GSVM优化问题的一种新的光滑函数法

提出求解广义支撑向量机(GSVM)优化问题的一种新的光滑函数法,克服了已有算法收敛速度慢且计算结构复杂的缺陷。首先利用最优化理论的KKT互补条件,将GSVM转化为无约束优化问题,然后给出了基于Newton型迭代的光滑函数的迭代方法。给出了这种光滑函数的有关性质、迭代算法的迭代格式及其收敛性。通过理论分析及数值实验证明了该算法对初始点不敏感,且收敛速度快、数值稳定。从而验证了算法的可行性和有效性。     

一类非线性系统在任意初值下的开环D型迭代学习控制

给出了一类非线性时变系统在任意初值条件下采用开环D型迭代学习控制算法时的收敛条件,运用算子理论进行收敛性证明。该算法克服了系统输出信号跟踪期望输出依赖于期望状态和期望输入的缺陷,解决了迭代学习控制中的初始状态问题,而且收敛条件放宽了,给出了仿真研究实例,研究结果说明该算法的有效性。     

图像分割问题的梯度投影算法

针对Berkels提出的无约束严格凸的图像分割模型,在Bermudez-Moreno对偶算法的基础上提出了一种不仅易于实现并能快速得到全局极小值的梯度投影算法.首先,解释了Bermudez-Moreno对偶算法可用于模型问题的求解并推导出迭代计算格式;然后,证明了迭代格式的收敛性并分析了其收敛速度;最后,仿其实验表明了所提出算法能够有效地、快速地求解图像分割问题.     

PGAs求解双层规划及其在分销系统优化设计中的应用

研究并行基因算法求解双层规划问题及其在供应链物流分销系统优化设计中的应用.利用下层优化问题的KKT条件把双层规划问题转化为等价的单层规划问题,再利用并行基因算法对得到的单层规划问题进行全局优化,从而得到双层规划问题的全局最优解,最后,通过具体案例研究了上述算法在供应链物流分销系统优化设计中的应用.结果表明,并行基因算法求解双层规划,充分利用了现有计算环境的并行能力,加快了收敛速度,改善了基因算法的全局收敛性能,算法达到了实用化的规模,是一种很有应用前景的计算方法.     

基于正交小波变换的超指数迭代盲均衡器设计与仿真

针对常数模(Constant Modulus Algorithm,CMA)算法收敛速度曼、稳态误差大的特点,在分析超指数迭代(Super-Exponential Iterative,SEI)算法的基础上,结合正交小波变换理论,提出了基于正交小波变换的超指数迭代盲均衡器设计方法.该方法充分利用SEI算法对数据白化作用和正交小波变换良好的去相关性能,加快了收敛速度、减小了稳态误差.时变信道盲均衡仿真结果,验证了该方法的有效性.     

匹配场反演后验概率分析

构造了一种基于并行优化算法的后验概率分析算法，用于对匹配场反演结果进行定量的概率分析。应用并行优化算法的强收敛特性，解决了统计计算中常出现的收敛标准难以确定的问题；应用优化算法高度并行、种群个体收敛高度一致的特性，较好的解决了高维统计计算中样本数量与计算时间、样本数量与样本质量之间难以协调的问题。匹配场反演仿真算例表明，该算法能有效对反演结果进行概率分析。     

奇异摄动滞时微分方程的一致收敛数值方法

提出了求解线性奇异摄动滞时微分方程基于指数拟合技术的一致收敛和最佳一致收敛的数值方法，并证明了方法的一致收敛性。利用线性化的思想，并结合Newton-Raphson迭代，构造了求解非线性奇异摄动滞时微分方程相应的一致收敛的算法．数值例子验证上述理论结论的正确性。     

一种基于FC-CE-SLM降低系统PAPR的低复杂度算法

通过在选择性映射算法(SLM)中引入交叉熵(CE),可以得到最优的符号序列,使SLM算法降低OFDM (Orthogonal Frequency Division Multiplexing)系统峰均功率比的效果达到最优.在CE-SLM (Cross Entropy-Selected mapping)算法实现的过程中,需经过多次迭代运算,势必增加了算法的复杂度.拟在CE-SLM算法中引入一个快速收敛因子,使得系统中的采样概率快速收敛到0或者1的状态,降低了优化符号序列所需的迭代次数.仿真结果表明:改进算法在保持与CE-SLM算法降低PAPR (Peak-to-Average Power Ratio)效果一致的情况下,降低了得到最优符号序列所需的迭代次数,使得算法的复杂度得到有效降低.     

灰色二层线性规划问题及其解法

针对二层线性规划问题, 结合灰色系统的特性,提出了一般灰色二层线性规划问题, 并给出了该问题的模型及相关的定理.针对漂移型灰色二层线性规划,基于单纯形法提出了一种具有全局收敛性质的算法来求解该问题.用下层的Kuhn-Tucker条件代替下层问题,将灰色二层线性规划转化为灰色单层规划问题,利用对偶理论将该单层规划转化为一系列灰色线性规划问题,从而用单纯形法求解该问题来得到灰色二层线性规划问题的解. 最后,通过算例验证了文中算法的有效性.     

