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.     

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。      

基于自适应粒子群优化算法的限速标志识别

针对经典的粒子群优化算法收敛性能不足的问题,提出了一种自适应粒子群优化算法。该算法对进化过程中的收敛方向进行动态调整,通过学习因子对参数选取过程进行调节,使收敛的初期趋向全局最优,后期趋向局部最优。采用自适应粒子群优化算法对支持向量机模型参数进行优化,并应用于限速标志的识别,实验结果表明,文中基于自适应粒子群优化算法的方法拥有较高的识别率,同时算法收敛性显著高于经典的粒子群优化算法。     

基于GIS和差分进化粒子群的变电站选址方法

文中提出了一种基于地理信息系统(GIS)和差分进化改进粒子群的配电网变电站优化选址方法。该方法利用GIS确定变电站数量,基于变电站投资运行费用建立有约束条件的目标函数,采用粒子群算法进行变电站选址优化。针对粒子群算法易陷入局部最优且收敛速度慢的问题,借助差分进化引入两个变异因子,在提升粒子群算法收敛速度的同时,避免其陷入局部最优。算例分析结果表明,该方法具有较好的寻优能力和收敛特性,能够有效实现变电站选址优化。     

基于混沌粒子群算法的多目标调度优化研究

针对当前车间调度多目标优化研究存在收敛速度慢、精度低的问题,提出了混沌多目标粒子群优化算法。在算法中,设计了一种新的叠加Logistic扰动的Tent混沌映射算子,通过该算子周期性地更新种群以保证种群的多样性;对收缩粒子群算法进行了扩展使其能够快速收敛到Pareto前沿。通过标准测试问题与实际应用对所提方法进行了验证,实验结果显示混沌多目标粒子群优化算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。     

基于粒子群优化的直觉模糊核聚类算法研究

针对现有基于核方法的直觉模糊聚类算法对初始值敏感、收敛速度慢等缺陷,利用粒子群优化算法全局搜索能力强、收敛速度快的优势,对直觉模糊核聚类算法的初始聚类中心进行优化,并提出了一种基于粒子群优化的直觉模糊核聚类算法。该算法在提升聚类性能的同时,有效增强了算法的收敛速度。在实验阶段,采用4组标准数据集对该算法进行了分类实验及有效性测试,并将其与模糊c均值聚类算法及直觉模糊c均值聚类算法的分类效果及运行时间进行对比,实验结果充分表明了该算法的有效性及优越性。     

新的自适应免疫量子粒子群优化算法

为了克服粒子群优化算法早熟收敛以及粒子在进化过程中缺乏很好的方向指导的问题,算法中采用了量子技术以及免疫机制来提高粒子群的收敛速度和寻优能力,从而获得了一个新的自适应免疫量子粒子群优化算法.仿真试验表明该算法具有较好的性能.     

一种改进的线性递减权值的粒子群优化算法

针对粒子群优化算法的早熟问题,在线性递减权值的粒子群优化算法的基础上,提出了一种增强粒子多样性的粒子群算法,有效减少了粒子的无效迭代。实验结果表明,该算法具有较高的收敛精度,能有效避免早熟收敛问题。     

一种求解连续对象优化问题的改进蚁群算法

蚁群算法在搜索过程中容易陷入局部最优解，且不适用于连续对象优化问题。文章针对这些问题．采用信息量变异、引入微粒群操作等方法进行改进，提出了一种引入微粒群操作的改进蚁群算法，并应用于求解连续对象优化问题。对几个典型复杂连续函数优化问题的测试研究表明，该改进算法不仅跳出局部最优解的能力更强．而且能较快地收敛到全局最优解，表明了算法的有效性。     

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。     

A Modified Particle Swarm Optimizer and its Application to the Design of Microwave Filters

In this paper, a modified particle swarm optimization (PSO) algorithm is presented and its applicability is shown for the design of specific microwave filter as a case study of microwave components. In the proposed modified PSO algorithm, particles in the swarm are divided to form multiple sub-swarms. The social component of PSO’s velocity update equation is modified to include the effects of multiple sub-swarms. Five benchmark functions have been considered for testing the proposed algorithm. The approach has been tested for two basic modifications of PSO namely PSO with inertia weight (IW) and PSO with constriction factor method (CFM). The simulated results illustrate that the modified PSO algorithm has the potential to converge faster, thus reducing the computational expenses, while maintaining/improving the quality of solution. Finally, the proposed algorithm is used for the design of coupled microstrip line band pass filter which is a computationally expensive process when the design is conducted using evolutionary algorithms and electromagnetic (EM) simulation tools.     

