基于粒子群和差分进化的混合算法的配电网重构

根据粒子群和差分进化算法的特点相结合,提出了一种混合算法来解决配电网重构问题。并对粒子群和差分进化的混合算法原理作了详细的描述,根据电力系统的特点对配电网重构混合算法的具体步骤作了详细的描述。该算法以网络损耗最小为目标函数应用于IEEE16节点典型模型的配电网络重构中,仿真的结果表明,该混合算法在重构问题中的可行性和有效性。     

基于文化粒子群算法的广义OPM测向

在引入合成导向矢量和合成导向矩阵的基础上建立了一种更通用的阵列数据模型,提出了广义正交传播算子测向算法。该方法在不损失阵列孔径的前提下可有效估计相干信源和独立信源。为快速求解所提基于四阶累积量的广义OPM算法,在文化算法中使用和粒子群演进进化机制,提出了一种多维搜索的文化粒子群算法。Monte-Carlo仿真试验证明了所设计的测向算法可有效解决使用高阶累积量不能直接测相干信源的局限,所提算法在检测性能上与现有一些算法比较有较大的优势。     

利用外点罚函数和粒子群算法实现模型最优降阶

将外点罚函数和粒子群算法应用于模型最优降阶,采用新的低阶模型,提出了解决低阶模型稳定性问题的有效方法.典型例子的仿真验证了本方法的可行性和有效性.     

基于粒子群优化的偏斜α稳定分布参数估计

基于粒子群优化算法,结合偏斜α稳定分布的分数低阶矩性质,提出了一种新的α稳定分布参数估计方法.针对已有方法无法实现多个参数同时估计的不足,结合α稳定分布分数低阶矩的特点,首先判断出对称参数的符号以及分数低阶矩阶数的取值范围,进而确定目标函数.仿真试验结果表明:所提方法可以同时给出3个参数的估值,验证了该方法的有效性,同时与Kuru-FLOM相比在精度上有所提高或相当.     

基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计

为了对分数阶超混沌系统中的未知参数进行准确估计,提出一种量子混沌粒子群优化算法（Quantum chaos particle swarm optimization,QCPSO）.该算法通过对量子粒子群优化算法（Quantum behaved particle swarm optimization,QPSO）的实现机理进行分析,并结合量子纠缠与混沌系统之间的相关性而实现.首先,将量子势阱中心视为混沌吸引子围绕的不动点,处于吸引子外部的粒子会逐渐聚集于吸引子之内,而处于吸引子内部的粒子会出现快速分离扩散的现象;然后,采用基于随机映射的粒子更新机制,充分保证混沌粒子的初值多样性;最后,提出了基于不动点中心的尺度自适应策略,解决了算法后期的搜索停滞问题.运用QCPSO算法对典型分数阶超混沌系统参数进行估计,结果表明,该算法在收敛速度与精度上优于改进的差分进化算法、自适应人工蜂群算法以及改进的量子粒子群优化算法.     

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.     

混合均值中心反向学习粒子群优化算法

为平衡粒子群算法勘探与开发能力,本文提出混合均值中心反向学习粒子群优化算法.算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择,得出的混合均值中心将对粒子所在区域进行精细搜索.同时对混合均值中心进行反向学习,使粒子能探索更多新区域.将本文算法与最新改进的粒子群算法、人工蜂群算法和差分算法在多种测试函数集上进行比较,实验结果验证了混合均值中心反向学习策略的有效性,算法的综合优化性能更强.     

FBG非均匀应变分布的动态粒子群算法重构研究

基于动态粒子群算法(DPSO)和传输矩阵法,提出了一种新的光纤布喇格光栅(FBG)轴向非均匀应变分布重构方法.利用光栅轴向采样点处的应变值作为粒子,让其在解空间中模拟鸟群行为进行搜索,算法的惯性权重ω根据不同粒子与当前种群中全局最优粒子距离的大小进行动态调整,加快了算法收敛到最优点的速度.采用DPSO对线性、二次、正弦、不连续等4种应变分布形式进行了应变重构,并与量子行为粒子群优化算法(QPSO)的重构结果进行了比较,仿真结果表明,DPSO优化算法可有效地进行光栅轴向菲均匀应变分布的重构,精度和迭代速度较QPSO法有显著提高.     

