线性离散时不变系统的分数阶相位校正迭代学习控制

针对带有随机干扰的线性离散时不变系统,提出一种分数阶相位校正迭代学习控制算法.设计一种新型相位超前校正与分数阶迭代学习控制相结合的迭代学习控制(ILC)学习律.基于频域分析方法,得到分数阶相位校正迭代学习控制在算法开、闭环两种情况下的频域收敛条件.结果表明:文中算法显著提高了ILC跟踪误差的收敛速度和收敛精度,具有先进性和有效性.     

融合动态收敛因子与黄金正弦的花朵授粉算法

为了解决传统花朵授粉算法收敛精度较低、易收敛到局部最优等问题,提出了融合动态收敛因子与黄金正弦的花朵授粉算法(DGSFPA).在异花授粉中引入动态收敛因子,来提高算法收敛精度.在自花授粉中进行黄金正弦优化,以增强跳出局部最优的能力.通过与其他3种算法在测试函数上的比较,验证了改进算法具有更高的收敛精度和更快的收敛速度.将DGSFPA应用于求解压力容器设计优化问题中,研究结果表明:改进算法所得4个设计变量值均比其他3种算法所得值小,且其总成本比花朵授粉算法减少5270.82元,比人工蜂群算法减少876.72元,证明了DGSFPA的有效性和可行性.     

自适应有源噪声控制算法的研究与实现

FLMS(滤波-XLMS)算法是广泛应用于自适应有源噪声控制技术中的算法,针对该算法收敛速度较慢的缺点,提出一种改进的FLMS算法--FTLMS算法来提高降噪系统的收敛速度.着重讨论了FTLMS算法的原理、实现方法和程序设计.理论分析表明,FTLMS算法具有运算量小,收敛速度快和适应于各种噪声环境的优点.实验结果表明FTLMS算法优于FLMS算法,同时降噪效果也有明显提高.     

基于多输入多输出-正交频分复用系统的动态马尔可夫链蒙特卡罗检测算法

在多输入多输出-正交频分复用系统中,基于马尔可夫链蒙特卡罗方法的贝叶斯多用户检测算法可以有效地抑制多径衰落、载波频偏以及相位噪声干扰,但因收敛速度较慢导致实时性较差.针对这一问题,提出一种动态马尔可夫链蒙特卡罗检测算法.该算法利用系统状态样本间的相关性和所设定的收敛阈值门限,实现动态选取系统状态采样值的迭代收敛区间,以求在确保算法检测性能的同时,进一步提高检测估计运算的实时性.仿真结果表明,该算法具有收敛速度快、误码率低等优点.     

基于BFGS方法的拥塞速率控制算法

针对TCP/AQM对偶性模型采用梯度投影方法调整链路价格收敛速度慢的问题,使用具有更快收敛速度的BFGS方法来进行链路价格的计算,提出一种基于BFGS方法的拥塞速率控制算法.仿真结果证明,利用BFGS方法所设计拥塞速率控制算法具有更快的收敛速度,算法性能优于其它算法.     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解.算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计.     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

用IAA求解约束模型多解问题

针对蚁群优化算法易于陷入早熟收敛和局部求精能力不足的缺点,提出一种用免疫蚁群算法(IAA)寻找最优解的方法.算法基于人工免疫系统原理,设计了具有免疫能力的蚂蚁抗体保持蚁群的多样性,在迭代后期蚁群依然保持进化能力,提高了算法的局部求精能力,使蚁群优化算法在局部开采与全局探索间都取得了更好的平衡.实验结果表明,算法具有良好的优化性能和时间性能.     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

多含水层系统的程序设计及稀疏方程组解法

基于多含水层系统的概念模型,建立多含水层系统数学模型,按五部分提出了多含水层程序总设计思路,针对多含水层结点多的特点,运用共轭梯度算法和SSOR-共轭梯度算法对此进行求解计算,收敛速度较快.     

基于幅相扰动的改进Memetic算法的波束成型算法

为了提高天线波束成型算法的收敛性能,基于改进的Memetic算法对幅相扰动最优权值的搜索,提出了一种新的上行MIMO-SDMA智能天线系统的波束成型算法.仿真结果表明,该算法具有很好的收敛性能和较高的效率,基于该算法的智能天线系统不仅能够对干扰方向进行自适应控零而且还能同时使最大增益主瓣与期望信号的方向一致,使系统的信噪比得到提高,很好地实现上行MIMO-SDMA.     

基于核独立分量分析的盲多用户检测算法

针对DS-CDMA通信系统中的盲多用户检测问题,提出了一种改进的核独立分量分析(KICA)算法.该算法首先将五阶收敛的牛顿迭代公式引入到传统的FastICA算法中,同时还引入了一种新的核函数——混合核函数来解决非线性混合信号的分离问题,从而实现了多用户信号检测.最后将所提出的算法与传统的FastICA算法和KICA算法进行仿真比较.结果表明:所提出的算法不仅收敛速度较快,而且具有较小的误码率.     

基于等级熵的自适应粒子群优化算法

分析了粒子群耗散结构的特性,提出了基于等级熵的自适应粒子群优化(EPSO)算法.在演化过程的前期,针对粒子群优化(PSO)算法具有收敛速度慢、等级熵较大等特点,EPS0采用精英多父体杂交算子来提高算法的收敛速度,使群体形成有序的耗散结构.随着熵的减少.EPSO产生一个微小的混沌给予系统一个外界的负熵,使演化过程向更优适应值的方向发展.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效地求解某些优化问题.     

改进的Elman网络在非线性系统辨识中的应用

通过对Elman网络的研究,提出一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络,给出Elman网络的标准BP学习算法,针对标准BP算法的收敛速度慢和容易收敛于局部极小点的缺点,利用非线性动量项自适应变步长的BP算法进行改进,从而提高算法的收敛速度,避免陷入局部极小点的问题.通过在系统辨识中的应用,表明该网络收敛速度快,模型精度高,并具有较强的自适应性和鲁棒性,适合于动态系统的实时辨识.     

基于最优导频设计的MIMO-OFDM系统信道估计算法

研究了MIMO-OFDM系统中LS、LMMSE准则下的导频辅助的信道估计技术.提出了一种基于最优导频设计并结合SVD分解的改进的LMMSE频域算法.仿真结果表明,采用最优导频设计的简化算法在收敛速度、抗噪声性能和降低算法复杂度方面有很大提高.     

基于蚁群全局优化的二层规划模型与仿真

二层规划问题通常是一个非凸问题,因此在实际工程领域对其进行求解具有极大的困难.研究了问题的本质特征,提出了一种组合设计算法模型——基于蚁群算法求解二层规划问题的全局优化策略.组合算法采用蚁群算法求解上层问题,下层的线性规划问题则采用单纯型算法完成求解.设计的组合算法思路清晰,仿真计算结果表明,该算法有着良好的全局收敛可靠性和较高的收敛速度,是目前求解此类两层线性规划问题的一种有效算法.     

一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.     

一种优化权初值的综合全局寻优快速BP算法

文章在大量实验的基础上,对BP算法中存在学习收敛速度慢的问题进行了广泛的研究,提出了在优化权初值的基础上,将变步长法与模拟退火法相结合,实现一种快速的综合全局寻优的前馈神经网络学习算法.通过在系统建模中的应用,显示了该算法具有收敛快和精度高的特点.