基于并行粒子群算法的解相关多用户检测

将“联姻”策略应用在粒子群算法中。提出一种并行粒子群算法（PPSO）。该算法可以有效地加强种群之间的联系,保证单个种群中的粒子在进化过程中的多样性,从而可获得更高效的搜索性能。分析了将并行粒子群算法应用于直接扩频CDMA解相关多用户检测的理论依据和实际性能。仿真结果证明该算法能够减小计算的复杂度,在抗多址干扰能力上比传统的匹配接收机和解相关接收机有显著的提高,与解相关接收机的抗远近能力相当,且比基于遗传算法的接收机具有更快的收敛速度。     

WSNs布局的粒子进化的多粒子群优化策略

在粒子进化的多粒子群算法基础上,提出了一种无线传感网络节点布局的优化策略.该策略通过多个粒子群彼此独立地搜索解空间,提高了算法的寻优能力,有效地避免了"早熟"问题,提高了算法的稳定性.仿真实验表明,与传统的粒子群算法相比,该算法有效覆盖率由75.36%提高到80.96%,收敛速度提高了19.4%.因此粒子进化的多粒子群优化策略具有比传统的粒子群算法更好的优化效果.     

一种新的混沌粒子群优化算法

针对粒子群优化算法(PSO)缺少跳出局部最优的机制而易出现早熟问题,提出一种新的混沌粒子群优化算法(NCPSO).该算法引入混沌扰动更新粒子的位置,避免搜索陷入局部最优,再嵌入判断早熟停滞的方法,一旦检测到早熟现象,使用逃逸策略来增大粒子群的多样性.最后用3个常用的测试函数进行仿真,实验结果表明:NCPSO算法比PSO算法、CPSO算法有更高的寻优精度和更快的收敛速度.     

基于自适应惯性权重粒子群优化的多跳频信号盲源分离

针对跳频通信中多跳频信号的盲源分离问题,提出了一种基于自适应惯性权重粒子群的盲源分离算法。该算法将分离信号的负熵作为目标函数,依据迭代前后每个粒子适应度值间差值自适应地调节惯性权重。把适应度值变差的粒子惯性权重设成零,以消除惯性分量不利影响,这样可以减少无效迭代次数,提高收敛速度。应用于盲源分离时,比经典算法分离效果好且克服了激活函数选取难题。实验结果表明该算法用于多跳频信号盲分离时性能稳定且收敛速度快,与经典算法比较优势明显,为智能算法在盲源分离方面的研究提供了一定的参考。     

基于四阶累积量和简化粒子群的盲分离算法

针对线性混合盲信号分离问题,本文提出一种基于四阶累积量和简化粒子群优化的盲信号分离新算法。该算法采用信号的四阶累积量作为目标函数,运用简化粒子群优化算法对目标函数进行优化,最终实现对混合信号的盲分离。仿真结果表明,该算法能够有效实现对会议语音混合信号的盲分离,跟其他算法相比,具有更快收敛速度和分离精度。     

粒子群算法用于盲信号分离的研究

提出一种采用粒子群优化算法进行盲信号分离的新方法,为盲信号分离领域提供一种新的研究思路与方法。该方法采用峰度作为适应度函数,利用粒子群算法对由多个源信号混合而成的信号进行盲信号分离。与自然梯度法盲信号分离相比,粒子群算法精度更高,收敛速度更快,实例仿真成功地对两个图像混合信号进行了盲分离,表明了算法的有效性和优越性。     

一种新型的混合粒子群算法

针对粒子群算法存在的收敛速度慢,容易早熟的缺点,为了获得更好的算法性能,采用两种基本的改进策略,在MATLAB2009中对几个典型测试函数的优化问题进行了实验,即采用全局粒子群算法与局部粒子群算法相结合,同时引入遗传算法的交叉、变异操作,给出了混合粒子群算法的在线、离线性能图.为了作为比较,以表格的方式给出了混合、全局、局部3种不同粒子群算法在测试函数上的运行结果.结果表明,混合粒子群算法在收敛速度、收敛于全局方面都表现良好.     

一种新混合粒子群算法及其在阵列天线方向图综合中的应用

针对传统粒子群算法(PSO)中存在的易陷入局部最优解和后期收敛速度慢的问题,首次提出一种新混合粒子群算法(NHPSO),采用杂交粒子群算法和固定惯性权重策略,并把简化的二次插值法融入杂交粒子群算法中。实验证明新算法大大提高了收敛速度,改善了解的质量。对阵列天线特殊主瓣形式的波束赋形和旁瓣电平优化结果取得了非常好的效果,计算机仿真证实该新算法应用于此类问题非常有效。     

一种基于动态边界的粒子群优化算法

2007年提出的标准粒子群优化算法(PSO-2007)在进化的后期容易出现停滞现象而导致早熟收敛,为此本文提出了一种基于动态边界的粒子群优化算法(DBPSO).该算法根据停滞期粒子运动的特点,将边界动态调整策略引入到PSO-2007中,通过跟踪粒子飞行位置的分布动态调整搜索空间的边界,引导粒子在更有效的区域内进行搜索,从而减轻早熟收敛,提高收敛精度.典型测试函数的求解实验结果表明DBPSO是可行而有效的.     

