快速差分进化算法

提出一种快速差分进化(FDE)算法.该算法采用根据上一代最优个体确定下一代搜索区间的技术不断更新和缩小搜索区域,从而加快收敛速率,提高收敛精度和鲁棒性.通过对21个极值函数仿真试验分析表明,该算法在问题维数多时,极值函数的收敛速率、收敛鲁棒性和收敛精度明显优于其他算法,且种群初始化形式不影响算法的收敛性能.     

基于快速变分稀疏贝叶斯学习的频谱感知与定位

针对稀疏贝叶斯压缩感知算法存在复杂度高、收敛速度慢等缺陷,提出了一种快速变分稀疏贝叶斯学习的频谱检测与定位算法.该算法在原始问题求解过程中增加了辅助变量,消除了原问题模型中未知变量之间耦合度高的问题.并依据稀疏参数的收敛情况,自适应删除不收敛稀疏参数对应的基函数,从而进一步加快了算法的收敛速度.实验结果表明:该算法在收敛速度和频谱检测精度上有显著的改善.     

基于差分进化算法的收敛性分析

基于差分进化算法的基本原理,采用马尔可夫链分析了该算法的收敛性,论证了该算法能以概率1收敛到全局最优解.利用该算法对3个经典函数进行了数值仿真,结果表明,该算法能够快而有效地收敛到问题的最优解,说明了文章所得结论的正确性.     

基于退火加速的差分进化算法改进及应用

差分进化算法(DE)是一种简单有效的启发式全局搜索技术,为解决DE算法运行过程中存在的算法收敛早熟、收敛速度慢和求解精度不高等问题,提出了一种基于退火加速的差分进化算法.该方法在传统DE算法基础上,以退火概率来增强算法的局部开发能力,并利用Hooke-Jeeves算法加快收敛速度,在充分发挥Hooke-Jeeves算法局部探测能力的同时保持了DE算法的全局性能.仿真结果表明,该算法比基本DE算法收敛速度快、精度高,是一种有效的全局优化算法.     

WGS-84坐标系下改进的广义最小二乘配准算法

针对广义最小二乘算法在WGS-84坐标系中存在收敛速度慢及收敛性能不稳定的问题,提出了一种改进的广义最小二乘算法.该算法以收敛步数作为最小二乘算法中的量测精度加权因子,使得量测精度随着步数的变化而变化,从而实现了收敛步数的减少和收敛之后稳定性的改善,提高了目标跟踪定位的性能.仿真结果表明,改进的广义最小二乘算法优于广义最小二乘算法,进一步验证了该算法的有效性.     

求解稳态N-S方程的Uzawa算法的几何收敛性

Temam提出求解稳态Navier-Stokes方程的Uzawa算法并且证明了算法的收敛性.然而,至今没有算法的收敛率分析.本文证明该算法是以几何级数收敛的.     

求解伪单调型变分不等式的一种投影算法

在投影收缩算法的基础上,通过构造一种超平面,给出求解伪单调型变分不等式的一种投影算法,并证明该算法在变分不等式解集非空且F为伪单调连续映射的条件下是全局收敛的.在该算法生成的序列满足某种误差界条件下,得到算法的收敛率.最后,用数值实验对比所提算法与已知4种算法的收敛效果.     

距离观测方程非线性平差的正则化共轭梯度法

基于稳定泛函约束思想,推导了距离观测方程非线性平差的正则化共轭梯度法.该算法将稳定泛函约束作用于共轭梯度法,解决了共轭梯度法求解病态测距定位方程的不稳定甚至不收敛的问题,提高了正则化数值算法的收敛效率,最后采用模拟数据和水下定位实测数据进行了验证.实验结果表明,该算法具有较好的收敛稳定性,收敛效率优于迭代正则化算法.     

基于正态变异的思维进化计算

将正态变异引入到思维进化计算中, 提出了一种新的基于正态变异的思维进化计算.在算法中采取了自适应策略.试验结果表明该算法具有高效的收敛速度, 并能收敛到全局最优点.与遗传算法(Genetic Algorithm, GA)和传统的思维进化计算(Mind Evolutionary Computation, MEC)进行比较分析, 该算法收敛速度更快, 收敛率更高.     

面向可靠性冗余优化的自适应差分进化算法

针对可靠性冗余优化问题中解的精度低及算法早熟收敛的问题,提出一种自适应的差分进化算法.该算法在原始差分进化算法的基础上修改了变异算子和交叉算子;在进化过程中,缩放因子F和交叉概率CR分别由三角函数实现自适应调节,以提高可行解的多样性及算法的收敛速度.解决了可靠性冗余优化问题解的精度低及早熟收敛问题.实验结果表明,该算法在解决可靠性冗余优化问题上不仅提高了解的精度,且具有更好的稳定性及更快的收敛速度.     

