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。     

DV-Hop定位算法的混沌粒子群优化

针对距离矢量跳距(Distance Vector Hop, DV-Hop)定位算法通信半径选择不合理导致平均跳距和定位误差较大的问题，提出一种基于混沌粒子群改进的DV-Hop定位算法，利用混沌映射的遍历性和随机性实现粒子的局部深度搜索，避免粒子群算法陷入局部最优。通过混沌粒子群优化(Particle Swarm Optimization, PSO)算法迭代求解所有信标节点的通信半径，引入混沌理论调整非线性惯性权重优化搜索过程，通过混沌搜索和混沌扰动迭代求解信标节点的最佳通信半径；通过极大似然估计(Maximum Likelihood Estimate, MLE)法计算的平均定位误差作为混沌粒子群算法的适应值函数；使用费希尔矩阵求解的误差下限作为约束条件求解适应值函数，同时把平均通信半径作为节点能耗模型的阈值来降低节点能量消耗。仿真实验表明，提出的算法在不增加算法复杂度的前提下能够在定位精度方面提升近58%,节点能量消耗方面降低近24%。     

一种优化稀疏分解的雷达目标识别方法

雷达目标识别中雷达回波数据巨大,因此利用稀疏分解的方法对回波数据进行稀疏化处理。但稀疏分解中的匹配追踪算法存在计算复杂、计算量大的问题,所以汲取了粒子群优化算法(PSO)全局搜索能力强、收敛速度快的优点对最优原子的搜索过程进行优化,并且针对粒子群优化易陷入局部最优的问题,提出一种惯性权重自适应改变的改进解决方法。通过对雷达高分辨率距离像(HRRP)信号的稀疏表示实验仿真发现,基于粒子群优化的匹配追踪算法能大大缩短匹配追踪的时间,同时惯性权重自适应改变的方法也有效解决了PSO优化的"早熟"问题。     

基于细菌觅食与粒子群的改进混合算法

针对粒子群优化算法（PSO）在优化过程中易陷入局部极值而产生“早熟”现象,文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合,增强了算法的全局搜索能力,使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验,实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法,收敛速度快,且具有较好的鲁棒性。     

基于改进粒子群算法的三维路径规划

路径规划是无人机任务目标的重要组成部分,针对粒子群(PSO)算法早期收敛速度快,后期易陷入局部最优的缺点,提出一种结合天牛须搜索(BAS)算法的改进粒子群算法,并将其应用于无人机三维空间路径规划.在改进的粒子群算法中,利用天牛个体的优势,在每次迭代中都有自己对环境空间的判断,使路径更加合理,搜索效率更高.仿真结果表明,...     

基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法(PSO),提出了一种基于混沌搜索的粒子群优化算法(CPSO),该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明:CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

一种基于改进PSO的随机最大似然算法

随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法(Particle Swarm Optimization,PSO),解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via Rotational Invariance Techniques,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound,CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子w,使粒子以合理的速度搜索最优解.实验结果表明,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.     

改进小波变异粒子群优化算法用于直线阵综合

为了有效避免粒子群优化(Particle Swarm Optimization,POS)算法早熟收敛和陷入局部最优,提出了一种改进的小波变异粒子群优化(Improved PSO with Wavelet Mutation,IPSOWM)算法,该算法每次迭代时以一定的概率选中粒子进行小波变异扰动,将该改进算法应用于直线阵综合问题,结合实际应用中的数字衰减器和数字相移器进行了仿真试验.结果表明:该改进算法的搜索精度及稳定性均优于对比文献中结论,适合于天线阵综合问题.     

一种基于扰动项的混合粒子群优化算法

为了保持粒子种群的多样性而避免发生"早熟"的问题,本文提出一种基于扰动项混合粒子群优化算法(PSO),该方法通过提高粒子群多样性来提高PSO的收敛性能.首先用标准PSO来迭代,当粒子群失去多样性时,在包含粒子群的超球外随机设置一粒子对全局最优粒子干扰,并在PSO更新公式中加入扰动项来干扰每个粒子.最后将该改进的PSO应用于函数逼近,实验结果验证了本文提出的PSO性能优于几种经典的PSO算法.     

基于改进灰狼算法的云资源调度策略研究

针对云计算中任务调度考虑因素单一和大规模任务环境下任务存在调度效率低、分配不合理等问题,本文提出了一种基于改进的灰狼优化算法的云计算任务调度策略。通过建立基于多目标的评价模型,使其在单一适应度中处理多目标,其中包含任务总耗时、功耗以及系统负载度;提出一种将粒子群算法和灰狼优化算法相结合的搜索方法,以增强灰狼层次的全局最优搜索;引入自适应权重以增强灰狼优化算法的局部搜索能力;同时引入随机对立学习策略以避免陷入局部最优。将本文提出的改进算法与粒子群优化算法(PSO)、标准灰狼优化算法(GWO)及基于MakeSpan适应度的灰狼优化算法(MGWO)在CloudSim平台进行对比实验。仿真结果表明,该方法适用于大规模任务调度,且在任务完成总耗时、功耗以及系统的负载均衡度方面较PSO、GWO和MGWO均有明显提升,其中较MGWO算法综合提升14%。     

DOA estimation in the time–space CDMA system using modified particle swarm optimization

In this paper, we consider the problem of estimating the direction-of-arrival (DOA) of code-division multiple access (CDMA) signals. It has been shown that the searching complexity and estimating accuracy of the conventional spectral searching methods strictly depend on the number of search grids used during the search. It is time consuming and the required number of search grids is not easy to determine. For the purpose of efficient estimation, a highly efficient approach has been proposed that is implemented on polynomial rooting rather than spectral searching. However, this rooting method is suboptimal in the presence of the noise and multiple access interference (MAI). As proposed in this paper, a novelty particle swarm optimization (PSO) with the proposed techniques offers a much faster convergence compared to the PSO with hard-constraints. In conjunction with a modified PSO for angle searching, the proposed approach can achieve the advantages of reducing search complexity and more accurate estimate over existing conventional spectral searching method. Finally, several computer simulation examples are provided for illustration and comparison.     

