改进适应度函数的阵列综合粒子群算法

针对标准粒子群算法在阵列综合应用中收敛所需的迭代次数较多、收敛速度较慢等问题,提出了一种基于改进适应度函数计算的粒子群改进算法。根据阵列在采用标准粒子群算法时的收敛趋势,提出在适应度函数计算中,对适当角度范围内的适应度函数进行加权计算,使影响收敛速度因素的计算权值得到提高、并得到优先处理,从而降低平均计算时间。通过对线阵天线的仿真实验,结果表明该方法效果明显,可以在满足方向图要求的前提下,大大减少收敛所需迭代的次数,加快收敛速度。     

异构传感器网络基于粒子群算法的部署策略

异构传感器网络的部署问题较之同构传感器网络更为复杂,需要充分考虑节点的异构性带来的影响。采用粒子群算法对异构传感器网络进行部署,加入异构性适应策略,并改进了适应度函数,提出一种异构性适用的粒子群算法。仿真结果表明,相比于基本粒子群算法,所提算法有效避免了陷入局部最优次于全局最优的情况,并加快了收敛性,提高了一定的网络覆盖性能。     

改进的最小类内绝对差阈值分割及快速算法

现有的最小类内绝对差阈值分割方法分割结果不够准确及计算效率过低,为此,本文提出了基于递推混沌粒子群的改进最小类内绝对差阈值分割方法。首先引入了灰度级 梯度直方图以提高分割准确性,然后简化了阈值选取公式并推出了相应的递推算法,最后利用基于改进的Tent混沌粒子群算法寻找最优阈值,提出了以递推方式计算适应度,大大减少了重复计算。实验结果表明:与基于灰度级 平均灰度级最小绝对差穷举算法相比,本文方法剔除了边缘点和噪声点的影响,选取的阈值更为准确,同时,利用群体智能优化搜索过程,运算时间降低了两个数量级;与基于灰度级 梯度最大类间方差及Logistic混沌粒子群递推算法相比,本文方法基于改进的Tent混沌映射,遍历性更高,因此收敛性更好。      

一种改进的粒子群和K均值混合聚类算法

该文针对K均值聚类算法存在的缺点,提出一种改进的粒子群优化(PSO)和K均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性,提高了混合聚类算法全局搜索能力,并根据群体适应度方差来确定K均值算法操作时机,增强算法局部精确搜索能力的同时缩短了收敛时间。将此算法与K均值聚类算法、基于PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和收敛速度都有显著提高。     

量子行为粒子群算法在图像恢复中的应用

遗传算法等智能搜索技术避免了图像恢复方法中存在的较多约束和计算量过大的问题,但遗传算法存在“过早收敛”现象。作为一种新的智能优化算法-量子行为粒子群优化算法,在全局收敛性和稳定性上有较好的表现。文章提出了一种基于量子行为粒子群算法的图像恢复方法,并与基于标准遗传算法的图像恢复进行了比较。仿真结果表明,该算法可使图像恢复结果和效率得以较大的改善和提高,具有推广应用价值。     

一种改进的粒子群优化算法

粒子群优化算法(PSO)是一种群体智能进化计算方法,但在搜索过程中粒子紧跟最优粒子运动降低了粒子多样性和全局搜索能力,从而易陷入局部极值.本文提出一种新的粒子群优化算法(PSO-EWD),主要改进体现在2个方面:将惯性权重与进化因子相关联,根据种群的进化状态而改变权重大小,以平衡全局搜索能力与局部搜索能力;将时变的分布式时延引入速度更新公式中,以增加粒子的多样性.本文通过5种算法在9个基准函数上的实验对比,证明了新提出的算法相较于另外4种算法具有更优的适应度值、稳定性和收敛速度.     

粒子群算法用于盲信号抽取的研究

提出一种采用粒子群优化算法的盲信号抽取的新方法。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抽取。与自然梯度法盲抽取相比,粒子群法抽取精度更高,收敛速度更快,实例仿真表明了算法的有效性和优越性。     

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。     

MIMO系统中改进的二进制粒子群天线选择算法

在多输入多输出系统中,发射端和接收端的多天线配置提高了信道容量和传输可靠性,而天线选择技术能在保持系统优点的同时有效地降低运算复杂度以及硬件成本。为了能在时变的信道条件下快速地选择出一组最优的天线子集,提出了一种基于二进制粒子群算法的改进的天线选择算法。推导出了二进制粒子群联合收发端天线选择的信道容量公式,并将其作为粒子群算法的适应度函数,使天线选择问题转换成二进制编码串的组合优化问题。通过改进模糊函数提高粒子群算法的收敛性,让二进制粒子群尽可能地收敛于全局最优位置。仿真结果表明,改进的算法能在降低运算复杂度的同时提高收敛性,且系统信道容量趋近于最优算法。     

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。