基于自适应变异粒子群优化算法的自适应滤波器设计

本文提出了设计一种基于自适应变异粒子群优化算法的振动信号的自适应滤波模型，然后重点研究了自适应数字滤波器设计的粒子群优化算法及其实现步骤。该滤波模型在计算机仿真测试中，获得了很高的效率和良好的结果。     

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近.实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法.     

采用粒子群优化算法的二阶偏振模色散自适应补偿实验

报道了使用两阶段补偿器的二阶偏振模色散(PMD)自适应补偿实验,采用粒子群优化(PSO)作为自动控制单元的算法,比较、分析了两种结构的PSO算法(全局邻居结构的PSO算法和局部邻居结构的PSO算法)的实验结果。     

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。     

一种基于粒子群优化算法的快速圆检测方法

为了实现以较少的内存资源,快速而准确地进行圆 检测, 提出一种基于粒子群的快速圆检测方法。方法中,以每个粒子作为一个候选圆,采用优化策 略,以粒子 运动、融合更新等操作完成圆的检测。优化策略包括提出使用一种图像分块的策略限 定圆检测的感兴趣区 域,各个图像块的大小由各个块内粒子的生成结果决定,以起到抑制部分噪声的作用。为减 少生成无用粒子的概 率,提高检测效率,提出融入图像金字塔的思想,并以循证的方法对粒子的有效性加以验证 。实验结果表明,本文 方法对于检测手绘的、嵌套的、不完整的或包含有大量噪声的圆,均能起到较好的检测效果 ;能 够在较短的时间内排除众多干扰,准确地进行圆的检测,具有检测速度快、内存消耗小和适 用范围广等优点。     

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.     

基于自适应粒子群优化的粒子滤波跟踪算法

传统粒子滤波算法中在重要性采样部分存在采样粒子位置不精确的问题,可用粒子群优化算法优化,但目前的标准粒子群优化粒子滤波算法会出现粒子局部寻优的情况。对此对算法中的惯性权重和学习因子同时采取自适应调整的方法,平衡粒子的搜索能力以减少这种情况的出现,并且为了解决算法优化后因粒子聚集而造成的多样性缺失问题,对粒子进行随机变异以提高粒子多样性。仿真结果表明,经过改进后的优化算法可有效提高粒子滤波算法的准确性,使跟踪误差减小。     

基于自适应粒子群优化的RBF毫米波信道建模研究

基于毫米波室内无线信道测量数据,将机器学习(machine learning,ML)中的径向基函数(radial basis function,RBF)方法应用于毫米波信道建模中,建立了基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的RBF神经网络信道参数预测...     

基于LMS算法的自适应均衡系统的研究

本文首先阐述了基于LMS算法的自适应均衡系统的理论基础和实现方法,然后利用MATLAB建立了该自适应均衡系统仿真模型,并为此构建了有实用价值的可变多径传输信道模型,基于此建立了系统仿真模型、做出了仿真试验结果并分析了仿真试验结果的意义。     

基于LMS算法的自适应均衡系统的研究

本文首先阐述了基于LMS算法的自适应均衡系统的理论基础和实现方法,然后利用MATLAB建立了该自适应均衡系统仿真模型,并为此构建了有实用价值的可变多径传输信道模型,基于此建立了系统仿真模型、做出了仿真试验结果并分析了仿真试验结果的意义.     

动态自适应微粒群优化算法

群体智能是目前智能领域非常活跃的新兴研究领域,微粒群算法作为其典型的实现形式,受到普遍的关注.本文分析了基本微粒群算法的特点,改善了动态自适应微粒群优化算法,实验结果证明该方法的优越性.     

自适应变异的粒子群优化算法

本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力.对几种典型函数的测试结果表明:新算法的全局收搜索能力有了显著提高,并且能够有效避免早熟收敛问题.     

基于自适应粒子群算法的目标定位方法研究

针对现有定位求解算法复杂和标准粒子群算法易陷入局部最优的缺点,提出了一种基于自适应粒子群算法的目标定位方法.该方法在迭代过程中指数更新惯性权重,择优选择粒子,并根据种群适应度方差值自适应地调整变异概率的大小,增强算法跳出局部最优的能力.仿真结果表明该方法能有效地提高目标的定位精度,在随机噪声干扰方差为0.5的条件下,定位均方误差不超过0.8m.     

自适应分解式多目标粒子群优化算法

为了提高多目标粒子群优化算法解的分布性,文中提出了一种自适应分解式多目标粒子群优化算法(Adaptive Multiobjective Particle Swarm Optimization based on Decomposed Archive,AMOPSO-DA).首先,设计了一种基于优化解空间分布信息的外部档案更新策略,有效提升了AMOPSO-DA的空间搜索能力;其次,提出了一种基于粒子进化方向信息的飞行参数调整方法,有效平衡了AMOPSO-DA的探索和开发能力.最后,将提出的AMOPSO-DA应用于多目标优化问题,实验结果表明,文中提出的AMOPSO-DA能够获得分布性较好的优化解.     

新的自适应免疫量子粒子群优化算法

为了克服粒子群优化算法早熟收敛以及粒子在进化过程中缺乏很好的方向指导的问题,算法中采用了量子技术以及免疫机制来提高粒子群的收敛速度和寻优能力,从而获得了一个新的自适应免疫量子粒子群优化算法.仿真试验表明该算法具有较好的性能.     

基于微粒群的颜色量化算法

将微粒群算法应用于彩色图像的颜色量化.根据种群的进化原理,在RGB彩色空间中对图像像素的颜色值进行聚类,通过迭代寻优确定最优调色板,然后进行像素的颜色映射,从而完成量化工作.仿真实验表明,该算法具有颜色失真小,收敛性好,鲁棒性强和受初始条件影响小等特点,是一种有效的颜色量化算法.     

基于拟熵自适应启动局部搜索策略的混合粒子群算法

在继承综合学习粒子群算法（Comprehensive Learning Particle Swarm Optimizer,CLPSO）全局探索优势的基础上,引入具有高效收敛性能的传统局部搜索（Orthodox Local Search,OLS）方法,提出了基于拟熵自适应启动局部搜索策略的混合粒子群算法（Hybrid Particle Swarm Optimization algorithm with Adaptive starting strategy of Local Search based on Quasi-Entropy,ALSQE-HPSO）.采用拟熵指标解决何时启动OLS这一关键问题.对8个标准函数的10维和20维问题的测试结果,表明了ALSQE-HPSO算法的性能优势.本文提出的算法也与包含两种基于CLPSO的改进算法和一种带OLS的粒子群算法在内的其他6种改进粒子群算法进行了对比,实验结果表明ALSQE-HPSO算法的性能优于对比算法.     

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.