结合快速傅里叶变换和线性调频变换的快速波达方向估计

针对阵列信号处理中传统多重信号分类(MUSIC)算法估计信号波达方向(DOA)时运算量庞大,导致其在实时性需求较高的场合应用受限的问题,提出一种结合快速傅里叶变换和线性调频变换的快速DOA估计算法。该算法以降低MUSIC算法谱峰搜索的运算复杂度为目的,首先利用分片搜索的思想并结合快速傅里叶变换对估计的信号子空间矢量进行波束形成,近似估计信号DOA,获取其对应波束指向及该波束指向对应的空域角度范围,避免了对全空域角度范围的谱峰搜索;然后,针对已确定的空域角度范围,结合线性调频变换算法实现信号DOA的精确估计,通过将MUSIC算法中对估计的噪声子空间矢量的加权处理转化为可以快速实现的序列的圆周卷积,降低精确估计信号DOA时谱峰搜索的运算复杂度。理论分析和仿真实验表明:相比于经典的MUSIC算法,所提算法能够在保证信号DOA估计精度的前提下将MUSIC算法谱峰搜索的运算复杂度降至原复杂度的10%以下;对于阵列孔径较大和DOA估计精度要求较高的场景,所提算法的计算效率优势更为明显。     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

基于并行优进策略的差分进化算法

差分进化算法是一种新颖的进化计算技术,为减少用户选择算法控制参数的盲目性和提高算法收敛速度,设计了一种基于并行优进策略的差分进化算法（DEPES算法）．算法随着搜索过程的进行随机动态调整缩放因子和选取差分进化模式;在进行差分操作的并行运算过程中,利用当前代最优个体产生新的试验向量参与竞争选择过程．几个复杂函数的数值实验结果表明,DEPES算法寻优效率高、收敛速度快、对初值具有很强的鲁棒性、对维数具有较好的适应性,尤其是具有避免局部极小的能力,其优化性能优于标准DE算法．     

基于改进多目标粒子群优化算法的发酵过程补料优化控制

提出了一种基于改进多目标粒子群优化算法(MOPSO)的发酵过程补料优化控制方法,并将该方法用于工业酵母发酵过程补料速率的优化控制。改进的MOPSO算法利用约束违反程度信息修正种群的学习进化公式,减缓了部分粒子在约束边界附近的飞行速度,提高了算法的全局搜索能力。仿真实验结果表明,改进的MOPSO算法能够获得最优的补料轨迹,有效地实现了工业酵母发酵过程补料速率的多目标优化控制。     

基于极大极小关联密度的多目标微分进化算法

采用微分进化方法求解多目标优化问题,为了改善解集分布性和提高算法收敛性,提出1种基于极大极小关联密度的多目标微分进化算法。该算法定义了极大极小关联密度。在严格遵守Pareto支配规则的基础上,给出了基于极大极小关联密度的外部档案集维护方法,从而避免或减少最终解集的多样性损失。1种自适应选择策略通过评价个体的关联密度来指导个体优劣的选择过程,在确保最优个体进入下一代种群的同时,尽可能使个体的选择覆盖更广泛的搜索空间。实验结果显示,与多目标均匀多样性差分进化(MUDE)、基于反对称的自适应混合差分进化(OSADE)和非劣排序遗传算法II(NSGA-II)等经典算法相比,该文算法在世代距离(GD)和空间(SP)性能指标上有更好的表现,具有更优的Pareto前沿分布性与收敛性。     

基于改进多目标粒子群优化算法的发酵过程补料优化控制

提出了一种基于改进多目标粒子群优化算法(MOPSO)的发酵过程补料优化控制方法,并将该方法用于工业酵母发酵过程补料速率的优化控制。改进的MOPSO算法利用约束违反程度信息修正种群的学习进化公式,减缓了部分粒子在约束边界附近的飞行速度,提高了算法的全局搜索能力。仿真实验结果表明,改进的MOPSO算法能够获得最优的补料轨迹,有效地实现了工业酵母发酵过程补料速率的多目标优化控制     

基于改进人工蜂群算法的共形阵列波束形成

针对共形阵列中主瓣约束下的波束形成问题,文章提出了一种基于改进人工蜂群算法(Improved Artificial Bee Colony algorithm,IABC)的低副瓣方向图综合算法。算法首先将共形阵列的波束形成问题归纳为一个与目标方向图距离最小化的优化问题。通过引入多维邻域搜索策略,改善人工蜂群算法的局部搜索效率,同时通过增加罚函数来抑制副瓣电平,对权值矢量空间进行搜索,寻求最优权值矢量,最终得到与期望逼近的阵列方向图。实验结果表明该算法能够很好地逼近期望方向图,收敛速度快,为实现共形阵列下的波束形成提供了有价值的参考。     

