌觅食组合算法的非线性模型优化

文中提出一种遗传-细菌觅食组合优化算法以解决非线性模型优化问题。该方法先使用遗传算法进行全局搜索,并缩小最优解的搜索范围;再使用细菌觅食优化算法在该局部范围内执行局部搜索。这种组合搜索策略可以增强算法的收敛性,并能有效地均衡全局搜索和局部搜索。文中利用单峰、多峰和复杂多峰等非线性函数模型验证所提算法的性能。实验结果表明,组合算法的计算精度和效率分别比遗传算法和细菌觅食优化算法提高了30%和50%,表明该组合算法具有更快的收敛速度,更高的求解精度,适用于大规模多极值的非线性问题。     

部分精英策略并行遗传优化的神经网络盲均衡

针对高维非凸代价函数下神经网络盲均衡算法收敛速度慢、容易陷入局部极小值的缺点,提出了一种组群并行遗传优化神经网络的方法。根据神经网络拓扑结构进行个体编码,设置控制码和权重系数码以实现对网络拓扑结构和网络权重同时优化。优化迭代过程中根据适应度对个体排序分组,以融合不同遗传算子条件下遗传算法的优势。部分精英策略有效避免最优个体把持进化过程引发早熟的现象。非线性信道条件下的仿真结果证明方法具有更好的收敛性能。     

一种利用Gauss变异优化BP神经网络的方法

为了克服传统BP算法收敛速度慢和局部极小点等问题,提出了一种改进的BP网络训练方法,将改进的BP算法和遗传算法相结合。首先引入遗传算法中群体的概念,选取最好个体中的误差作为最小误差,其次利用Gauss变异生成的两个小随机数作为BP算法中的学习率和冲量系数,实现对两个参数的动态调整,以达到对BP网络的权值优化的目的。实验结果表明,该方法有效提高了BP网络的收敛速度,在训练时间方面具有明显的优越性,具有较好的实用性。     

一种快速收敛的非参数粒子群优化算法及其收敛性分析

如何调整粒子群算法的参数引起了大量研究人员的关注.本文提出了一种快速收敛的非参数粒子群优化算法.为了平衡全局搜索和局部搜索,本文算法融合了基于exemplar的学习策略和多交叉操作.根据进一步的稳定性分析,粒子群收敛于搜索空间中的一个固定位置,同时粒子群的位置方差收敛于零点.本文收集了常用的24个准则函数,与7个类似的粒子群算法进行了比较.实验结果表明,本文搜索算法在大部分准则函数上的搜索性能均优于同类算法.同时本文算法在收敛速度上要远优于同类算法.     

基于布谷鸟算法的光纤激光网络异质信息入侵检测

采用以往入侵检测方法时,通过随机方式对参数进行初始化处理,检测精度低,为此,提出一种基于布谷鸟算法的光纤激光网络异质信息入侵检测方法.分析了布谷鸟算法寻优过程,针对常规布谷鸟算法受参数改变的影响相对较大,具有收敛速度慢、准确率低以及容易陷入局部最优的弊端,依据差分进化方法,通过在新鸟巢位置公式中结合别的鸟巢位置完成简易...     

基于变步长等变化自适应盲源分离算法

对于基于梯度自适应的盲源分离算法，认真选择步长参数以达到好的分离性能是非常必要的。如果为加快收敛速度而增大步长因子，将会导致大的稳态误差，甚至引起算法发散，因此固定步长因子无法解决收敛速度和稳态误差之间的矛盾。本文为EASI算法提出了一种变步长的解决方案。通过建立步长因子与分离矩阵相互差异之间的非线性关系，加快了收敛速度，减小了失调误差。计算机仿真结果与理论分析相一致，证实了该算法明显优于传统的EASI算法。     

区域多任务安全隐患排除的机器人调度策略

针对灰狼优化算法易陷入局部最优且单一算法不易解决障碍物空间多机器人隐患搜排的调度问题,提出了一种分步引导式多机器人安全隐患协同排除调度策略。首先引入非线性收敛因子调整策略和静态加权平均权重策略改进灰狼优化算法以避免算法陷入局部最优;随后通过改进的灰狼优化算法先后两次求解遍历顺序,引导机器人规划搜索路径与排除隐患点路径;最后在领航者-跟随者模型的基础上多机器人编队与队形变换避障,逐一到达隐患点位置实现多机器人的调度策略。通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高,验证了区域多任务安全隐患排除的分步引导式多机器人协同调度策略的有效性。     

基于遗传算法的最小误码率线性多用户检测

本文提出了一种多用户检测算法,算法基于最小误码率准则,应用内核密度估计方法来估计误码率函数,并采用基于实数编码的遗传算法来搜索误码率函数全局最小点。该算法解决了由于误码率函数存在局部最小点而难以用普通的梯度算法来求解全局最优点的问题。算法对初值的选取无特殊要求,可随机选取。仿真结果表明,梯度算法求解最小误码率检测器由于可能收敛到次优的局部极小点,故检测器不能达到最小误码率性能;而本文基于遗传算法的多用户检测由于能很好的避免收敛到次优的局部极小点,因而得到的检测器性能逼近最小误码率。