带约束PSO算法的最优多带协作式频谱感知

针对无约束粒子群优化(PSO)算法在进行多带协作频谱感知时存在难以控制系统总干扰的问题，设计了一种带约束PSO算法的最优多带协作式频谱感知方法.该方法通过引入惩罚函数，将带约束条件下的优化问题转化为无约束优化问题.仿真实验结果表明，相对于无约束PSO算法，带约束PSO算法能够解决带约束的多带协作式频谱感知问题，所得最优解满足约束条件，避免造成总干扰过大.     

雷电定位计算的粒子群优化方法

针对雷电定位问题,引入粒子群优化(PSO)算法用于雷电定位计算.给出了利用这种算法进行雷电定位的计算步骤,并提出用PSO算法和传统迭代算法协作计算雷电位置的方法.通过数值仿真分析和电网雷击事故定位计算分析了PSO算法的性能.结果表明:该算法能克服传统迭代方法易于发散的缺点,稳定并精确地求解出雷电发生位置;该算法的计算量大于迭代方法,但比网格搜索法要大幅减小;利用PSO算法给出雷电定位初始值,再用迭代方法求解可保证计算稳定并减少计算量.     

一种基于非线性系统的动态感知系数的自适应粒子群优化算法

在优化非线性复杂系统问题中,智能算法已成为一种重要手段.提出了一种基于动态感知系数的自适应粒子群优化(particle swarm optimization,PSO)算法(self-tuning PSO,SPSO),将PSO算法的感知系数与神经网络算法结合,并于在线学习训练过程中动态调整感知系数,改善了PSO算法的计算效率以及全局收敛效率.进一步将2个相互关联的神经网络——比例积分微分(proportion integration differentiation,PID)神经网络及SPSO神经网络结合起来,使其能有效解决非线性控制模型的问题.为了验证该算法,引入了4个仿真例及2种PSO优化算法——传统PSO(conventional PSO,CPSO)和修正PSO(modified PSO,MPSO),来比较SPSO算法在解决控制问题中的非线性复杂系统的高效性,结果显示SPSO算法有较好的全局收敛性能、收敛速度以及较强的鲁棒性.     

差分头脑风暴算法及其在频谱感知中的应用

为了有效求解连续优化问题,基于差分进化算法和头脑风暴优化算法的智能演进原理,提出一种新的全局搜索算法,即差分头脑风暴算法。通过4个经典的基准函数对该算法进行测试,并将该算法应用于频谱感知这个认知无线电领域的热点问题,提出基于差分头脑风暴的协作式频谱感知算法。使用差分头脑风暴算法、头脑风暴算法、混合蛙跳算法以及粒子群算法进行仿真对比。仿真结果表明,所提出的算法基于设计的创新方程,具有很强的全局收敛能力,能够显著改进头脑风暴算法的性能;基于差分头脑风暴的频谱感知检测概率比其他算法都高,且收敛速度比头脑风暴算法提高至少3倍。     

一种基于压缩感知的非重构频谱检测新算法

提出了一种基于压缩感知的非重构频谱检测算法,将压缩感知处理得到的观测值直接用于主用户检测,解决了宽频主用户信号的检测问题.文中定量分析了检测性能,并通过认知用户的协作频谱检测对算法进行了改进.仿真结果表明,该算法在信噪比大于0 dB环境下具有良好的检测效果,协作检测法可作为低信噪比环境下算法的有效改善途径.此外,相比于基于重构的频谱检测算法,该算法大大降低了数据量和算法复杂度,显著缩短了检测时间.     

基于改进杂草优化算法的最优线性协作频谱感知

线性加权协作频谱感知模型下,针对虚警概率最大化检测概率的问题,提出了一种基于改进入侵性杂草优化算法的协作频谱感知方案。算法中的可行解与频谱协作感知模型中的权重向量相对应,通过寻求最优权重向量,来达到最大化检测概率的目的。同时将改进后的杂草算法与传统的杂草算法及基于修正偏差因子方法性能进行对比。结果表明,改进后的杂草算法可根据当前噪声环境合理分配系统的权重系数,以较小的迭代次数找到更优的权重向量,在虚警概率一定的前提下,获得高的检测概率,其性能优于原始MDC算法。     

