遗传算法在FIR窗函数设计中的应用

本文将遗传算法引入FIE的窗函数设计中,提出了窗函数可以由一系列离散的介于0－1的仅值来取代的思路。根据预期频率特性的指标要求,我们建立了窗权值的优化模型,并通过遗传算法来求解,所得的优化解将使对应FIE滤波器的频率特性较好地满足预期频率特性的要求。本设计方法简单,工作量小,具有高的灵活性和鲁棒性,数值实验表明了本方法的有效性。     

利用遗传算法优化设计FIR数字滤波器

FIR数字滤波器可以做成具有严格的线性相位,而且同时可以具有任意的幅度响应,因而在工程实际中得到了广泛的应用,遗传算法又是一种强有力的寻优算法.介绍了一种遗传算法在FIR数字滤波器设计--加权切比雪夫最佳逼近准则优化设计方法中的应用.对基本遗传算法作适当改进后,用于确定待求FIR数字低通滤波器的单位冲激响应而h(n),然后利用MATLAB仿真程序求出了滤波器的幅度特性曲线,仿真结果说明了算法的有效性.     

改进量子遗传算法及其应用

针对量子遗传算法在多维复杂函数优化中迭代次数多、易陷入局部极值等缺点,提出新的量子遗传算法。通过搜索各种群中各染色体的最优个体,组成一个新的种群,并以此种群作为当前最优种群来确定量子门的全局最优搜索方向。引入小生境协同进化策略初始化量子种群,使量子染色体均匀分布于初值空间。以非线性连续优化问题为例所进行的仿真结果表明,该方法具有收敛速度快、寻优能力强等优点。最后,将该算法应用于化工过程的优化,取得良好的效果。     

一种基于改进遗传算法的FIR滤波器设计

本文提出改进的遗传算法应用于实际数字滤波器的优化设计,适应度函数选取滤波器的实际频率响应与理想的频率响应间的加权均方误差,利用遗传算法确定数字滤波嚣的单位冲激响应函数,实验证明,取得了较好的设计效果.     

采用改进遗传算法优化FIR数字滤波器设计

FIR数字滤波器的最优化设计可以抽象成一个多维连续函数求极值的问题,因此可以采用遗传算法求解。针对传统遗传算法存在的容易早熟收敛的问题,提出一种改进策略,从交叉变异的概率和算子两方面对算法进行改进,并通过测试函数验证了改进策略的可行性。分别在最小二乘（LS）、最大误差最小化（MM）和均方误差最小化（MMSE）准则下,采用改进遗传算法进行FIR数字低通滤波器最优化设计,实验结果显示在不同优化准则下设计的滤波器都表现出了良好的性能,证明了改进算法的通用性和有效性。     

改进的PSO-CFIWA算法在FIR设计中的应用

FIR数字滤波器的设计是一个组合优化问题,可以用PSO算法来完成。在原有的PSO-CFWIA算法的基础上提出一种改进的PSO-CFWIA算法,该算法关注迭代过程中的粒子位置和当前最优位置的距离,改进后的算法在性能方面稍优于原有算法。     

基于MATLAB的FIR滤波器设计的探讨

针对数字信号处理中的重点及难点内容,即FIR滤波器的设计进行了讨论。将窗函数法和频率采样法进行了对比,并通过对实例语音信号的处理,说明滤波器的作用和设计,增加了直观性和趣味性。     

改进哈里斯鹰算法及其在FIR滤波器中的应用

针对原始哈里斯鹰算法(Harris Hawks Optimization, HHO)存在收敛精度低、易陷入局部最优等问题,提出一种改进的哈里斯鹰算法。首先引入Logistic混沌映射加强扰动,丰富种群多样性,提高算法收敛精度;其次用非线性逃逸能量因子代替线性逃逸能量因子,易于跳出局部最优。为了验证改进效果,利用改进算法求解FIR滤波器设计问题。仿真结果表明,与原始哈里斯鹰算法相比,基于改进算法的FIR滤波器具有更加理想的通带和阻带性能。     

量子遗传算法及其在多用户检测中的应用

量子计算与遗传算法相结合的量子遗传算法是当今计算智能领域的一个前沿课题。文章从研究遗传算法在并行实现上的困难和改进方法出发,探讨了量子计算与遗传算法结合的理论基础,分析了量子遗传算法的理论和结构,最后提出了一种基于量子遗传算法的多用户检测方法。仿真结果表明,基于量子遗传算法的多用户检测器抗多址干扰的能力明显优于经典遗传算法多用户检测器。     

基于全局优化算法的FIR滤波器设计

提出了一种基于全局优化算法（Global Optimization Algorithm）的FIR（finite impulse response）滤波器设计,本算法通过确定过渡带的最佳采样值,可以得到最大的阻带最小衰减,从而解决了频率采样法设计FIR滤波器不能保证最优的问题。测试结果表明了本算法的可行性和优点。     

