天线基础知识（九）

前面介绍了一种FM和TV发射台（站）通常采用的蝙蝠翼发射天线，这种天线虽然有很多优点，但由于它必须安装在铁塔的顶部，直径不太大的钢桅杆上。这样若要在该塔上还要安装分米波电视（UHF—TV）天线时，无论该天线安装在蝙蝠翼天线的上面还是下面，都会给这两种天线的安装与维修造成相当的困难。再则，由于目前电视广播发展很快，往往在一个城市里要设多套电视节目，也就是说，在一个发射台站里，在一座铁塔上，要布置几套频率的发射天线振子，并要求天线的增益要高（即层数比较多）发射功率又比较大的情况下，而采用蝙蝠翼天线就不太合适，这时就需要另选一种发射天线。     

基于BA-WPHM的滚动轴承两阶段剩余寿命预测方法

为了提高滚动轴承剩余寿命预测的准确性,根据滚动轴承运行过程的两阶段性特点,提出了一种基于蝙蝠算法(BA)和威布尔比例风险模型(WPHM)的滚动轴承两阶段剩余寿命预测方法。首先,构建基于WPHM的剩余寿命预测模型;其次,提出了两阶段极大似然估计法,建立新的似然函数,并利用BA算法进行求解,以提高参数估计的准确性;最后,建立BA-WPHM模型对滚动轴承进行剩余寿命预测。案例分析表明,相比于Newton-Raphson算法、自组织分层猴群算法(SHMA)和独特的自适应粒子群算法(UAPSO),提出的方法参数估计的准确性更高,剩余寿命的预测精度优于支持向量回归(SVR)方法,验证了所提方法的有效性,为滚动轴承维修决策的可行性提供了依据。     

求解高维函数优化问题的交叉熵蝙蝠算法

为改善蝙蝠算法求解高维函数优化问题的全局搜索能力,提高其搜索精度,将交叉熵方法和蝙蝠算法相结合,提出一种交叉熵蝙蝠算法。该算法将基于重要度抽样和Kullback-Leibler距离的交叉熵全局随机优化算法应用于蝙蝠算法中,采用自适应平滑技术提高算法的收敛速度,利用交叉熵方法的遍历性、自适应性和鲁棒性,有效抑制蝙蝠算法的早熟收敛现象。对经典测试函数和CEC2005测试函数的仿真结果表明,该算法具有全局搜索能力强、求解精度高和鲁棒性好等特性。     

整数规划的量子行为蝙蝠算法

蝙蝠算法是一种新型群体智能算法,传统的蝙蝠算法在解决整数规划问题时容易陷入局部最优并出现早熟收敛现象,为了解决这些弊端,提出了一种基于势阱的具有量子行为的蝙蝠算法。论述了算法的优化原理和实现方式,并通过仿真实验,与粒子群算法和量子行为粒子群算法进行性能对比。实验结果表明,量子行为蝙蝠算法不仅能够有效地解决整数规划问题,而且比其他算法具有更好的性能。     

基于云模型和多层权重求解的多粒度语言大群体决策方法

为了解决三阶段装配流水线调度问题,提出一种改进的离散型蝙蝠算法(DBA).针对所提问题的瓶颈期,提出下限理论,改进三阶段瓶颈期的下限公式,并引入调度模型生成初始种群,重新划分蝙蝠的捕食范围(HR),通过捕食行为、迁移行为的改进提高局部搜索能力,以有效提高离散蝙蝠算法的性能.改进K-means聚类算法,将具有最高相似性的蝙蝠进行分组,缩短计算时间,加快算法收敛速度.通过对不同规模实例的仿真实验与对比分析,对机器、产品和组的数量进行测试,验证了DBA的总体性能比其他算法更优;在算法的有效性和解的质量方面,通过对动态控制参数、DHR和精英策略的改进,有效地增强了算法的搜索能力.     

基于自适应多普勒及动态邻域的改进BA算法

蝙蝠算法（Bat Algorithm,BA）是一类新型元启发式算法,针对其在算法后期寻优精度降低、易陷入局部极值的不足,提出一种具有自适应多普勒策略及动态邻域策略的改进算法。根据蝙蝠个体在捕食过程中与猎物间存在的相对运动现象,引入自适应多普勒策略改进频率参数,增强算法全局探索的寻优能力。将动态邻域策略与BA算法有机结合,增加蝙蝠个体寻优结构的多样性,改善算法易陷入局部最优的不足。从理论上分析了改进后算法的收敛性和运算复杂性。在数值实验部分对改进后的算法进行了性能及应用测试：对10个经典标准测试函数在不同维度下进行对比实验,将其应用于求解螺旋压缩弹簧优化设计问题,并与其他算法进行了对比分析。实验结果证明了具有自适应多普勒策略及动态邻域策略的改进算法具有更优的收敛速度、收敛精度以及稳定鲁棒性。     

基于改进蝙蝠算法含分布式电源的无功优化

将分布式电源与传统的配电网电压调节方式相结合,分析包含分布式电源的配电网系统无功优化的问题,并建立了有功网络损耗最低以及电压稳定裕度最大的多目标优化数学模型,利用模糊理论将分布式电源的多目标无功优化问题转换成单目标优化问题,进一步减少了有功网损,提高了电压稳定性。鉴于传统蝙蝠群体易于聚集于局部极值,导致早熟,将混沌序列以及自适应调整策略融入到蝙蝠优化算法中,提出了一种改进型多目标蝙蝠优化算法,利用混沌理论以及动态自适应机制调整的特性,对蝙蝠算法参数进行调整。通过IEEE-33测试系统验证,所提算法具有良好的实用性和适应性,并且也证明了所提模型的实际意义。     

基于蝙蝠算法的改进杂草算法研究

提出了一种新型的混合算法并命名为混合杂草蝙蝠算法(Hybridize Invasive Weed Optimization with Bat Algorithm,IWOBA),该算法在杂草算法的基础上利用蝙蝠算法的回声定位来解决每代种子逐步寻优的问题。其原理是利用种群速度和位置的不断更新,增加种群的多样性,从而达到提高种群的全局收敛性。最后利用6个测试函数对该算法和标准杂草算法进行测试比较。仿真结果表明,IWOBA能够有效克服原算法早熟、易陷入局部最优的缺点,可加快算法收敛速度,具有良好的鲁棒性。     

基于Mamdani型模糊推理的加权质心定位算法

为了提高加权质心定位算法在室内环境中的定位精度,提出使用实际环境中的RSS数据通过蝙蝠算法拟合输入隶属度函数,通过Mamdani型模糊推理获得节点间精确的权值,以提高加权质心定位算法的定位精度。在Zigbee平台上实现了该算法,通过实验比较3种不同的质心定位算法,结果表明:Mamdani型模糊推理因采用经过蝙蝠算法优化的隶属度函数而具有更小的平均定位误差。