基于一种新混合群算法(MOHO-SA)的结构主动控制多目标优化研究

基于粒子群(PSO)算法和差分进化(DE)算法提出了一种新的多目标混合群优化算法,对结构主动控制系统的作动器位置、数量与控制器参数进行同步优化.首先,分别采用PSO算法与DE算法进行对应种群的进化,使用庄家法则构造非支配解集,并引入边界点几何中心leader选择机制,同时利用模拟退火算法完成个体进化的二级局部搜索;以随机地震激励下反映结构振动控制效果和控制策略优劣的双指标作为优化目标函数.最后,针对ASCE 9层benchmark模型,采用本文提出的具有二级搜索功能的多目标混合群算法(MOHO-SA)对其主动控制系统进行优化设计,并分别与多目标差分进化算法(MODE)、多目标粒子群算法(MOPSO)、普通多目标混合群算法(MOHA)的优化结果进行对比分析,表明其Pareto解集具有更优的收敛曲线及分布性.     

基于时间反演的运动阵列远场功率合成

首先从理论上分析了时间反演技术运用于运动阵列近场功率合成的可能性及存在的难点和问题建立了基于时间反演技术的运动阵列远场功率合成数学模型。基于此模型,通过对信标信号从不同方向入射情况下的回溯信号波束指向进行仿真,证实了阵列辐射的TR信号可以实现自适应回溯并且比传统相控阵方法形成的合成波束能量更加集中;通过仿真获得单元天线设置为全向天线和有方向性天线时的合成信号主瓣波束3dB宽度,排除了由于阵列与目标点间的相对切向运动导致目标点脱离合成波束主瓣波束覆盖范围的可能性;分析了随机相位误差和波束指向误差对合成效果的影响,仿真结果表明:随机相位误差对回溯信号合成波束指向影响很小,但对信号的合成效果存在一定影响,由信号多普勒频移引起的波束指向误差对信号的自适应回溯影响很小。所得结论可为时间反演技术在远场功率合成的实际运用提供一定的理论依据。     

约束差分免疫克隆算法及其在汽油调合优化中的应用

针对约束多目标优化问题,提出了一种新型的约束多目标优化算法。该算法采用了一种新型约束处理方式,先通过约束违反门限截取种群再依据约束与目标函数值针对不同情况实现对个体的优劣划分。本算法将差分进化与免疫克隆机制相融合,既利用了差分进化从全局角度进行搜索的特点,又利用了免疫克隆机制从优秀个体出发进行局部再寻优搜索的优点,扩大了算法搜索的广度与深度。测试结果表明该算法相比快速非支配排序遗传算法(NSGA-II)具有非常优秀的收敛性与分布性。将提出的算法应用于实际的汽油调合优化中,进一步验证了算法的有效性,可有效减少成本,提高产品质量。     

基于自适应猫群算法的多目标波束赋形

针对大规模阵列天线波束赋形中智能优化算法精度不高、收敛速度不快等问题,提出一种自适应猫群算法.在猫群算法的基础上,使其基本参数根据迭代次数及适应度函数值自适应改变,并在搜寻模式中加入赌轮盘和精英选择相结合的策略,以增加种群多样性.多种智能优化算法的性能仿真对比分析表明,自适应猫群算法具有快速收敛、全局寻优的能力.将该算...     

利用混沌遗传算法的几何约束求解器

提出一种新的混合算法--变尺度混沌遗传算法(MS CGA), 该算法把遗传算法和混沌算法混合在一起, 在不改变GA搜索机制的同时, 根据搜索进 程, 不断缩小优化变量的搜索空间及调节系数, 引导种群进行新一轮进化, 从而产生更优的 最优个体, 改善了GA的性能, 有效地克服了GA存在的问题. 实验表明, 该方法用于几何约束 求解的性能明显高于标准遗传算法及其他混合遗传算法, 取得了令人满意的效果.     