Design of very thin wide band absorbers using modified local best particle swarm optimization

A method of using particle swarm optimization (PSO) algorithm to design electromagnetic absorber is presented. To demonstrate effectiveness of the PSO algorithm three different design cases are optimized. To reduce the local minimum traps, a modified local search strategy is employed. Each design problem is optimized using genetic algorithm (GA) and four variants of PSO algorithms, namely global PSO (gbest), local PSO (lbest), comprehensive learning PSO (CLPSO), and modified local PSO (MLPSO). The results clearly show that the MLPSO is a robust, fast, and useful optimization tool for designing absorbers. A seven-layer absorber achieved by this method has reflection coefficient below 18.7 dB from VHF to 20 GHz.     

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。     

一种改进的PSO算法在PID参数优化中的应用

PID控制器具有结构简单、容易实现、控制效果好、鲁棒性强等特点,其关键在于PID参数的优化。微粒群优化算法是一种进化计算技术,其优点是速度快且简单易实现。改进的PSO算法,是在基本PSO算法的基础上引入了遗传算法的思想。仿真实验表明,改进的粒子群算法显著提高了PSO算法的全局搜索能力。     

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。     

基于改进型粒子群算法的阵列天线综合

粒子群优化(PSO)算法是一种通过粒子之间的合作与竞争来实现复杂多维空间的最优区域搜索的优化算法。本文中改进型PSO算法(NPSO),通过增加积分控制项改善了PSO算法全局搜索能力,并将该方法应用于多元环形阵列天线方向图的综合,实现了阵列方向图与预先给定的目标方向图的高度逼近。最后通过数值实例说明这种NPSO方法的有效性。     

融合PSO与DE的跨层优化认知决策引擎

针对传统认知决策引擎仅优化物理层参数,提出一种融合粒子群和差分进化的跨层认知决策引擎（IPSO-DE）。首先对PSO引入自适应惯性权重机制,使得每个个体随各自的适应度自适应进化,提高其探索能力。然后改进DE的交叉概率,从而提高DE算法的开发能力。最后在认知引擎模型中,将经过PSO进化的种群分为优等种群和劣等种群,劣等种群利用改进DE进行优化变异,增加粒子群个体的差异性。仿真表明IPSO-DE增强了种群开发和探索能力,多载波系统的跨层参数优化决策实验证明了其有效性。      

一种改进的动态改变惯性权重的粒子群算法

惯性权重在粒子群算法中起到重要的作用,综合考虑了影响惯性权重的几种因素,提出基于进化速度、聚集度和相似度的动态改变惯性权重的粒子群算法,实验证明改进算法在收敛率、收敛精度和全局寻优能力方面都优于几种有代表性的动态改变惯性权重的算法.     

应用于负荷经济分配的改进差分进化算法

为了求解电力系统负荷经济分配问题,提出一种改进差分进化算法.该算法考虑机组的爬坡约束、出力限制区约束等非光滑费用函数曲线等非线性特性,采用词典排序法处理系统约束来保证算法结果严格满足约束条件,保证了系统的稳定性和安全性.在差分进化算法的交叉算子计算中引入微粒群算法中的个体最优和全局最优的概念,并采用遗传微粒群算法的多点交叉机制,将两者以一定的比率引入试验向量增强算法的局部搜索能力.此算法被应用于一个6台机组的算例,与遗传算法、微粒群算法和标准差分进化算法相比较,改进的差分进化算法的结果质量更好并且更稳定,是求解负荷经济分配问题的一种有效方法.     

低副瓣相控阵天线量化幅度权值设计

本文首先推导出了加权宽度相等时一维线阵最优量化权值满足的近似公式.当加权宽度不等时,理论分析比较困难,引入粒子群优化(Particle Swarm Optimization,PSO)算法.首先设计出处理加权宽度的约束整数PSO算法,在此基础上提出了一种联合处理量化权值和加权宽度的串联PSO算法结构.仿真实验验证了本文方法的有效性.文章的最后还讨论了量化权值误差对天线低副瓣性能的影响,以及二维平面阵的设计.