改进的量子遗传算法及其在测试数据生成中的应用

针对测试数据自动生成中收敛速度不够快的缺点,提出一种改进的量子遗传算法(IQGA),其对量子遗传算法的主要改进是：1)在个体更新时,对个体的某一位取反,将取反后的个体用于指导下一代个体的进化;2)对测量后的二进制个体进行变异,而不是传统的互换量子比特的概率幅。将IQGA用于测试数据生成,通过对三个基础程序进行实验,结果表明IQGA在覆盖率和迭代次数两个方面都优于传统量子遗传算法。IQGA不仅能保证种群朝着正确的方向进化,同时有效地避免了早熟现象,能以更快的速度搜索到目标解。     

一种带修复函数的QGA及其在背包问题中的应用

提出了一种带修复函数的量子遗传算法来求解背包问题。该算法采用量子比特概率编码方式构造染色体,由量子旋转门操作实现种群进化。在求解背包问题时,采用修复函数来修正不可行编码。文中给出了该算法的具体实现方法和流程,并用几个典型背包问题实例对其进行测试,结果表明带修复函数的量子遗传算法在求解背包问题时,综合性能优于传统遗传算法。     

基于通用量子门的量子遗传算法及应用

为加快量子遗传算法的参数更新速度,简化遗传操作步骤,提出了一种基于通用量子门的量子遗传算法（Quantum Genetic Algorithm with Universal Quantum Gate,UQGA）。该方法以通用量子门为逻辑计算单位,对染色体进行遗传操作。利用Hadamard门进行基础变换;通用量子门通过新的旋转角度函数,对各个基因位进行选择、变异操作;通过求解适应度函数,得到全局最优解;同时,算法经数学证明是收敛的。该算法应用到函数极值搜索和Iris数据集特征选择中。实验结果表明,UQGA具有较好的全局搜索和特征选择性能,尤其是在收敛速度、运算时间和分类准确率方面明显优于普通量子遗传算法和普通遗传算法。     

粒子群优化算法在FIR数字滤波器设计中的应用

介绍了基于粒子群优化算法的FIR数字滤波器的设计方法,并用该方法设计了一个高通滤波器。与用Parks-McClellan算法设计的高通滤波器进行了对比,发现基于粒子群优化算法的FIR滤波器的通带波动更小,阻带衰减更大。将用这两种算法设计的滤波器作用于混频信号,得出的结果也证明了基于粒子群优化算法的FIR滤波器的有效性。     

基于免疫量子遗传算法的多峰函数寻优

针对多峰函数优化中的全局及局部寻优问题,提出了一种结合免疫克隆算子的量子遗传算法,给出了实现流程。该算法集量子遗传算法的快速性和免疫克隆算法全局搜索性于一身。它不仅有效克服了量子遗传算法容易陷于局部最优的缺点,也避免了普通免疫克隆算法计算缓慢的缺点。用多峰值函数进行了全局寻优的仿真实验,并与基本遗传算法,量子遗传算法的计算结果进行了比较,结果表明所提算法能以较快的速度搜索到全局最优解,并且其鲁棒性远高于普通量子遗传算法和遗传算法。     

改进型量子遗传算法求解机器人联盟问题

联盟是多机器人之间一种重要的合作方法,如何生成面向某个任务的最优联盟是一个复杂的组合优化问题。引入量子遗传算法来解决这一问题,在求解过程中引入“基于信息正反馈的岛屿模型”对量子遗传算法进行改进,并采用进化方程对量子门进行更新,使其不再易于陷入局部极值。仿真实验结果表明,该算法在解的质量和收敛速度上优于目前同类算法。     

求解旅行商问题的改进型量子蚁群算法

针对传统量子蚁群算法在求解TSP时容易陷入局部最优以及收敛速度较慢,提出了一种求解旅行商问题的改进型量子蚁群算法（IQACA）。该算法设计了一种新信息素挥发因子的自适应动态更新策略,对信息素进行动态更新;并采用一种新的量子旋转门对量子概率幅值的收敛趋势进行改变。通过三个基本函数极值优化仿真与传统量子蚁群算法进行对比,证明算法性能较优。基于TSPLIB的仿真实验与其他几种算法进行比较,结果表明,算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。     

一种改进的双链量子遗传算法及其应用*

针对目前双链量子遗传算法中保持种群多样性和改善优化效率问题提出了三种改进方法。通过在量子比特概率幅三角函数表达式中引入常数因子,使搜索过程在多个周期上同时进行,以改善算法的优化效率;提出了一种基于单比特量子Hadamard的变异策略,可提高保持种群多样性的概率;改进了量子旋转门转角步长函数,能够有效避免算法震荡,增强算法的适应性。以多变量函数极值优化问题为例,仿真实验结果表明上述三种改进措施是有效的。