基于自选信任度的簇加权协作频谱感知算法

协作频谱感知技术可以有效地克服多径衰落、阴影及隐蔽终端等问题,但在协作频谱感知中,存在系统控制信道带宽消耗较大,计算复杂等问题。为了解决以上问题,对传统的指数加权和指数信任度函数中的权值系数做了修正,在传统簇加权协作频谱感知算法的基础上,提出了一种基于指数加权和互信任矩阵的自选信任度的簇加权协作频谱感知算法。仿真结果表明,该算法在保证较好检测概率的同时,能够有效地节省控制信道带宽,并保证系统的可靠性和有效性。     

宽带认知无线电网络分布式协作压缩频谱感知算法

针对宽带认知无线电网络中压缩频谱感知算法在低信噪比环境下频谱检测性能下降的问题,提出了一种基于高斯过程的分布式压缩频谱感知(PBCS)算法.首先应用层次化的正态分布概率模型来表示压缩频谱的重构,然后各个认知无线电用户交换模型参数并结合本地的压缩采样数据进行压缩频谱感知.有别于其他直接融合频谱感知结果或检测数据的协作式算法,PBCS算法通过模型参数融合来进行协作,能有效减小信噪比低的协作用户的影响,从而提高算法的抗噪性.仿真结果表明,PBCS算法可以在-5dB的信噪比条件下达到检测概率大于0.9、误检概率为0.1的频谱检测性能.     

一种基于分数低阶矩的α稳定分布噪声中频谱感知方案

针对在非高斯背景、主用户信息未知的条件下,传统的基于二阶统计量的频谱感知方法性能将出现退化或失效的问题,建立了以α稳定分布为背景噪声的频谱感知模型,给出了一种基于分数低阶矩的感知方法,较好地解决了非高斯背景中主用户先验信息未知条件下的频谱感知问题.同时,根据中心极限定理推导了感知门限与虚警概率的关系式,通过蒙特卡洛仿真分析了该算法在不同广义信噪比、特征指数α以及协作用户数条件下的感知性能,并与传统的感知方法进行比较.仿真结果表明,基于分数低阶矩的感知方法在α稳定分布背景噪声中的感知性能明显优于基于二阶统计量的能量检测,且采用多用户协作可以进一步提高感知性能.     

一种具有自适应迁移能力的多粒子群协同优化算法

基于群熵的概念提出了一种具有自适应迁移能力的多种群PSO算法.对2个著名的基准函数进行测试,结果表明:与经典PSO和多种群协同PSO等算法相比,新算法能更有效地控制粒子群的多样性,从而提高了算法的收敛精度,改善了算法的优化性能.     

基于粒子群优化算法的宽带频谱感知方案设计

针对宽带频谱感知问题,构建了系统优化模型.该模型通过寻找最优的权重系数,提高最大化系统吞吐量.考虑到优化模型目标函数的非凸性,提出基于粒子群算法的求解方法.对比分析了次级用户数目、采样点数目以及子频段数目等参数对宽带频谱感知算法性能的影响,仿真结果验证了该算法的有效性.     

基于改进微粒群算法的飞机纵向飞行轨迹优化

为提高飞机纵向飞行轨迹优化的精度和收敛速度,提出了用改进的微粒群算法对飞机纵向飞行轨迹进行优化的新方法。基于质点动力学和能量状态方程,建立了飞机质点运动数学模型;利用庞特里亚金最小值原理,给出了飞机纵向飞行过程优化的目标方程;引入自适应惯性因子,采用罚函数法对轨迹寻优问题进行无约束化处理,基于改进的微粒群算法对纵向飞行轨迹进行了优化,并给出了算法优化流程。使用改进的微粒群算法,得到了Boeing 737-800飞机纵向飞行最优轨迹。优化结果与试验结果的比较表明,该算法可使纵向飞行轨迹快速收敛于最优解,算法具有收敛速度快、精度高的优点。     

基于贝叶斯判决规则的异步合作频谱感知新算法

依据认知无线电中授权频谱占用情况的On-Off模型,提出了一种新型的合作频谱感知算法。该算法将次用户在不同时刻的软判决结果传输给数据融合中心,在考虑到不同认知节点具有不同信噪比的情况下,将On-Off模型求得的贝叶斯融合似然比作为感知权重对各认知用户的感知结果进行数据融合。理论分析与仿真结果表明,相比传统的同步合作感知算法,该算法具有合理性更强、可靠性更高、检测性能更优以及代价更少等优点。     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

