基于粒子群优化的MIMO系统判决反馈均衡研究

为了更好地消除多输入多输出(MIMO)系统中的码间干扰(ISI),提出了一种基于粒子群优化(PSO)的判决反馈均衡(DFE)算法;将该算法与基于最小均方(LMS)算法的判决反馈均衡进行了比较.仿真结果表明,PSO DFE的误码率性能明显优于LMS DFE,且收敛速度快.     

合作式粒子群优化算法

针对粒子群优化(PSO)算法随着维数增加而导致的收敛速度慢,容易陷入局部最优的问题,提出了一种合作式粒子群(CPSO)算法。通过多粒子群不同的组态向量合作,显著改善了标准算法的早熟问题。利用标准测试函数对CPSO算法、协同进化遗传算法(CCGA)、遗传算法(GA)、PSO算法进行比较测试,结果表明,CPSO算法在多个基准优化问题方面显示了较佳性能。     

基于进化算法的多用户检测器

粒子群算法PSO遗传算法(Particle Swarm Optimization)是由Kennedy和Eberhart于1995年提出的一种新的进化算法,PSO能够以一种更简便、快速的方式来完成和遗传算法(GA)一样的功能。本文在PSO算法思想的基础上提出了两种新的多用户检测算法: BEP(Binary Evolution Programming)算法, BPSO(Binary PSO,BPSO)算法。分别基于这两种算法构造了新的多用户检测器。仿真结果表明,这两种新的多用户检测器的抗误码性能比传统多用户检测器和基于遗传算法的多用户检测器都好,并且新的检测器的收敛速度明显比遗传算法检测器快。     

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。     

基于量子粒子群优化算法的光纤光栅参数重构

提出了一种基于量子粒子群优化算法的光纤光栅参数重构方法。该方法通过传输矩阵法得到优化目标函数,并将待优化的光纤光栅参数以粒子表示,再让粒子在解空间模拟量子行为进行搜索。以均匀布拉格光栅和线性啁啾光纤光栅为例,分别采用遗传算法(GA)、经典粒子群优化(PSO)算法以及量子粒子群优化(QPSO)算法对其进行参数重构。与传统粒子群算法及遗传算法相比,该方法借鉴了量子行为,具有更好的收敛性能和稳态性能。数值结果表明,种群规模为40时,针对均匀和非均匀光栅分别进化100代和200代得到的重构参数误差均小于0.5%。     

基于混合PSO小波网络的网络异常检测

提出一种用新型的进化学习算法训练的小波神经网络(WNN).这种新型的进化学习算法是基于粒子群算法(PSO)和共轭下降法(CG)提出的.以往,将粒子群算法用于神经网络的训练一般是可行的.因为粒子群算法相比于其他的优化算法,具有相对简单的结构和快速的收敛速度,然而,由于粒子的搜索坍塌速度过快而导致粒子停滞这种潜在的危险.粒子的持续停滞使搜索结果很难达到全局最优,甚至会陷入局部最优.为了克服粒子群算法缺点提出了改进的混合算法.通过对KDD 99数据集的实验表明,利用新型混合算法训练的小波神经网络对于异常检测具有很高的异常检测率并且又较低的误判率.可见,该方法对于网络异常检测是有效的.     

基于CMAES算法的加速度计多位置新型标定方法

针对粒子群优化算法(PSO)和遗传算法(GA)在加速度计标定优化后期出现早熟、陷入局部最优,以及在设计与应用过程中存在的缺陷,将自适应协方差矩阵进化策略(CMAES)算法应用于加速度计的快速标定:采用具有不同函数特征的Sphere、Rastrigin和Rosen三个基准函数对比测试CMAES算法的总体性能;以模观测标定方法为基础建立加速度计标定模型,选取加速度计的24个位置进行仿真观测.实验结果表明:CMAES算法在收敛速度、收敛精度、全局搜索等方面性能优异,将加速度计的标定精度提升了12个数量级,为其它算法标定加速度计奠定了良好基础,对位移系统测量研究具有重要意义.     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

基于PSO算法的系统可靠性优化分析

提出了将粒子群优化算法(Patticle Swarm Optimization Algorithm,PSO)用于求解系统可靠性优化问题,建立了系统的可靠性模型,分别采用遗传算法(Genetic algonthm,GA)和PSO算法进行了优化仿真,结果表明采用PSO算法和GA算法都能实现系统可靠性优化,但是相比之下PSO算法的计算精度和求出最优解的概率更高,需较少的迭代次数,能更稳定的求解最优解,而且没有求解早熟的弱点,因此PSO算法更适合于系统可靠性优化。     

基于进化算法低信噪比环境的基音频率检测

构造频域空间的检测模型,将基音频率作为特征值进行提取,然后为检测模型引入模型参数即优化因子,通过进化算法对该因子进行全局优化,从而获取基音频率的全局最优值,在优化精度和时间代价上取得了较好的平衡。采用两种具有代表性的进化算法进行算法设计,包括遗传算法(GA算法)和粒子群算法(PSO算法)。将所提算法与相关有代表性的算法进行比较,结果表明,所提算法在不同类型不同程度的噪声环境下,能显著提升检测识别率,尤其是在极低信噪比下,优势更为明显。     

Investigation on the evolutionary algorithms with their applications in MIMO detecting systems

In this paper, with the purpose of integrating the advantages of both the genetic algorithm and the particle swarm optimization, a new genetic particle swarm optimization (GPSO) algorithm is proposed. Furthermore, these three evolutionary algorithms are successfully applied to address the MIMO detection problem. Simulation results reveal that the GPSO‐based detection algorithm takes much less population size and iteration number when compared with the particle swarm optimization‐based detection method and the genetic algorithm‐based detection method. Besides, when compared with the optimal maximum likelihood detection method, the GPSO‐based detection algorithm can strike a much better balance between the BER performance and the computational complexity. Copyright © 2012 John Wiley & Sons, Ltd.     

