电波折射误差修正的精确模型与在线算法

电波折射误差是影响靶场测量数据质量的主要误差源之一。受计算机计算速度的制约以及修正的实时性。在目前实际工程中,电波折射误差修正大部分用的是简化模型,严重影响了数据处理的精度。从大气模型入手,建立了精确的折射误差修正模型,并给出了在线算法。仿真结果证明,该方法在保证计算速度的前提下,极大地提高了数据处理的精度。     

基于稳健补偿的卫星数据电波折射误差修正方法

折射误差是观测数据包含的主要误差源之一,也是影响卫星跟踪与控制以及轨道确定精度的主要因素。由于实时观测数据采样格式的不同,同一个采样时间内本应互相匹配的测量元素,因为丢失、干扰等而变得不再匹配,从而使得卫星实时跟踪数据包含的折射误差难以准确修正。提出的观测数据双向稳健补偿方法有效地解决了同一采样时间内测量元素的匹配问题,以及折射误差的修正问题,确保了卫星轨道确定的精度。实测数据计算以及定轨结果检验表明,该方法是有效的实用方法。     

大气折射对高分辨率机载SAR性能的影响分析

对于高分辨率机载合成孔径雷达（synthetic aperture radar, SAR）系统,在电波传播的对流层中由于大气介质的折射率随高度变化,所产生的相位误差将影响其成像性能。分析了对流层大气折射率的变化,采用Hopfield折射率模型,给出雷达与地面目标之间视在距离的计算方法,对大气折射率变化影响高分辨率机载SAR性能的机理进行分析,利用数值计算的方法,给出X波段和Ku波段SAR在不同分辨率下的最大作用距离,并仿真了大气折射影响SAR图像聚焦的实际效果。     

0度及其附近仰角的电波折射误差修正方法

为提高雷达测量精度,对大气介质引起的电波折射误差必须进行修正。针对目前高精度雷达越来越多用于低空或超低空探测,使得雷达仰角一般处于0度左右情况,提出了实用于0度及其附近仰角的电波折射修正方法。该方法利用大气折射指数梯度,采用分部积分法解决了常规电波折射修正方法中因公式中分母为0而无法计算,或迭代次数过多而严重影响计算速度等不足,使得其能够实用于工程实际应用。通过与常规方法修正结果比较,证明了该方法的实效性。     

求解约束优化的模拟退火PSO算法

针对有约束最优化问题,提出了基于模拟退火的粒子群优化(particle swarm optimization simulated annealing, PSO SA)算法。该算法利用模拟退火算法以一定概率接受较差点的概率突跳特性,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性原则进行约束处理,并在模拟退火算法产生新粒子的过程中保留最优不可行解的信息,弥补了可行性原则处理最优点位于约束边界附近时存在的不足。4个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解.     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

基于PSO和ANN的采选品位智能约束优化

根据铁矿采选生产过程,建立了以经济效益为目标函数,资源利用率和精矿产量为约束条件,截止品位和入选品位为决策变量的非线性约束优化模型,将粒子群算法和神经网络集成构成PSO-ANN算法来搜索最优品位组合。PSO-ANN算法包括内外两层:外层采用PSO作为搜索算法,采用基于可行性规则的约束处理技术,更新粒子群个体最优位置和全局最优位置,引导粒子朝最优解方向进行搜索;内层是REG模型、BP神经网络及RBF网络,实现粒子(截止品位和入选品位)到损失率、选矿金属回收率和采选成本之间的映射关系,进而计算资源利用率、精矿总量和净收益。以大冶铁矿为例,研究表明:2008-01~06,最优截止品位为17.5%,入选品位为45.4%,与现行方案相比,其资源利用率提高2%,精矿量增加1.34万t,总现值增加1 125万元。该方法为金属铁矿的品位优化提供了一个全新的思路,具有广泛的应用前景。     

求解约束优化问题的动量粒子群算法

为解决约束优化问题,提出使用双可行域吸引子策略改进动量粒子群算法。该算法只需初始种群中有一个粒子位于可行域内,随着搜索过程的进行,整个种群自动进入可行域内搜索。一方面,在搜索过程早期,由于可行域内粒子少,所有粒子移向相同的吸引子,整个种群迅速进入可行域内。另一方面,随着进入可行域粒子的增多,由于每个粒子使用距本身最近的可行域吸引子,较好地维持了种种群的多样性,避免早熟现象的发生,使算法具有较好的寻优性能。与国际上当前解决约束优化问题的粒子群算法在4个标准约束优化函数上测试比较,实验结果表明本算法取得的最优值要优于其它粒子群算法。

Abstract：

The strategy that two good positions in feasible region worked as attractors was incorporated into momentum particle swarm optimization algorithm in order to resolve constrained optimization problems. The resulting algorithm only requires that one of the initial particles is in the feasible region, and then all particles in the swam automatically move into the feasible region. On the one hand, in the early iterations few particles appear in the feasible region and hence all particles move toward the same attractors, so the particles soon enter into the feasible region. On the other hand, as the number of particles in the feasible region increases, each particle adopts the most near attractor so that each particle has different attractor. Therefore, the algorithm maintains the diversity of the population, alleviates the premature, and hence achieves good performance. The algorithm is compared with other particle swarm optimization algorithms on four benchmark functions. The experimental results show that the solution of the algorithm is better than that of others.     