粒子群算法在金融风险模型中的研究与改进

在一种非线性金融风险模型中引入粒子群算法,针对粒子群算法在迭代后期搜索能力不高、粒子容易陷 入局部最优的问题,基于对惯性权重的优化以及对每个粒子个体位置变异,提出一种改进后的粒子群算法。 利用粒子群算法选择最优控制参数,以最大程度降低金融系统的总风险值。仿真结果表明,改进后的粒子群算 法在全局最优以及搜索速度方面优于传统的粒子群算法。     

全局粒子群优化算法

针对粒子群优化算法在解决大维数的无约束优化问题时具有较差的收敛性和稳定性,提出了一种全局粒子群优化(GPSO)算法.GPSO算法引入了一种新的惯性权重,它被定义为一个指数型函数与一个随机数的乘积,这有利于维持算法的全局搜索和局部搜索.同时,GPSO算法对全局最优解进行了小的扰动,这可以有效地避免算法早熟.使用三种粒子群优化算法来解决6个无约束优化问题.仿真结果说明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力.     

基于PSO的PID参数整定仿真与研究

针对工业控制过程中经验PID整定耗时耗力、精度低且稳定性能差等问题进行研究,提出采用标准粒子群算法可实现对PID控制器参数的快速优化且收敛效果明显;通过重点分析PSO算法中的不同惯性权重以及学习因子分别对被控对象系统控制优化性能的影响,深入研究算法参数各部分的作用及其设置范围,使基于PSO算法的PID整定方法能够获得最优的控制效果及更广阔的应用前景;最后,应用Matlab软件平台,并结合Simulink系统进行算例数字仿真分析:通过对比不同惯性权重及学习因子情况下的仿真结果,证明方法的鲁棒性强;通过对比传统Z-N方法和遗传算法整定,证明了方法的优越性。     

基于混合优化算法的最大功率点追踪方法

针对部分阴影条件下粒子群优化（PSO）算法追踪最大功率点时间较长与功率波动大的问题,提出一种基于万有引力与粒子群混合优化(GPSHO)算法的最大功率点追踪（MPPT）方法。该方法将万有引力搜索算法引入粒子群算法,在迭代过程中通过调节PSO算法的惯性权重、认知因子和社会因子提高算法的收敛速度,实现追踪全局最大功率点。仿真与实验结果表明:该方法能够在不同光照情况下精准地追踪全局最大功率点,其搜索速度大约比基于自适应惯性权重粒子群(APSO)算法的MPPT方法快１倍,功率振荡亦更小。     

基于改进LSSVR模型的移动节点定位技术研究

针对最小二乘支持向量回归(least squares support vector regression,LSSVR)模型在移动节点定位过程中存在难以确定最优参数的不足,提出一种基于改进粒子群算法优化LSSVR模型的定位方法.通过最小二乘支持向量回归机构造节点定位的模型,自适应调整惯性权重以及学习因子来提高粒子群算法的寻优性能,并将其应用到LSSVR模型的参数优化中,避免参数选择的盲目性.根据接收信号强度指示(received signal strength indication,RS-SI)测距技术获得节点移动过程中的距离向量,将其输入LSSVR定位模型,估计出未知节点的坐标.仿真结果表明,相对于LSSVR与PSO-LSSVR算法,所提算法的定位精度分别提高了25.9％和19.7％,具有较好的定位稳定性与实时性.     

认知无人机网络中多机协作频谱感知研究

多无人机协同工作模式在未来通信中有着重要的应用前景。结合频谱资源短缺的问题,建立认知无人机网络模型,并研究多机协作频谱感知性能,提出一种最佳融合准则来优化检测性能。针对无人机数量较多的大型认知无人机网络,提出一种快速高效的协作频谱感知算法,并比较该算法在瑞利衰落以及Nakagami衰落2种信道环境下的性能。仿真结果表明:①采用最佳融合准则可以使协作频谱感知总错误率达到最小;②快速协作频谱感知算法可以利用较少的无人机来保证协作频谱感知的检测准确度,避免了不必要的感知过程,减少了参与协作频谱感知的次级用户数量,降低了协作感知时间,从而节省了感知过程开销,而且相比于瑞利衰落信道,该算法在Nakagami衰落信道环境下具有更好的性能。