基于粒子群算法的码书设计研究

由于应用基本粒子群进行码书设计时容易出现陷入局部最优解的问题,故引进模拟退火算法对全局极值的更新条件做了改进,提出了一种新的码书设计方法.改进算法的全局极值更新条件采用了随机概率扰动接受的方式,既接收优化解,也可以接受恶化解,从而增加全局最优区域的搜索能力,避免了粒子过早的"趋同性".采用提出的码书设计方法进行于语音矢量量化表明新提出的算法所重构的语音无论是从清晰度、自然度还是理解性上都要好于基本粒子群算法所重构的语音.增大全局搜索范围.     

脉冲噪声环境下循环ESPRIT新方法

以a稳定分布作为噪声模型,研究了脉冲噪声环境下循环平稳信号的波达方向估计问题.针对在脉冲噪声环境中,基于传统二阶循环统计量的算法效果显著退化的问题,提出了分数低阶循环相关矩阵概念;并在此基础上,提出了分数低阶总体最小二乘(TLS)循环ESPRIT算法的2种形式.计算机仿真表明所提出的算法可有效地估计出脉冲噪声条件下的波达方向,其性能优于传统的基于二阶循环统计量的循环ESPRIT类算法,有潜在的应用前景.     

基于约束差分进化的阵列置零

阵列置零的同时,阵列的旁瓣电平升高、主瓣增益降低甚至阵列指向都会发生改变,导致阵列性能降低。针对阵列置零时阵列性能降低问题,提出一种约束优化模型。在约束优化模型中不仅设置了零陷深度约束和近旁瓣电平约束,还设置了阵列期望方向增益约束及阵列指向约束。在满足约束条件下,使得阵列旁瓣电平最低。并且针对标准约束差分进化算法收敛慢,采用自适应约束差分进化(e-SADE)算法,该算法采用多种变异方式相结合、自适应地调节交叉概率和缩放因子。运用自适应约束差分进化分别通过调节阵元相位和阵列功率一定时的阵元权值求解这个约束优化问题,仿真结果表明提出的方法实现了需求的目标方向图,利用自适应约束差分进化算法优化实现阵列置零是有效可行的。     

基于空间谱估计的多目标信号分离研究

现代战争中,同一时间、同一空间、相同频率或不同频率上出现多个信号源的现象经常会出现,为了对这样的多目标信号进行有效分离,提出了空间谱估计测向的方法。在分析该方法基本原理的基础上,提出了适用于同频与不同频信号分离的通用测向算法,并对算法进行了仿真。仿真结果证明了该测向算法的有效性,从而为目标识别器的研制提供了一种有价值的方案。     

基于电磁矢量阵列孔径扩展方法的相干目标DOA估计

该文采用均匀且稀疏分布的电磁矢量矩形阵列,针对相干目标提出了一种有效的2维波达角(DOA)估计算法,该算法通过增加相邻阵元的间隔来扩展阵列的有效孔径,从而提高算法的DOA估计性能。论文首先结合极化平滑算法和传播算子方法得到存在相位周期性模糊的方向余弦估计。为了解决模糊性问题,论文通过协方差矩阵平滑提出一种新的解相干预处理算法,由该算法得到的信号子空间包含矢量阵元的导向矢量,且不存在相位模糊,利用此特点实现去模糊处理,得到目标的DOA估计。仿真结果表明,与基于ESPRIT的孔径扩展算法相比,提出的算法能够实现相干目标的DOA估计,同时无需特征值或奇异值分解,有更低的运算量。     

