一种改进的自适应线性网络多用户检测器

采用粒子群优化算法结合LMS算法来改进自适应线性网络的训练过程,改变了传统神经网络交错反复周期性循环训练样本的训练方式,可以逐个样本的进行训练来达到全局最优,从而从根本上克服了神经网络动态适应性能差的缺点.计算机仿真结果表明,改进的自适应线性网络构成的多用户检测器(简称ANN-MUD),动态适应性能明显改善,实用性大大增强.     

一种新的同步CDMA次优化多用户检测技术

本文基于旋转正交法的思想提出了新的同步ＣＤＭＡ次优化多用户检测技术,它降低了接收器的检测运算量,克服了其他同类型检测器在运算中不收敛以及重复选点而降低检测运算效率等问题,并且降低了检测误码率,亲的 优化检测器还能根据信号不环境及检测概率预先设置它的运算次数。     

基于改进的自适应克隆选择粒子群优化算法的多用户检测

为了提高多用户检测技术的性能，改善粒子群算法的局部搜索能力，将克隆选择算法（CS）和传统离散粒子群算法（DPSO）相结合，文中提出一种改进的自适应克隆选择粒子群优化算法（ACSPSO），并用于多用户检测。仿真证明，这种基于ACSPSO的检测器在误码率和收敛速度上都比DPSO和CS得到明显改善。     

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。     

基于干扰因子的QPSO算法改进

具有量子行为的粒子群优化算法(Quantum-Behaved Particle Swarm Optimization,QPSO)是一种新的基于群体智能的优化方法.与粒子群算法(Particle Swarm Optimization,PSO)相比,QPSO的全局收敛性能更好.但与其他进化算法一样,QPSO仍然不可避免地遇到早熟收敛的问题.因此在QPSO算法的基础上,引入干扰因子以避免算法的早熟现象.实验结果表明,改进后的QPSO算法具有更好的收敛性能.     

改进的混合粒子群算法

为了能够有效避免搜索过程陷入局部最优,从而增强全局搜索能力,提出一种基于模拟退火的粒子群算法.算法中引入遗传算法中常用的轮盘赌选择算子,能在早期抑制部分超级粒子对种群的控制,增加了群体的多样性.通过测试函数的比较表明,混合算法能很好地保持种群多样性,具有良好的计算精度和全局寻优能力.     

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.     

CDMA系统粒子群多用户检测算法

Kennedy和Eberhart提出的粒子群优化算法(PSO),作为一种新的并行优化算法,在解决多维和非线性的复杂问题中,性能优良且算法简单易于实现。本文对二进制粒子群优化算法进行改进,并将其应用于DS-CDMA通信系统的多用户检测中,提出了基于矢量的二进制粒子群多用户检测器(V-BPSO-MUD),同时提出了两种高效实用的多用户检测器:基于矢量的串行二进制多用户检测器(VS-BPSO-MUD)及基于矩阵的二进制多用户检测器(M-BPSO-MUD)。仿真结果表明,PSO多用户检测器充分利用了粒子群优化算法的优良特性,性能明显优于传统的CDMA检测器,接近无多址干扰情况。     

改进粒子群算法的多峰值优化研究

粒子群优化算法对于多维函数的最优解搜索存在前期易陷入局部最优,后期收敛速度缓慢的问题.将改进的k-中心点聚类分析与PSO相结合提出了一种混合粒子群算法KM-PSO,用于多峰值问题的优化.在算法中,利用k-中心点聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能.不仅增加了粒子间的信息交换,抑制了早熟收敛,还提高了全局寻优速度和计算精度.仿真实验结果表明,KM-PS0性能优于基本粒子群优化算法.     

一种改进的自适应进化粒子群优化算法

针对粒子群优化算法容易陷入局部极值点以及进化后期收敛慢和优化精度较差等缺点,提出一种改进的自适应进化算法.该算法引入信息扩散函数,根据不同粒子的位置及对应适应值与当前群体最佳位置和最佳适应值的关系,控制粒子变尺度向群体当前最佳位置移动;基于多样性反馈机制动态调节惯性权值和控制粒子群的微变异.通过复杂基准函数的仿真优化结果表明,改进算法具有抑制早熟、收敛速度快、求解精度高的特点.     

