基于粒子群算法的认知无线电参数优化及敏感度分析

认知无线电能根据环境变化和用户需求自适应调整工作参数。现有认知引擎大多采用遗传算法优化参数。但随着认知用户数的增加,遗传算法染色体增多,导致算法收敛时间过长,无法满足实时通信需求。将改进惯性因子的粒子群算法用于认知无线电工作参数的优化,并在不同通信模式下对传输参数进行敏感度分析,以便有选择性地从目标函数中剔除敏感度较低的参数,降低处理复杂度。仿真结果表明,采用粒子群算法的参数优化在收敛速度、搜索效率和算法稳定性等方面均优于遗传算法,仅需较小的进化代数就能找到最优参数解,从而减小了优化时间,满足了认知无线电实时处理的要求。     

基于二进制蚁群模拟退火算法的认知引擎

在认知无线电系统中,认知引擎依据通信环境的变化和用户需求动态配置无线电工作参数。针对认知引擎中的智能优化问题,提出一种二进制蚁群模拟退火（BAC&SA）算法用于认知无线电参数优化。该算法在二进制蚁群优化（BACO）算法中引入模拟退火（SA）算法,融合了BACO的快速寻优能力和SA的概率突跳特性,能有效避免BACO容易陷入局部最优解的缺陷。仿真实验结果表明,与遗传算法（GA）和BACO算法相比,基于BAC&SA算法的认知引擎在全局搜索能力和平均适应度等方面具有明显的优势。     

基于模拟退火遗传算法的认知无线电决策引擎

如何根据环境变化和用户需求智能调整无线电参数是认知无线电的基本功能.提出了遗传算法和模拟退火相结合的认知无线电参数调整方法,给出了该方法流程,运用多载波系统对算法性能进行了仿真分析.实验结果表明该方法改进了遗传算法中后期的爬山能力,优化得到的参数比单独使用遗传算法优化所得参数具有更高的归一化目标函数值,而且该方法能够在多个目标函数间进行权衡,参数调整结果与当前对目标函数的偏好一致.     

案例推理在认知引擎中的应用

遗传算法可用于认知引擎中传输参数的优化,但随着认知用户数的增加,遗传算法染色体增长,导致算法收敛时间过长,难以满足认知无线电实时通信的需求．以现有认知引擎为基础提出一种新型的认知引擎架构,并将案例推理融入遗传算法中,利用案例推理寻找匹配案例,为遗传算法提供初始种群,减小遗传算法选择初始种群的盲目性．仿真分析结果表明,与仅采用遗传算法的认知引擎相比,融合案例推理的遗传算法构造的认知引擎收敛速度和处理能力有显著提高,效用函数值也有一定增强．     

多目标遗传算法求解认知无线电性能优化问题

认知无线电的性能优化是一个动态多目标优化问题。现有的Bio-CR模型基于遗传算法优化认知无线电的性能,它使用线性加权方法将此多目标优化问题简化为了一个单目标优化问题。针对Bio-CR很难确定每个适应度函数的权值和容易漏掉一些最优解的问题,提出了基于多目标遗传算法的认知无线电性能优化算法CREA。CREA能够根据信道条件和用户服务需求的变化动态地调整传输参数以优化性能,不仅克服了Bio-CR的两个缺点,而且通过保存计算结果进一步减少了遗传算法的运行次数。CREA首先根据信道条件的变化动态确定一组适应度函数,然后运行多目标遗传算法获得一个Pareto-optimal set,最后根据用户服务需求从中选出一个最满意解,并通知认知无线电更新自己的传输参数。Matlab仿真实验证明了CREA的正确性和有效性。     

基于自适应蚁群优化算法的认知决策引擎

认知决策引擎的设计是认知无线电系统中的一项关键技术,它的主要功能是依据通信环境的变化和用户需求动态地配置无线电工作参数。提出了一种基于自适应蚁群算法的认知决策引擎来实现工作参数的最优化配置。该算法在基本蚁群算法的基础上加入了路径选择机制和信息素挥发因子自适应调整机制,保证了算法的全局搜索能力和收敛速度,有效地避免了容易陷入局部最优解的缺陷。仿真结果表明,在不同的环境下基于该算法的认知引擎比GA和ACO算法具有更好的性能。     

基于混合重引力搜索的认知无线电网络协作通信算法

为了提高认知无线电网络的频谱利用效率,提出一种基于混合重引力搜索的认知无线电协作通信算法。将主用户队列平均时延、主用户队列稳定性、次用户平均发送能耗考虑为约束条件,建模次用户数据速率关于传输带宽与传输时长为最大化优化问题。将重引力搜索算法与遗传算法融合,实现高性能的优化算法,对认知无线电协作通信问题进行优化。在重引力搜索的每次迭代中,对每个粒子进行遗传算子的处理,保留重引力搜索健壮性高以及易于实现的优点,同时增强全局搜索能力。仿真实验的结果显示,该算法提高了认知无线电的频带利用率,并且提高了次用户数据传输的连续性与稳定性。     

其于差分进化算法的认知无线电决策引擎

针对认知系统的工作参数调整问题,提出基于差分进化算法的认知无线电决策引擎算法.利用差分算法设置参数少、寻优能力强、不易于陷入局部最优等特点,实现认知系统根据工作环境变化和用户需求自适应调整工作参数.仿真结果表明,在多载波通信系统中,与协进化粒子群算法相比,提出的算法能增强系统的整体性能,提高系统的工作效率.     