基于泛函连接网络和差分进化算法的后非线性混叠信号盲分离方法

把后非线性混叠信号盲分离的分离系统用泛函连接网络来建模,对分离系统的输出应用高阶统计量独立性准则作为测度,然后利用差分进化算法对泛函连接网络的权值进行学习,从而获得了一种后非线性混叠信号盲分离算法。由于泛函连接网络是一种单层神经网络,具有学习参数少、收敛速度快和非线性逼近能力强的特点;而差分进化算法控制参数少、易于选择、具有全局寻优能力和快速的收敛特性;因而与其它的后非线性混叠信号盲分离方法相比,该文提出的分离算法具有计算简单、收敛速度快、较高的精度和稳定性好的特点。仿真结果显示了这种方法是可行和有效的。     

基于混合优化策略的微分进化改进算法

微分进化算法具有控制参数少、鲁棒性强、易于使用等优点，并具有不同的优化策略．本文在对微分进化算法各优化策略性能进行分析的基础上，提出了基于混合优化策略的微分进化改进算法．改进算法的主要思想是将种群中的个体随机地分成两组，每组采用不同的优化策略．利用五个标准的优化算法测试函数对改进算法的收敛速度和搜索成功率进行了测试，并与动态微分进化算法和微粒群算法进行了比较．实验结果表明，本文提出的改进算法在保证算法搜索成功率的同时，大大提高了算法搜索效率．     

基于遗传算法的宽带加权子空间拟合测向算法

宽带信号测向一直是信号处理领域研究的难点.本文把窄带情形下的加权子空间拟合测向算法推广到宽带情形,构造了一个目标函数,然后应用遗传算法进行非线性全局优化,即可得到波达方向估计值,同时避免了对入射方向进行预估计.把本文算法应用到均匀线阵上,仿真实验结果证明了算法的有效性.     

一种稀疏重构的相关干涉仪测向算法

针对基于凸优化模型的相关干涉仪测向算法计算量过大的问题,提出了一种基于稀疏度自适应匹配追踪算法的相关干涉仪测向算法。该算法首先根据压缩感知原理利用传统相关干涉仪算法的测向数据库作为基底将入射信号稀疏表示;接着,根据贪婪算法对信号进行重构,估计入射信号的方位。该算法的优点在于在迭代过程中引入回溯思想,自动调整估计步长,实现计算复杂度和估计精度的平衡。仿真结果表明,相比基于凸优化模型的相关算法,该算法的计算量大大降低,测向速度提升24.6%,特别在多入射信号情况下具有明显优势。     

基于压缩感知的相关干涉仪测向算法

针对相关干涉仪测向系统,提出了一种基于压缩感知的测向算法.该算法将相关干涉仪的测量矢量分解为以测向数据库为基底的含有噪声的稀疏表示,采用再加权的l₁范数凸优化算法,迭代更新加权矢量,以逼近最优的l₀范数.所提算法和传统的计算相关系数最大值方法相比,额外利用了辐射源信号在空域上的稀疏性,可以对同频多信号进行测向.采用计算机仿真对所提算法的性能进行了验证.     

基于阵列单通道的机动目标DOA跟踪方法

针对现有利用阵列单通道系统对机动目标跟踪精度不高,实时性差等不足,提出了一种新的基于改进粒子滤波算法的阵列单通道机动目标波达方向(direction of arrival, DOA)跟踪方法。该方法首先在利用接收机轮流采样建立数学模型的基础上,建立跟踪模型。然后,利用粒子群优化算法对马尔科夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)粒子滤波算法的重采样环节进行优化处理,给出了一种交互MCMC粒子滤波算法,该算法克服了传统粒子滤波算法粒子退化及样本贫化的固有缺陷。最后利用该算法求解跟踪方程,实现了实时DOA估计。理论分析与仿真结果表明,本文方法可实现基于阵列单通道的DOA跟踪与波束形成一体化,且能够处理相干信号,与标准粒子滤波和子空间类算法相比,收敛速度快,跟踪精度高。