PSO和ABC的混合优化算法

通过将粒子群优化(Particle Swarm Optimization,PSO)算法与人工蜂群(Artificial Bee Colony,ABC)算法相结合,提出一种ABC-PSO并行混合优化算法。在每次迭代中,将种群分为两个子种群,一个子种群使用PSO算法,另一个子种群使用ABC算法,两个算法寻优后进行比较,选出最优适应值。通过混合算法对4个标准函数进行测试,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。     

混沌云模型多目标布谷鸟搜索算法

针对多目标布谷鸟搜索算法（MOCS）迭代后期寻优速度慢,并且容易造成局部最优等缺点,提出一种混沌云模型多目标布谷鸟搜索算法（CCMMOCS）。首先在进化过程中通过混沌理论对一般的布谷鸟巢位置在全局中寻求优化,以防落入局部最优;然后利用云模型对较好的布谷鸟巢位置局部优化来提高精度;最后将两种方法对比得到相对更好的解作为最优值以完成优化。对比误差估计值及多样性指标,由5个常用多目标测试函数仿真结果可知,CCMMOCS比传统多目标布谷鸟搜索算法、多目标粒子群算法（MOPSO）及多目标遗传（NSGA-Ⅱ）算法性能更好,Pareto前沿更接近理想曲线,分布也更均匀。     

混沌背景下瞬态弱信号检测方法的研究

混沌背景中的微弱信号检测在通信、自动化等需实时处理领域中有很广阔的应用前景,也是目前的热点研究课题。利用背景信号为混沌信号这一先验知识,对基于混沌理论的混沌背景下弱信号检测的一般原理进行了研究,介绍了其近些年来的研究现状,分析了五种典型的混沌背景下瞬态弱信号检测的方法,并提出了今后进一步研究的方向。     

人工蜂群算法改进DHMM的语音识别方法

针对离散隐马尔可夫(Discrete Hidden Markov Model,DHMM)语音识别系统中LBG算法对初始码书的依赖性和易陷入局部最优解的问题,采用人工蜂群(Artificial Bee Colony,ABC)算法对语音特征参数进行矢量量化,从而得到最优码书,提出了ABC改进DHMM的孤立词语音识别方法。先提取语音信号的特征参数,然后用ABC算法中每个食物源表示一个码书,以人工蜂群进化的方式对初始码书进行迭代而获得最优码书,最后把最优码书的码矢标号代入DHMM模型进行训练和识别。实验结果表明,ABC改进的DHMM语音识别方法与传统的LBG及粒子群优化初始码书的LBG的DHMM语音识别方法相比具有较高的识别率和较好的鲁棒性。     

协作多输入多输出环境反向散射通信系统遍历速率分析

针对传统物联网（IoT）能耗大、频谱资源稀缺的问题，提出了由环境反向散射、协作接收机（CRx）和环境射频（RF）源共同构建的协作多输入多输出环境反向散射通信（MIMO-AmBC）系统模型。首先，通过使用PSR方案对该系统模型进行分析，推导出信噪比（SNR）；其次，推导出主链路和反向散射链路的遍历速率近似表达式，并得到反向散射链路遍历速率最大值表达式；最后，将其与传统蜂窝网络、CSR方案作对比。实验结果验证了理论推导的正确性并给出有意义结论：1）反向散射链路速率随接收天线数对数增长，与发射天线数无关。2）在SNR为10 dB时，PSR方案的和速率比传统方案、CSR方案分别提升36.8%和29.9%，虽然PSR方案的主链路速率比CSR方案降低5.5%，但反向散射链路的遍历速率比CSR方案提升7.7倍。为实际应用选取AmBC共生方案提供了理论参考。     

人工蜂群算法的收敛性分析

利用随机过程理论,对人工蜂群算法收敛性进行理论分析,给出人工蜂群算法的一些数学定义和蜜源位置的一步转移概率,建立人工蜂群算法的Markov链模型,分析此Markov链的一些性质,论证了人工蜂群状态序列是有限齐次Markov链,且状态空间是不可约的。结合随机搜索算法的全局收敛准则,证明了人工蜂群算法能够满足随机搜索算法全局收敛的两个假设,保证算法的全局收敛。     

混沌布谷鸟搜索算法在谐波估计中的应用

针对布谷鸟搜索（CS）算法存在后期收敛速度慢、计算精度不高和陷入局部最优等缺点,提出了混沌布谷鸟（CCS）算法。首先,通过混沌理论初始化种群来增加种群多样性;然后,对局部最优值引入混沌扰动算子来跳出早熟收敛,提高计算精度,进而完成全局优化。对4个单目标基准函数进行仿真测试,对比最优值、最差值、平均值、中位数值及标准差值,结果表明,基于CCS算法比CS算法有更快的收敛速度和更高的收敛精度。在电力系统中谐波问题成分引起电流波形畸变,电网不稳定。精确分析谐波成分是解决谐波污染的重要前提。将性能更好的CCS算法应用于谐波估计,通过比较估计均值及标准偏差,结果显示在分析谐波电流时CCS算法相比粒子群优化（PSO）算法具有更好的性能。