基于案例推理的认知自学习引擎

认知无线电与传统无线电的最大区别在于其能够感知环境,主动去学习、适应环境.近年来,对于认知无线电的研究主要集中于多目标优化的配置决策问题.但实际的通信系统可观测到的环境参数有限,且输入输出关系复杂,需要认知无线电通过学习来理解并适应环境.针对上述问题,提出了一种基于案例推理和模拟退火思想的认知决策引擎算法.仿真结果表明...     

基于多频段传感器辅助认知无线电网络的高能效传感器调度算法

在传感器协助认知无线电网络中,传统的高能效传感器调度问题只考虑了一个频段。多频段的传感器调度问题有许多新的研究领域。建立了一种多频段传感器调度问题的模型,提出了一种用于提高认知网络通信容量的基于遗传算法的高能效调度算法。模型考虑了传感器切换频段的能量消耗。在问题模型中,认知基站基于提高能效的目标为每个频段分配一组传感器进行协作感知。基于遗传算法的高能效调度算法通过优化传感器的调度使认知网络达到最大的通信容量,从而达到高能效的目标。仿真结果表明,本文的算法可以比贪心算法以及其他算法取得更高的网络通信容量。     

粒子群优化点匹配算法

点匹配问题一直是计算机视觉,模式识别,医学临床诊断等领域的一项重要基础性工作。本文提出了一种基于粒子群优化算法的准确、快速和鲁棒性的点匹配方法。该方法首先确定两个特征点集的点匹配问题的能量函数,通过最小化该能量函数可以同时得到点集之间的匹配矩阵和映射参数,利用粒子群优化算法求解变换参数。实验表明,该算法适用于点匹配,具有操作方便,可靠性好,不易陷入局部极值等优点。     

Bacterial Foraging Optimization Approach to Portfolio Optimization

In this paper we propose a heuristic approach based on bacterial foraging optimization (BFO) in order to find the efficient frontier associated with the portfolio optimization (PO) problem. The PO model with cardinality and bounding constraints is a mixed quadratic and integer programming problem for which no exact algorithms can solve in an efficient way. Consequently, various heuristic algorithms, such as genetic algorithms and particle swarm optimization, have been proposed in the past. This paper aims to examine the potential of a BFO algorithm in solving the PO problem. BFO is a new swarm intelligence technique that has been successfully applied to several real world problems. Through three operations, chemotaxis, reproduction, and elimination-dispersal, the proposed BFO algorithm can effectively solve a PO problem. The performance of the proposed approach was evaluated in computational tests on five benchmark data sets, and the results were compared to those obtained from existing heuristic algorithms. The proposed BFO algorithm is found to be superior to previous heuristic algorithms in terms of solution quality and time.     

电力系统无功优化中PSO算法的改进研究

针对电力系统无功优化中的PSO算法的特点,采用的信息拓扑结构为环形结构,对PSO算法中的变异算子进行研究.针对环形拓扑结构的PSO算法,其后期收敛精度差是一个常见问题,提出了一种称之为"球面变异"的变异算子,充分利用粒子群迭代后期种群的信息,对变异的方向与速度进行引导,进而建立了变异算子与当代种群适应度之间的关系,明显地提高了算法收敛速度与精度.最后,对陷入局部收敛等问题进行相应的改良,诸如无法达到最优解等问题.使用IEEE14节点系统作为算例进行测试,结果达到优良.     

用于函数优化的最大引力优化算法

提出一种基于牛顿万有引力定理的函数优化方法──最大引力优化算法。该算法通过“引力分组”和“引力淘汰”过程更新搜索体。文中给出4个引理来描述算法的数学基础,同时也给出算法的收敛性证明。此外还对该算法进行改进。最后与粒子群算法、差分算法、郭涛算法进行比较,数值结果显示该算法在解决连续函数优化问题具有较高的性能。     

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替,是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法,遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

改进聚合树的高维多目标降维优化算法

对于高维多目标优化问题,降维优化算法通过去除或融合冗余目标的方法解决算法耗时过多的问题,但同时也会导致算法分布性能下降。聚合树算法定义非参数秩冲突从而可以快速计算出各目标间冲突度,但聚合树算法鲁棒性有待提高,且需要用户自行决策去除冗余目标。针对这些问题,提出数组叠加机制并定义冲突趋势和冲突度误差,以提高算法鲁棒性;通过合并冲突度较低的冗余目标的方法来进行目标降维,并定义降维截止冲突度;与NSGA-III算法结合,以达到对高维多目标问题进行完整降维优化的目的。为检验该算法性能,与其他经典高维算法进行对DTLZ测试函数集的优化对比,实验结果表明,该算法在耗时更少的同时,也具有较为优秀的分布性能和收敛性能。     

电力系统无功优化的柯西粒子群算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出了柯西粒子群算法,并首次将其应用于电力系统无功优化问题.柯西粒子群算法是基于柯西分布的期望和方差均不存在的原理,对每一代粒子的全局极值进行柯西变异,以此来增加种群的多样性,扩大全局最优粒子的搜索区域,以尽快获得适应度更优的个体,从而可以避免算法陷入局部最优解,同...     

解决多目标优化问题的拟态物理学优化算法

提出一种解决多目标优化问题的多目标拟态物理学优化(MOAPO)算法。该算法利用为每个目标赋予随机权重的方法求得全局总目标,由此选取全局最好及最差适应值,并利用拟态物理学优化算法实现对Pareto最优解集的搜索。通过3个典型多目标优化测试函数对MOAPO和MOPSO进行比较,结果表明了MOAPO算法的有效性,特别是在保持解集分布性方面具有较好的性能。