用基因算法实现切削参数的现场实时优化

为了使金属切削加工中,切削参数能实现实时优化保证产品质量和设备效率,提出采用基因算法。它是基于生物进化理论的优化算法,对问题进行全局的、并行的启发式探索优化,因而可以防止收敛于局部最优解,且搜索效率优于其它方法;适用于具有多参数、多约束条件和多目标的切削参数优化。基因算法结合现场实际工况的反馈信息实现了实时优化,在任一不同的生产条件下均能达到最优值。     

基于微分进化的行星际小推力轨道全局优化方法

针对行星际小推力轨道优化问题,提出一种基于改进微分进化的全局优化算法.通过引入试验个体重生成和约束判断选择策略,克服传统微分进化算法中寻优参数和轨道约束违反边界的缺陷.为提高微分进化算法后期收敛效率,提出了基于最优个体信息的变异操作和局部搜索辅助策略.以地球-水星的小推力燃料最省转移为例对所提算法进行了验证.数值计算结果表明:改进的微分进化算法能够快速有效地寻找到全局最优轨道,并且与传统非线性规划和遗传算法相比,具有更高的可靠性和收敛性.     

一种低副瓣稀布阵列天线的方向图综合算法

提出了一种对含有较多单元的稀布直线阵列,以及稀布平面阵列天线进行低副瓣综合的二阶算法。采用迭代傅里叶算法获得一个具有较低副瓣,栅格间距为半波长的稀疏直线平面阵列。针对所得到的稀疏阵列,选择相邻间距大于半波长的单元作为被优化对象,进一步采用差分进化算法,在满足单元间距不小于半波长的约束条件下,对被选中单元的位置和激励相位进行优化来获取具有更低副瓣的稀布阵列天线。根据上述约束条件,在执行完算法的第一步后,阵列中大部分单元的位置已经固定下来,因此,只有少量单元进入下一步的优化进程,从而有效缩减了差分进化算法的寻优空间,加速算法的收敛。基于不同直线阵列和矩形平面阵列的方向图综合结果表明,采用本算法得到的稀布阵列天线,其旁瓣电平值相比文献中已有的结果均表现出不同程度的下降。     

差分进化花朵授粉算法的WSN节点部署策略

针对无线传感器网络（wireless sensor network,WSN）的节点部署问题，提出了一种基于差分进化算法（differential evolution algorithm,DEA）优化的花朵授粉算法（flower pollination algorithm,FPA）：DE-FPA。设计了动态转换概率，自适应平衡全局授粉和局部授粉间的相互转换，提高算法全局搜索能力。优化了全局授粉过程中的步长缩放因子，进一步提高算法收敛速度。为避免算法陷入局部极值，在每次全局授粉或者局部授粉迭代后引入差分进化策略，增加种群多样性，提高了算法搜索能力。实验结果表明，DE FPA收敛速度快、寻优精度高，能够在网络连通的约束条件下，达到较高的网络覆盖率。     

求解大规模可靠性问题的改进差分进化算法

针对差分进化算法典型变异算子的局限,设计了全局加速的变异算子,进而提出全局加速的自适应改进算法.新变异算子能够均衡全局搜索与局部搜索,提高寻优效率.根据差分向量与整个种群分布范围的关系,有针对性的设定变异率值,减缓搜索范围缩小的趋势,保持较高的种群多样性.采用两区间选择策略,通过学习和比较自适应地调整交叉率,使其满足进化搜索的需要,同时提高算法的通用性.将改进算法应用于大规模可靠性问题中,实验结果表明,改进算法在解决大规模系统可靠性问题时具有更好的寻优效果.     

基于A*算法优化的无人水面艇路径规划

为了解决A*算法在无人水面艇路径规划中无约束条件导致的安全问题,提出一种对A*算法的搜索优化和平滑优化方法。首先,对电子海图数据中的海洋环境信息进行提取,采用栅格法建立路径搜索空间的海洋环境模型,并使用坐标对栅格统一编号;其次,引入安全距离约束对A*算法进行搜索优化;最后,通过引入转向角约束,消除冗余节点达到平滑优化的效果。实验结果表明,通过对A*算法的优化处理,提高了无人水面艇路径规划的安全性,满足无人水面艇在复杂环境中全局路径规划的需求。     

粒子群优化算法的改进及数值仿真

提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.     

考虑互耦的改进型Vivaldi天线阵列优化设计

设计了一种改进的Vivaldi天线,采用基于指数和椭圆的混合渐变线方法,实现了天线的小型化设计,同时具有超宽带的性能。将该天线沿x轴组成了一个8元直线排列的天线阵列,采用有源单元方向图方法来考虑天线单元间的互耦,得到的阵列方向图与全波模拟结果吻合很好。与微分进化-连续蚁群优化算法的混合算法相结合,通过调整单元的激励幅度,实现了方向图的综合。与切比雪夫综合方法相比,可以获得更低的副瓣电平,同时减小了全波模拟的计算次数,节省了优化时间。