多输入多输出系统中基于多级维纳滤波的均衡算法

基于多级维纳滤波器,提出了一种多输入多输出系统中的降秩自适应均衡算法.该算法利用多级维纳滤波器得到一组子空间基向量,通过子空间投影,把均衡器输出限定在低维子空间内,从而降低了自适应均衡的迭代复杂度,加快了收敛速度.理论分析和仿真表明,降秩均衡算法有效地提高了均衡器的收敛速度,降低了计算复杂度,并在多级维纳滤波器的级数不超过 10 的情况下,就能达到近似满秩均方误差性能.     

多峰函数优化的混合遗传算法

研究了2种基于最速下降法和遗传算法的求解多峰函数优化问题的混合遗传算法,以Schaffer函数的全局优化问题和收敛概率、平均收敛时间和平均收敛值等评价指标检验了混合算法的性能.结果表明混合算法的性能优于单独的遗传算法或最速下降法,采用随机方式选择局部优化个体的混合遗传算法性能在总体上优于从每代群体中选择适应度高的个体进行局部优化的混合遗传算法.     

代数方程求解方法收敛速度比较及对算法健壮性的影响

将交替方向隐式（ADI）、强隐（SIP）及Krylov子空间法中的TFQMR、Bi-CGSTAB方法实施于SIMPLER算法，作为其内迭代求解方法，比较了不同代数方程求解方法的收敛速度，并首次分析了它们对算法健壮性的影响，结果发现：内迭代方法不同，SIMPLER算法所表现出的健壮性也会有较大差异，采用不同的求解方法以及调节求解方法中的参数可以有效调整SIMPLER算法的健壮性．通过对具体算例的研究表明：当SIP方法的抵消参数α取值较高时，能获得比ADI快30％～50％的平均收敛速度，但算法的健壮性减弱；减小α值，在获得与ADI方法相同的收敛速度下，算法的健壮性却能远好于ADI；ILU（0）预处理的Bi-CGSTAB方法收敛速度较ADI平均能快15％～40％；当SIP方法取某口值时也能获得此收敛速度，但算法所表现出的健壮性却差于Bi-CGSTAB方法；ILU（O）预处理的TFQMR方法收敛速度慢于以上各方法，但其健壮性最佳。     

求解可分离凸优化问题的惯性近似松弛交替方向乘子法

基于交替方向乘子法(ADMM)提出了一种求解可分离凸优化可行问题的惯性近似松弛交替方向乘子法(IPR-ADMM).新构造的算法不仅具有提高算法收敛性的优势的惯性外推项,而且引入随机变量以随机加速新步长,从而提高算法的灵活性.并在适当的假设下,证明了算法的全局迭代收敛性.数值实验结果表明,数据维数取值越大,算法收敛越快,...     

混合型方程组的数值解法

针对混合型方程组提出一种新的迭代算法.新算法有如下特点：第一,收敛速度快,同Newton迭代法一样,新算法具有二阶收敛速度; 第二,计算成本低,新算法低于Newton迭代法.在对新算法的收敛性进行严格证明的同时,数值实验还证实,新算法对初始解与精确解的接近程度的要求也比Newton迭代法有所降低.     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

BP神经网络算法探讨

BP神经网络算法是在BP神经网络现有算法的基础上提出的,是通过任意选定一组权值,将给定的目标输出直接作为线性方程的代数和来建立线性方程组,解得待求权,不存在传统方法的局部极小及收敛速度慢的问题,且更易理解。     

利用“栈”原理计算地区开式电网的潮流分布和短路电流

目前普遍采用的潮流算法是从牛顿—拉夫逊法派生的-_Q分解法,该算法对于处理结线较简单的地区开式电网显得程序复杂,而且收敛时间较长,甚至于可能出现不收敛的情况。本文提出一种十分筒单的算法,理论清晰、程序简练、保证精度,快速收敛,易于广大地区电网运行技术人员掌握使用。     

求解方程近似解的改进双曲线型迭代算法

应用双曲线逼近法,在分析了迭代算法思想的基础上,结合过程模拟与系统仿真的实际,推导出求解方程f(x)=0近似根新型迭代算法,并给出了迭代格式和计算方法.计算结果表明,用此算法求解方程的根,收敛速度及稳定性均好于割线法,初值选取范围比牛顿法和割线法宽.此算法的提出对于方程求根的理论分析和工程应用都有十分重要的意义.     

一种快速正交频分复用频率跟踪算法

提出了一种快速的正交频分复用(OFDM)系统载波频率跟踪算法，该方法采用基于变步长的自适应滤波算法。经过频率粗同步后，以变步长的最小均方算法(VLMS)进行频率补偿。在算法的初始使用大的步长值加快算法的收敛速度，然后使用小的步长使残留的频率偏移最小。由于不需要训练序列，故该算法是盲的，没有频带效率损失。仿真结果表明，所提出方案能显著提高误码率性能，高精度的频率偏移估计几乎可以使频率偏移得到完全补偿，且算法的收敛速度比固定步长的算法快得多。