解决约束优化问题的一种改进PSO研究

为有效求解约束优化问题,提出一种改进粒子群算法（ICPSO）。该算法在处理约束时不引入惩罚因子,而是根据目标函数值和粒子违背约束奈件程度。并根据种群中介体的可行性,采用三种不同的交叉操作对粒子自身最优位置进行操作,同时对全局最优粒子采取变异操作以产生新的学习样本,引导种群的飞行,提升种群跳曲局部最优解的能力。最后,引入一种混合粒子速度更新策略,提升种群向最优解飞行的概率。标准测试函数的仿真结果表明ICPSO是可行的,有效的。     

Improved algorithm of atmospheric refraction error in Longley-Rice channel model

Longley-Rice channel model modifies the atmospheric refraction by the equivalent earth radius method, which is simple calculation but is not accurate. As it only uses the horizontal difference, but does not make use of the vertical section information, it does not agree with the actual propagation path. The atmospheric refraction error correction method of the Longley-Rice channel model has been improved. The improved method makes use of the vertical section information sufficiently and maps the distance between the receiver and transmitter to the radio wave propagation distance, It can exactly reflect the infection of propagation distance for the radio wave propagation loss. It is predicted to be more close to the experimental results by simulation in comparison with the measured data. The effectiveness of improved methods is proved by simulation.     

基于细致化仿生的改进粒子群优化算法

粒子群优化(particle swarm optimization, PSO）算法基本思想是试图通过模拟鸟群觅食中的迁徙和聚集等行为获得连续非线性函数的最佳值,其仿生算法产生于对鸟群寻食过程中飞行方向与飞行速度等的隐喻。近年对粒子群算法经典算法的研究,虽然在速度及精度上有所改进,但由于缺乏细致化仿生（precise bionic metaphor, PBM）,改进效果并不太明显。通过在PSO算法中引入飞鸟寻食细致化行为特征隐喻,即在算法中同时导入满意粒子局地细致化寻优和探索粒子随机寻优过程,进而提出了一种新的基于细致化仿生的改进PSO算法;对改进算法和经典算法进行了性能比较,结果显示所提算法在收敛速度和求解精度方面较经典算法有很大程度的改善。     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

基于改进PSO的保障性社区公共服务设施配置空间优化研究

近年来,房地产价格持续快速上涨,居民住房问题日益突出,为了缓解中低收入居民住房问题,政府兴建了大批保障性社区.而当前保障性社区公共服务设施普遍存在配置不完善,供给滞后,低效与供给过剩同时存在的问题,导致人口入住过程缓慢,入住率低.这不仅影响到居民的生活质量,同时也影响到保障效果的实现及和谐社会的构建.文章以上海市保障性社区为研究对象,在多目标约束条件下,构建了可以清晰表达保障性社区公共服务设施配置空间的多目标微粒群算法(particle swarm optimization,PSO)优化模型,并基于所构建模型,实证分析保障性社区公共服务设施配置优化模拟,在此基础上求出了公共服务设施最优配置方案,这对于提高保障性社区公共服务设施配置的科学性和合理性,完善社区公共服务设施的配置理论,具有较大的理论意义和实践意义.     

基于时差和频差的固定多站定位方法及分析

针对利用信号时差和频差信息的固定多站对运动辐射源定位问题,提出了一种基于加权最小二乘的单次定位解算新方法和基于扩展卡尔曼滤波的多次定位跟踪滤波方法。分析了存在时差和频差参数测量误差条件下的单次定位误差克拉美-罗下限几何分布图,并仿真了多次定位条件下的定位性能,将其与仅测时差定位的性能进行了比较。仿真表明,增加频差信息有助于提高对运动辐射源的定位跟踪精度。     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

基于PSO算法的系统辨识方法

研究了利用粒子群优化(particle swarm optimization, PSO)算法对系统进行辨识的新颖方法.该系统辨识方法的基本思想是将典型数学模型的相互组合而构成系统模型,即就是首先将系统结构辨识问题转化为组合优化问题,然后再采用粒子群优化算法同时实现系统的结构辨识与参数辨识.最后,给出了仿真示例,其仿真结果验证了所给的系统辨识新方法的合理性和有效性,辨识精度高,具有良好的实用性.     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于粒子群算法混合优化的广义预测控制器研究

提出一种基于粒子群算法混合优化的广义预测控制器(generalized predictive control based on particleswarm optimization,简称PSOGPC),将粒子群优化算法(particle swarm optimization,简称PSO)引入到广义预测控制的滚动寻优过程中,有效解决了广义预测控制在被控对象存在约束时难以获得最优预测控制输入及求解复杂的问题。并对普通粒子群优化算法进行了改进,提高了优化过程的求解精度和收敛速度。多种约束情况和对电厂锅炉的主汽温控制系统的仿真结果表明了该方法的有效性和优良的控制性能。