基于粒子群优化算法的共形阵列天线图综合

随着阵列天线技术的发展,可与飞行器、导弹等载体共形的天线阵列得到了越来越广泛的应用.共形阵列天线为满足天线工作特性的同时,不破坏载体的外形结构和空气动力学特性.粒子群优化算法(PSO)是一种通过粒子之间的合作与竞争来实现复杂多维空间的最优区域搜索的优化算法.采用了一种改进的粒子群优化算法,通过增加变异算子,改善了PSO算法的全局搜索能力,对圆柱共形阵列天线的方向图进行了综合,其中采用了具有余弦分布的辐射单元,阵元设置在柱面上,其最大辐射方向为柱面法线方向,通过500次迭代得到不同半径及不同阵元数的优化结果,其中方向图的峰值副瓣电平低于-20dB,说明了PSO算法对解决此类问题的有效性.     

半球面共形阵列波束综合技术研究

针对天线的抗干扰提高信噪比问题,球面阵列天线的增益在不同方向灵活可变的优点,但球面阵列天线是非线性的,没有解析解,传统的线性波束综合方法很难解决球面阵列天线复杂多约束的增益问题。为解决上述问题,使用了零陷技术。现有的方法着重干扰方向已知情况下的零陷形成技术,而对干扰方向未知多变的情况研究很少,采用改进的遗传算法用于复杂的宽角零陷形成,可以解决干扰方向未知情况下的零陷形成难题。     

柱面共形阵列天线的极化-DOA估计

共形阵列受共形载体曲率的影响,呈现多极化特性,在共形阵列天线的波达方向(direction of arrival,DOA)估计的研究中考虑信号的极化参数就显得非常重要,现有共形阵列下空间超分辨率算法常缺失对信号极化参数的估计.针对柱面共形阵列的多极化特性,建立含有入射信号极化参数的柱面共形天线的导向矢量模型,结合MUSIC(multiple signal classification)算法实现了入射信号的极化参数与二维波达方向的联合估计,对阵列形式无特殊要求,不需要参数配对.仿真结果表明,改进方法能有效应用于柱面共形阵的DOA估计,并提高了信号的分辨率.     

多重信号分类算法在共形阵列天线中的应用

在天线信号优化设计中,传统的共形阵列天线的信号波达方向(DOA)估计采用了波束扫描技术,需要大量的阵元才能获得较高分辨率,对于有限的阵列孔DOA估计来说,上述技术的分辨率会受到瑞利限制.而多重信号分类(MUSIC)算法,由于充分利用了噪声子空间和信号子空间的正交性,构造了空间谱函数,可以通过谱峰值的搜索来达到DOA估计.对MU-SIC及改进算法进行分析,并且分别在均匀线阵,柱面阵列和锥面阵列天线模型下进行了仿真,结果表明,阵列的排列方式对波达方向的估计性能具有重要的影响.     

基于混沌粒子群算法的阵列天线容差分析

研究阵列天线性能优化设计,针对阵列天线幅相误差对天线性能的影响,传统的阵列天线容差分析采用统计理论方法,前提需要假设幅相误差服从某种概率分布,导致不同分布的幅相误差对应不同的结论形式,并且公式推导过程复杂.为了在建立阵列天线最坏情况容差分析的数学模型,提出了一种混沌粒子群算法简单实用的阵列天线最坏情况容差分析方法.通过在粒子群算法中利用混沌技术优化初始种群,并对位置更新时引入混沌扰动项和位置更新后进行边界约束,进行仿真,提高了粒子群算法的全局搜索能力.结果验证了算法在最坏情况分析时,可以得到在准确性和稳定性方面的优化结果.     

基于NSGA-II和MOPSO融合的一种多目标优化算法

用多目标粒子群优化(MOPSO)算法的粒子位置更新模式替代NSGA Ⅱ的交叉操作,获得一个新的算法（NSGA Ⅱ MOPSO）。为使这两种差异较大的算法实现无缝融合,在NSGA Ⅱ算法范围内对MOPSO中特有的概念粒子及其速度、Pbest、引导者进行处理: 1)粒子对应于NSGA Ⅱ中子代群体的个体; 2)不再使用粒子速度概念; 3)不再使用粒子Pbest概念,代之以从父代群体中为每个粒子的每一维寻找一个最近的该粒子非支配个体; 4)每一个粒子的引导者可以是父代群体中稀疏程度最大的个体或者是按照二进制随机竞赛选择方法从父代群体中选择的一个个体,具体哪一种方式发挥作用依赖于预先设定的概率。另外,引入稀疏程度概念来评价粒子在目标函数空间的分布。6个算例的结果表明,与NSGA Ⅱ及最新的两种MOPSO算法（CLMOPSO 和 EM MOPSO）相比,新算法是一个有效、稳定的算法。     