求解非线性方程组的异步并行 拟牛顿迭代算法的收敛性分析

本文给出了MIMD多处理机上的求解非线性方程组的异步并行拟牛顿迭代算法的收敛性分析,给出了收敛的充分性条件。     

基于高斯—牛顿法改进的复合双基地雷达目标空间定位算法

针对复合双基地雷达系统的目标空间定位问题,提出了一种基于高斯-牛顿迭代的改进算法。该算法利用所有的观测数据构成非线性最小二乘定位方程,将精度最高的一组测量子集的解析解作为迭代初始值,从而比经验值更逼近真值,引入了变步长法使迭代迅速收敛,给出了应用该算法的具体步骤。仿真实验证明该算法提高了目标位置解的准确性,保证了迭代的收敛性。     

基于压缩感知的稀疏多径信道估计

提出了一种基于压缩感知理论的稀疏多径信道估计方法。利用训练序列设计了一种简化的Toeplitz结构观测矩阵,证明了观测矩阵满足限制等距特性,可以作为压缩感知的观测矩阵。根据此矩阵的近似正交性特点对正则化迭代硬阈值算法进行简化,并引入精英策略提出一种归档正则化迭代硬阈值估计算法。仿真结果表明,该估计方法相对于迭代最小二乘法具有更优的性能,且提出的归档正则化迭代硬阈值算法兼具收敛速度快和稳定性高的优点。     

Adaptive adjustment of iterative learning control gain matrix in harsh noise environment

For the robustness problem of open-loop P-type iterative learning control under the influence of measurement noise which is inevitable in actual systems, an adaptive adjustment algorithm of iterative learning nonlinear gain matrix based on error amplitude is proposed and two nonlinear gain functions are given. Then with the help of Bellman-Gronwall lemma, the robustness proof is derived. At last, an example is simulated and analyzed. The results show that when there exists measurement noise, the proposed learning law adjusts the learning gain matrix on line based on error amplitude, thus can make a compromise between learning convergence rate and convergence accuracy to some extent: the fast convergence rate is achieved with high gain in initial learning stage, the strong robustness and high convergence accuracy are achieved at the same time with small gain in the end learning stage, thus better learning results are obtained.     

用于双基地雷达目标定位的全局收敛高斯-牛顿法

考虑了双基地雷达目标定位问题中的非线性最小二乘方程组的迭代解法。用高斯 牛顿迭代法解非线性最小二乘方程组计算量小、收敛快,但所得解的正确性及精度依赖于选取的迭代初值与真值的靠近程度,及方程组的非线性强度。给出了两种变步长全局收敛策略,与高斯-牛顿法相结合可得到对初值不敏感的迭代算法。仿真结果表明,用全局收敛的高斯 牛顿法解最小二乘方程组能得到更准确的解,且迭代次数较少。     

基于极坐标编码的改进人工鱼群算法

针对人工鱼群算法收敛速度慢、求解精度低及易陷入局部最优的问题,提出了一种改进的人工鱼群算法。为提高求解精度,算法采用极坐标编码形式增加单个母体解空间表达的多样性,在迭代求解过程中根据适应度值依概率调整极角,逐步降低观测结果的不确定性。通过对三种行为方式进行调整,去除影响搜索方向性的随机移动行为,将搜索重点集中在最优解邻域内,有效降低算法重搜索的可能性,以提高算法的收敛速度。实验结果表明,该算法在收敛性和稳定性上优于基本人工鱼群算法、自适应人工鱼群算法和生境人工鱼群算法,验证了算法的有效性。     

基于LDPC 码的迭代相位同步技术研究

在分析符号先验信息对EM 算法收敛特性影响的基础上,提出了一种基于非规则低密度奇偶校验 (low-density parity check, LDPC) 码的迭代相位同步算法。由于EM 算法的收敛速度与译码器提供的信息量密切相关,新算法利用非规则LDPC码的不等度分布特性,其度数高的变量节点在初始译码过程中能快速正确译码并为期望最大（expectation maximization, EM）同步器提供高可靠的先验信息,从而改善EM 同步器的收敛性能。仿真表明,基于非规则LDPC 码的EM 迭代同步算法具有更大的相位估计范围和更快的收敛速度。     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

全局收敛的投影单纯形方法

对于线性约束、非线性目标的优化问题，文献［１］的作者以极小化条件代替求正交投影的一组正交条件，并用一个特殊的线性规划模型来确定迭代方向，由此给出了一个算法。但文献［１］没有讨论算法的收敛性，且一般说来，这种算法不具备收敛性质［５］。本文沿用［１］的迭代方向ｄ（ｘ）的表示形式，给出了一个新的算法，讨论了算法性质，证明了算法具有全局收敛性.     

元胞蚂蚁算法的收敛性分析

提出一种新的优化算法，元胞蚂蚁算法，该算法将元胞自动机的邻居和规则引入传统的蚂蚁算法，实验结果证明该算法可行且有效，有良好的全局优化能力。定义元胞蚂蚁算法的求解迭代过程为一个概率测度空间中的随机算子，利用随机不动点理论，证明了该算子为连续压缩算子，存在唯一的随机不动点，从而给出了元胞蚂蚁算法的收敛性的论证，为算法奠定了相应的理论基础。     

存在基站误差的稳健时差定位算法

针对存在基站误差的目标无源定位问题,提出了一种基于修正牛顿算法的时差定位技术。众所周知,牛顿法对初值要求较高,较差初值会导致迭代发散,而且基站位置误差也会导致牛顿算法Hessian矩阵维数扩大和目标函数的缓慢下降,使运算量变大。该算法利用最大似然方法确定目标函数,运用牛顿法对目标位置进行迭代求解,对于计算过程中可能出现的病态Hessian矩阵,引入正则化理论修正病态的Hessian矩阵,使保证迭代收敛,同时简化算法降低Hessian矩阵的维数并且加速目标函数的下降趋势,使目标位置解脱离局部最小值,算法能够稳健高效的运行。实验结果表明:相对于传统牛顿法,此算法在初始值的选取上具有稳健性,对误差选取较大的初始值,仍能够保证算法的收敛性,同时加速了收敛速度,降低了计算量;相对于现有闭合式定位方法,此算法在噪声较大时具有较好的定位精度。