反演蒸发波导的改进粒子群优化算法

雷达利用携带的海杂波信息可以反演出海面蒸发波导参数.为了提高蒸发波导反演性能,提出了一种改进的粒子群优化算法.当实测雷达海杂波功率与蒸发波导模型计算所得杂波功率之间建立的目标函数取最小值时,可反演得到最接近实测蒸发波导剖面参数.根据这一思想,在基本粒子群算法基础上通过对惯性权重和学习因子进行自适应调整,引入自适应压缩因子来确保算法快速收敛,并获得高精度的蒸发波导参数.算法仿真实验证明,改进粒子群优化算法相比于基本粒子群算法具有较好的全局收敛性,在处理较大规模数据时反演速度明显提高.     

改进混沌粒子群的动态模糊神经网络参数优化及应用

动态模糊神经网络（DFNN）的性能和学习的稳定性取决于其预设参数的选择,针对DFNN多参数优化问题,提出了改进混沌粒子群优化算法,并将其应用于DFNN神经网络预设参数寻优,以获取最佳参数组合。实验结果表明,该方法能够快速有效地提取DFNN的最优参数组合,具有精度高、收敛快、迭代次数少等特点;利用改进混沌粒子群的动态模糊神经网络构建煤与瓦斯突出预测模型,具有良好的建模效果和更高的预测精度。     

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.     

基于粒子群优化的神经网络训练算法研究

本文提出了基于连接结构优化的粒子群优化算法(SPSO)用于神经网络训练,该算法在训练神经网络权值的同时优化其连接结构,删除冗余连接,使神经网络获得与模式分类问题匹配的信息处理能力.经SPSO训练的神经网络应用于Iris,Ionosphere以及Breast cancer模式分类问题,能够部分消除冗余分类参数及冗余连接结构对分类性能的影响.与BP算法及遗传算法比较,该算法在提高分类误差精度的同时可加快训练收敛的速度.仿真结果表明,SPSO是有效的神经网络训练算法.     

基于粒子群优化算法和多级检测的多用户检测器

提出了一种新颖的基于粒子群优化和多级检测的混合算法的多用户检测器。介绍了最佳多用户检测模型以及粒子群优化算法的基本思想。进行了理论依据和仿真性能分析。仿真结果表明：该检测器在误码率性能上明显优于传统检测器和解相关检测器,在抗“远一近效应”上也优于传统检测器与多级检测器,计算复杂度较低。     

An Improved DV-Hop Scheme Based on Path Matching and Particle Swarm Optimization Algorithm

Wireless Personal Communications - Distance vector hop (DV-Hop) is a frequently-used localization technology for wireless sensor networks. The traditional DV-Hop scheme estimates the...     

基于改进粒子群算法的压缩感知

在稀疏信号处理中,压缩感知能够用较低的采样频率对稀疏信号进行压缩采样,而信号重建的问题则可归结为一个最优化问题,并可采用粒子群算法进行求解。针对压缩感知问题,本文对传统的粒子群算法进行了深入的分析和改进,得到了粒子数目的下界,并提出了三维环形邻域结构和多群协作机制,依此建立了有效的感知压缩重建方法,且将其应用于二维稀疏信号的重建。最后,本文通过在模拟和真实数据上实验结果验证了这种新型感知压缩方法的有效性和优越性。      

基于柯西分布的粒子群优化算法改进

针对传统粒子群算法具有易陷入局部最优,收敛速度慢的特点,文中采用柯西密度函数和分布函数分别对惯性权重和位置更新公式作出改进。与标准PSO算法和利用柯西分布对惯性权重的改进相比,改进后的算法能快速地收敛到全局最优解。且对4个经典的测试函数进行仿真实验,结果显示改进算法求解精度高、解的稳定性优良,尤其是在多峰值函数中表现优越。     

求解独立任务调度问题的改进粒子群算法

独立任务调度问题是分布式系统中的一个NP难题.提出了基于实数编码和基于机器编码的两种改进粒子群算法.前者利用协同子群进化的方式进行问题寻优,后者通过重新定义粒子的位置更新方法,使粒子群算法更好地应用于组合优化问题.仿真结果表明,与遗传算法和基本粒子群算法相比,改进算法具有更快的收敛特性和更好的求解质量.     

改进粒子群算法的露天矿路径优化研究

为将面向连续优化的粒子群优化算法应用于露天矿路径优化问题的求解,提出了露天矿路径优化问题的权重编码方案．该方案将属于组合优化的露天矿路径问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性．针对粒子群算法易陷入局部最优的问题,提出了适合露天矿路径优化问题的基于k-中心点法的改进措施,在此基础上采用k-中心点法对粒子群进行聚类分析,实现了粒子之间的信息交换,扩大了粒子的搜索空间,避免算法陷入局部最优．最后,用露天矿的实际路径节点数据验证了权重编码方案和改进粒子群算法的有效性．