基于NSGA-Ⅱ和MOPSO融合的一种多目标优化算法

用多目标粒子群优化（MOPSO）算法的粒子位置更新模式替代NSGA-Ⅱ的交叉操作,获得一个新的算法（NSGA-Ⅱ-MOPSO）。为使这两种差异较大的算法实现无缝融合,在NSGA-Ⅱ算法范围内对MOPSO中特有的概念粒子及其速度、Pbest、引导者进行处理：1）粒子对应于NSGA-Ⅱ中子代群体的个体;2）不再使用粒子速度概念;3）不再使用粒子Pbest概念,代之以从父代群体中为每个粒子的每一维寻找一个最近的该粒子非支配个体;4）每一个粒子的引导者可以是父代群体中稀疏程度最大的个体或者是按照二进制随机竞赛选择方法从父代群体中选择的一个个体,具体哪一种方式发挥作用依赖于预先设定的概率。另外,引入稀疏程度概念来评价粒子在目标函数空间的分布。6个算例的结果表明,与NSGA-Ⅱ及最新的两种MOPSO算法（CLMOPSO和EM-MOPSO）相比,新算法是一个有效、稳定的算法。     

基于GA-QPSO算法的传感器阵列多目标优化研究

传统的传感器阵列优化通常采用单目标优化,忽略了传感器其他重要因素的影响.提出一种基于遗传量子行为粒子群优化(GA-QPSO)算法的传感器阵列多目标优化研究方法.使用信息熵的概念构造传感器的两个目标函数,在量子化粒子群优化(QPSO)算法中引入遗传算法(GA)中的交叉和变异操作,采用自适应更新二者概率的机制.利用所提算法...     

基于MOPSO与凸优化算法的稀布圆阵列方向图优化

为了降低稀布阵列的峰值旁瓣电平并抑制稀布阵列的栅瓣,提出了一种多目标粒子群与凸优化相结合的方向图综合算法。该算法将多目标粒子群优化(Multi-objective particles swarm optimization,MOPSO)作为全局搜索器,凸优化算法作为局部搜索器来搜索最优解,优化的变量不仅是阵元的权值,而且还加入了阵元位置这一参数,从而能够提供更多的自由度来控制稀布阵列的性能。基于30阵元的稀布圆形阵列的仿真结果表明：与单纯使用MOPSO算法相比,本文提出的用MOPSO算法优化阵元位置,凸优化算法优化阵元权值的联合优化算法,得到的栅瓣和峰值旁瓣电平都小于-19.3　dB。     

基于PSO方法的智能天线广播波束赋形设计

研究智能天线性能优化问题,为了快速、准确的对智能天线广播波束设计,提出了一种矩量法和粒子群优化相结合的混合方法.采用基于RWG基函数的矩量法对TD-SCDMA板状振子型智能天线阵进行了全波分析,并使用粒子群优化方法设计了智能天线的波束形状.采用MOM全波分析方法作为优化过程的计算核,既考虑了阵列单元间的相互耦合,又考虑了天线的实际形状,综合出了TD-SCDMA智能天线阵列单元的激励幅度和相位.结果表明,混合方法结合天线单元间互耦能够快速、准确的计算出所需要的理想波束,新方法具有实用性,为波束赋形的工程设计提供了依据.     

基于适配粒子群的多目标优化方法

提出了一种基于适配粒子群的多目标优化方法。该方法给出的适配粒子群算法规则简单、收敛速度快,得到的解集有较好的分散性和均匀性。将提出的外部记忆体更新和适配半径选择的方法应用于经典的多目标函数中。结果表明,该优化方法能够快速准确地收敛于Pareto解集,并且使其对应的目标域均匀分布于Pareto最优目标域。     

基于双极偏好控制的多目标粒子群优化算法

考虑双极偏好信息对粒子群的控制作用,提出一种使用双极偏好——正偏好和负偏好引导粒子群向 Pareto 前沿偏好区域进化的方法．根据TOPSIS 决策法思想,将外部种群粒子与正负偏好点的相对贴近度排序作为 外部种群管理和全局最优解更新策略;根据贴近度值确定解集的分布度;选取6 种不同类型的多目标测试函数进行 算法模拟,从世代距离、空间测度和超体积测度3 个指标与基于单极偏好的多目标粒子算法进行性能比较．结果显 示,基于双极偏好控制的多目标粒子群算法的收敛性和综合性能更优秀．     