基于改进粒子群算法的稀布阵列优化设计

针对稀布线阵的阵元位置优化问题,提出了一种基于改进的自适应粒子群算法的稀布阵综合新方法。该方法首先采用自适应策略,根据粒子的适应度值自适应地调整其惯性权重和学习因子,提高了种群的寻优能力;然后对粒子群算法的速度更新公式进行了修正,保证了速度的有效更新;在算法停滞时,通过引入交叉策略进一步加快了算法的收敛速度。该方法高效地实现了多约束稀布线阵的综合,获得了更低的峰值旁瓣电平,数值仿真验证了算法的有效性。     

OFDM系统基于矩阵开方的盲信道估计

该文提出一种基于矩阵开方(computing Roots of Matrices, RM)的盲信道估计算法和一种自适应矩阵开方(Adaptive computing Roots of Matrices, ARM)盲信道估计算法。RM算法利用信息符号的有限字符集特性,在时域上通过对一个Toeplitz下三角矩阵开方进行信道解卷积,得到信道估计的闭合解。该运算复杂度远低于现有的盲信道估计搜索算法,并且适用于信道阶数较大、搜索算法不能处理的情况。仿真结果表明RM信道估计性能接近于搜索算法的最佳性能,而ARM通过最陡下降迭代将代价函数最小化,可以进一步提高信道估计的准确性。     

Harmonic Minimization in Multilevel Inverters Using Modified Species-Based Particle Swarm Optimization

Harmonic minimization in multilevel inverters is a complex optimization problem that involves nonlinear transcendental equations having multiple local minima. In this paper, a solution to the harmonic minimization problem using a novel particle swarm optimization (PSO) approach based on species-based PSO (SPSO) is presented. The original SPSO is modified, which increased the robustness of algorithm to find global optimum of the search space. The proposed method is able to find the optimum switching angles when their number is increased, while it is not possible to determine them using either conventional iterative techniques or resultant theory method. Theoretical results are verified by experiments and simulations for an 11-level H-bridge inverter. Results show that the proposed method effectively minimizes a large number of specific harmonics, and the output voltage results in very low total harmonic distortion and switching frequency.      

基于粒子群算法的星敏感器光学误差标定方法

针对星敏感器光学误差两步法标定局部寻优能力强,但标定结果受初值影响大的问题,基于粒子群算法,提出一种改进的星敏感器光学误差参数标定方法。该方法首先利用粒子群算法全局搜索能力强的优点,为光学误差的两步法标定提供一组次优的初值条件,然后将其代入两步法中,得到标定值。仿真结果表明:该方法能够有效解决两步法标定受初值条件影响大的不足,并能够提高标定结果的稳定性。     

高超音速目标检测的并行处理算法与性能分析

长时间相干积累是一种提高高速弱小目标检测性能的有效手段。针对传统的长时间相干积累方法因为引入跨距离单元与跨多普勒单元因素面临的计算量巨大的问题，我们提出了在距离维以跨距离单元数目为索引的并行处理方法。首先，基于高速目标在一个相干处理间隔内的运动特性，本文建立了匀加速直线目标运动模型。然后，依据跨距离单元数，我们对回波数据进行并行重组，并沿慢时间维进行快速傅里叶变换处理，输出幅度超过第一门限的参数组合通过粒子群算法再在（距离，速度，加速度）维上对重组后的回波数据进行小范围搜索。算法输出对应的峰值与第二门限比较从而做出目标判决。该方法通过两次门限设置以及粒子群算法大大简化了搜索的复杂度与运算量，使算法更具有硬件可实现性。最后，我们给出了实验仿真，分析了积累损失上限，验证了该算法的有效性。      

基于AJTF的ISAR成像算法研究

自适应联合时间-频率（AJTF）分析是一种被证实了的基于刚体目标二维运动模型的逆合成孔径雷达（ISAR）成像算法,但它在进行运动补偿参数搜索时使用的穷尽搜索方法收敛不稳定且计算量较大。介绍了一种改进的AJTF算法,它用粒子群优化方法进行运动补偿参数的搜索,提高了算法的稳定性和效率。仿真结果证明了该算法的优越性。     

基于粒子群的图像检索相关反馈算法

 将粒子群优化算法的进化搜索过程与用户的反馈过程有效结合,提出了一种基于粒子群的图像检索相关反馈算法,避免了初始检索对用户认知的影响以及对反馈效果造成的局限性,并使得用户对检索目标的理解逐渐清晰,能够有效全面的搜索图片库,同时避免多次反馈造成的算法效率和检索效果之间的矛盾.通过实验验证了算法的有效性.     

改进的粒子群优化算法

提出了改进的粒子群优化算法。基于4个不同的基准函数对所提算法与1995年Kennedy和Eberhart提出的常规PSO作了比较。PSO最初是受到如鸟或鱼等生物群体的社会行为的启发而提出的,每一个体依照自身及群体的过去解决问题的最好办法来调整自己的最佳位置,通过重复这一过程来得出最佳值。这里提出的改进的PSO的关健之处在于:如果一个新的位置确实得到了改善,则每一个体就调整它的位置;如果不是这样,就根据概率来做出决定。这一策略是既避免盲目跳转又避免只简单地跳转到好的新位置而陷入局部最优。模拟结果表明改进的PSO总能比PSO找到更好的解决方法。