基于混沌自适应变异粒子群优化的解相干算法

针对相干信源波达方向估计的需要,结合粒子群优化算法,论文提出了一种基于混沌自适应变异粒子群优化的广义极大似然算法(CAMPSOGML),算法对阵列的几何结构没有任何约束,分辨的信源数可大于阵元数,算法把混沌初始化和自适应变异策略引进粒子群算法中,有效地提高了收敛速度,克服了粒子群算法容易陷入局部最优值的缺点。计算机仿真表明：与基于实数遗传算法和粒子群算法的广义极大似然估计方法相比,CAMPSOGML算法在收敛速度和估计精度上都有优势,是一种新颖的有效的解相干算法。     

基于包簇框架的云计算能耗优化算法

文中针对以虚拟机为中心的云计算分配模式中结构复杂、分配困难等问题,采用了一种基于包簇结构的分配框架。在此基础上提出了一个有效的能耗模型,并将二进制粒子群算法进行改进,通过调节自适应的权重,提高了包簇分配算法的速度和准确性。实验表明,改进的二进制粒子群算法在收敛速度和寻优能力方面更加优于传统的二进制粒子群算法。相较于以虚拟机为中心的分配算法,基于包簇框架下的改进二进制粒子群分配算法提升了CPU使用率,有效降低了能耗,更加绿色节能。     

基于群体早熟程度和非线性周期振荡策略的改进粒子群算法简

提出了一种新的粒子群优化算法——基于群体早熟收敛程度和非线性周期振荡策略的自适应混沌粒子群优化算法。利用混沌的遍历特性初始化粒子的速度和位置,根据种群的早熟收敛程度和粒子的适应度值自适应地调整惯性权重;学习因子则采用非线性周期振荡策略,模拟鸟类觅食过程中交替出现的分散和重组现象。基准测试函数的仿真结果表明,所提出的算法不仅收敛速度快、寻优质量高,而且具有良好的稳定性。     

区域分割的自适应变异粒子群算法

为了提高粒子群算法（PSO）的收敛性及多样性,提出一种基于区域分割的自适应变异粒子群算法（RSVPSO）.算法采用区域分割的思想,利用粒子间信息交叉,使粒子搜索区间快速缩小;同时在迭代后期与自适应变异策略相结合,提高粒子跳出局部最优陷阱的能力和增强粒子多样性,达到寻优的目的.将所提出的算法应用于8个测试函数,并与精英免疫克隆选择的协同进化粒子群等算法进行比较,结果表明,新算法在收敛速度、搜索精度及寻优效率等方面有较大提高.     

采用改进梯度互信息和粒子群优化算法的红外与可见光图像配准算法

针对传统互信息图像配准容易产生局部极值,以及传统梯度互信息配准方法计算量大等问题,在互信息和梯度方法基础上构建了一种改进的梯度互信息方法,该方法直接统计梯度图像的互信息,有效地将图像梯度信息和灰度信息结合起来,不仅保证了配准精度,而且较传统梯度互信息方法减少了计算量。在参量优化的过程中,针对传统粒子群优化算法易陷入局部极值的缺点,提出了改进的粒子群优化算法,该算法在传统粒子群优化算法基础上引入混沌优化思想和遗传算法中的杂交思想,不仅能够有效抑制局部极值,而且加快了收敛速度。多种红外与可见光图像配准实验结果证明,文中提出的算法能够有效提高配准精度和速度。     

基于VB和Access的温度采集系统的设计与实现

针对函数优化问题,提出了一种基于离差平方和法的粒子群优化算法。该算法用混沌序列初始化粒子的位置和速度,选择好于粒子群优化算法产生的粒子位置。通过离差平方和法进行聚类,利用分类方式来更新粒子的速度。最后将算法应用到3个典型的函数优化问题中,数值结果比较表明,提高了算法搜索能力,全局最优解的精度和收敛速度。     

基于QPSO算法的信道分配方法

由于传统的信道分配方法存在频率利用率低下和处理速度慢的缺点,为此,提出基于量子计算的PSO算法（QPSO）来快速实现信道最优化分配方法。这种优化方法利用了量子计算的并行计算能力强、全局收敛、运算速度极快等特点,主要包括初始化代表每个信道的粒子的速度和位置,根据信道分配的教学模型计算保证信道各种约束条件的适应度函数,根据量子粒子群的规律进行粒子位置更新,直至找到最佳信道分配方案等步骤。仿真结果表明其方法是行之有效的,优化效果优于基于遗传算法和PSO算法的信道分配方法。     

基于余弦距离的多目标粒子群优化算法

针对粒子群优化算法具有的个体分布不均匀以及重复个体较多等缺陷,提出了一种基于余弦距离的多目标粒子群优化算法,该算法根据外部精英存储策略,利用余弦距离排挤机制来选取最分散的粒子,扩大 Pareto最优解集的收敛性和多样性,增强算法的全局寻优能力。通过采用标准多目标优化问题ZDTl～ZDT3进行仿真实验与粒子群算法、混沌粒子群算法、基于拥挤距离的多目标优化算法对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于基于拥挤距离排挤机制,并具有较高的效率     

Blind signals separation with genetic algorithm and particle swarm optimization based on mutual information

Blind source separation technique separates mixed signals blindly without any information on the mixing system. In this paper, we have used two evolutionary algorithms, genetic algorithm and particle swarm optimization for blind source separation. In these techniques a novel fitness function that is based on the mutual information and high order statistics is proposed. In order to evaluate and compare the performance of these methods, we have focused on separation of noisy and noiseless sources. Simulations results demonstrate that the proposed method for employing fitness function has rapid convergence, simplicity and a more favorable signal to noise ratio for separation tasks based on particle swarm optimization and continuous genetic algorithm than binary genetic algorithm. Also, particle swarm optimization enjoys shorter computation time than the other two algorithms for solving these optimization problems for multiple sources.     

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.     

基于折射原理反向学习模型的改进粒子群算法

对于粒子群优化算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果.然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,针对此缺陷,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一算法模型及基于折射原理反向学习模型的改进粒子群算法.实验与分析表明,与其它基于反向学习的粒子群算法相比,该模型更有效地改进了所提算法的全局搜索能力,提高了种群的多样性,从而提高了算法的收敛速度以及优化精度.