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     

基于环形结构带缓存器模型的并行微粒群算法

受并行遗传算法的启发，文章设计和实现了一种基于环形结构带缓存器模型的并行微粒群算法。它基于一种单向环结构的拓扑连接，可以保证优良粒子在子种群问的扩散，丰富种群的多样性。仿真实验的结果表明．该并行算法不仅有效地提高了求解效率，而且在一定程度上改善了早熟现象，算法的各项性能与微粒群算法相比有了很大提高。     

一种基于多样性信息和收敛度的多目标粒子群优化算法

为了提高多目标粒子群算法优化解的多样性和收敛性,提出了一种基于多样性信息和收敛度的多目标粒子群优化算法（Multiobjective Particle Swarm Optimization based on the Diversity Information and Convergence Degree,dicdMOPSO）.首先,利用非支配解多样性信息评估知识库中最优解的分布状态,设计出一种全局最优解选择机制,平衡了种群的进化过程,提高了非支配解的多样性和收敛性;其次,基于种群多样性信息设计出一种飞行参数调整机制,增强了粒子的全局探索能力和局部开发能力,获得了多样性和收敛性较好的种群.最后,将dicdMOPSO应用于标准测试函数测试,实验结果表明,dicdMOPSO与其他多目标算法相比不仅获得了多样性较高的可行解,而且能够较快的收敛到Pareto前沿.     

Synthesis of linear antenna arrays using Jaya,self-adaptive Jaya and chaotic Jaya algorithms

This work aims to show the effectiveness of a recently proposed population-based optimization algorithm known as Jaya algorithm and its variants named as self-adaptive Jaya algorithm (SJaya) and Chaotic-Jaya (CJaya) algorithm to synthesize linear antenna arrays which are widely used in the communication systems. Three case studies of synthesis of linear antenna arrays are formulated by considering different topologies. In addition, two case studies of synthesis of dipole antenna arrays are formulated and all the case studies are solved using Jaya, SJaya and CJaya algorithms. The results of Jaya, SJaya and CJaya algorithms are compared with those of cat swarm optimization (CSO) algorithm, particle swarm optimization (PSO), Cauchy mutated cat swarm optimization (CMCSO) algorithm, harmony search based differential evolution algorithm (HSDEA), dynamic differential evolution algorithm (DDE), improved genetic algorithm (IGA), modified real genetic algorithm (MGA) and accelerated particle swarm optimization (APSO) algorithm. The Jaya, SJaya and CJaya algorithms achieved a better side lobe level suppression as compared to the other optimization algorithms while maintaining the vital antenna parameters within permissible limits.     

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.     

应用案例推理技术的快速认知引擎

认知引擎必须根据外界无线环境的变化和用户需求,快速自适应调整无线电参数。本文选取一定比例粒子群个体按选定匹配案例的参数配置进行初始化,其余个体随机初始化,这样使粒子群优化算法的粒子在搜索初期就处于靠近最优解的解空间里,同时保持一定的种群多样性,得到一种基于案例推理粒子群优化算法;并由此算法以最大化数据速率、最小化发射功率及最小化误比特率为目标来优化无线电传输参数,得到一种比现有算法收敛速率快和寻优能力强的认知引擎。多载波系统的仿真结果表明了本算法的有效性。      

多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.     

粒子群优化算法在FIR数字滤波器设计中的应用

本文针对有限脉冲响应(FIR)数字滤波器的设计实质上是一个多参数优化问题,提出了一种用粒子群优化算法(PSO)设计FIR数字滤波器的方法.首先将滤波器的设计问题转化为滤波器参数的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得参数的最优化.FIR数字低通、带通滤波器设计实例证明了该方法的有效性和优越性.     

PID Controller Design for MIMO Processes Using Improved Particle Swarm Optimization

This paper aims at the PID control system design for multivariable input and multivariable output (MIMO) processes. An improved version of a particle swarm optimization (PSO) algorithm is utilized to design PID control gains in MIMO control systems. In addition to the individual best and the global best particles, the velocity updating formula of the developed algorithm includes a new factor, the best particle of each sub-population, to enhance the search capacity. Based on the improved particle swarm optimization (IPSO), a complete design strategy is proposed for MIMO PID control systems. All control gains will be evolved to the optimal values by minimizing the system performance criterion. To show the efficiency of the proposed design method, a multivariable chemical process system with two inputs and two outputs is illustrated. Some experiment results, including different algorithm parameter settings and comparisons with other methods, are given. Numerical simulations indicate that the proposed method is superior to other optimal methods.