一种基于粒子群优化的多目标优化算法

论文提出了一种基于粒子群的多目标优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分布性能;采用动态惯性权重法来平衡粒子群对解空间的局部搜索和全局搜索,以提高算法的全局收敛性能。实验结果表明,论文算法是有效的,能有效的求解多种多目标优化问题。     

基于多目标粒子群算法的起动过程仿真

在深入研究某型航空发动机起动过程的基础上,利用改进的多目标粒子群算法对其进行了仿真分析,结果验证了该多目标粒子群算法的快速性、收敛性和仿真的准确性,为改进、调整部附件参数提供了重要依据和先期理论验证,提高了发动机试车的安全性,降低了改装成本。     

混合分解的多目标粒子群优化算法

针对多目标粒子群算法全局最优值的选取缺陷以及多样性保留缺陷,提出了一种基于分解和拥挤距离的多目标粒子群优化算法(Smoeadpso).算法采用切比雪夫分解机制,将邻居向量对应的子问题的中的最优解来作为某个粒子全局最优值的候选解了更有效限制粒子飞行速度以避免粒子飞行超出解空间界限,引入了新的速度限制因子维持了种群多样性.本文算法与经典的多目标进化算法在10个测试函数上的对比结果表明, Smoeadpso求得的Pareto解集与真实Pareto解集的逼近程度有明显提升并且对于3目标问题求解的均匀性也比同类粒子群算法优秀.     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中,平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键,多数已提出的方法仅依靠一种策略引导粒子搜索,在解决复杂问题时算法收敛性和多样性不足.为解决这一问题,提出一种基于种群分区的多策略自适应多目标粒子群优化算法.采用粒子收敛性贡献对算法环境进行检测,自适应调整粒子的探索和开发过程;为准确制定不同性能的粒子的搜索策略,提出一种多策略的全局最优粒子选取方法和多策略的变异方法,根据粒子的收敛性评价指标,将种群划分为3个区域,将粒子性能与算法寻优过程结合,提升种群中各个粒子的搜索效率;为解决因选取的个体最优粒子不能有效指导粒子飞行方向,使算法停滞,陷入局部最优的问题,提出一种带有记忆区间的个体最优粒子选取方法,提升个体最优粒子选取的可靠性并加快粒子收敛过程;采用包含双性能测度的融合指标维护外部存档,避免仅根据粒子密度对外部存档维护时,删除收敛性较好的粒子,导致种群产生退化,影响粒子开发能力.仿真实验结果表明,与其他几种多目标优化算法相比,该算法具有良好的收敛性和多样性.     

基于非支配解的多目标粒子群无功优化

针对传统PSO在求解多目标问题时采用权重系数法将多目标转化为单目标而忽视了目标函数间的竞争关系,并结合系统中最受关注之一的电压安全问题,以电力系统中的有功网损和电压稳定裕度为目标,采用提取非支配解的方法使目标在充分竞争的情况下得出Pareto最优解,克服了权重系数法缺乏多样性的缺点。优化结果给出了有功网损与电压稳定裕度之间的竞争关系,电力决策者可根据实际问题的需要选择最终满意的非支配解,具有很好的灵活性与多样性。运用IEEE-14节点测试系统验证了该算法的优越性,并与其他算法相比,表明了该方法是一种能够有效求解多目标电力系统无功优化问题的新方法。     

一种改进的粒子群多目标优化算法研究

为了解决多目标优化过程中各个解之间存在的资源争夺、冲突,算法由于趋同性而带来的早熟无法收敛等缺点,文中提出了一种多子种群协同优化粒子群算法。算法分别采用不同的种群优化不同的目标,并且在算法中引入外部档案和精英学习策略,使得算法能够得到更多的外部档案的解供选择,精英学习策略是为了使算法的分布性和收敛性更好。最后将算法应用到多目标测试函数中,通过实验验证了改进后的算法的收敛性和分布性都比经典多目标算法NSGA-II要好。     

基于粒子群算法的无源滤波器多目标优化设计

摘要：针对无源滤波器参数优化问题,将无源滤波器的最小费用、谐波电压畸变率、谐波电流残留率、以及无功功率补偿容量作为设计的优化目标,改进了传统的粒子群算法,引用惩罚函数将问题转化为无约束优化问题。本设计算法是采用改进多目标粒子群优化算法与惩罚函数相结合的算法为无源滤波器参数优化设计提供了一种新的优化方法。     

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来,由于其容易理解、易于实现,所以发展很快,在很多领域得到了应用．通过对粒子群算法全局极值和个体极值选取方式的改进,提出了一种用于求解多目标优化问题的算法,实现了对多目标优化问题的非劣最优解集的搜索,实验结果证明了算法的有效性．