基于PSO_MP算法的电力线信道模型参数识别方法

针对低压电力线信道模型的多参数识别问题,提出了一种基于粒子群优化的匹配追踪算法(particle swarm optimization_ matching pursuit, PSO_MP)。匹配追踪算法(matching pursuit, MP)实现过程简单,但是计算复杂、计算量比较大;粒子群优化算法(particle swarm optimization, PSO)具有全局搜索能力强、收敛快等优点;将两者结合使用不仅可以提高信道模型参数辨识精度,而且还可以提高系统收敛速度。针对传统的高斯原子数目较大的问题,设计了一种新的原子结构。仿真实验表明,基于PSO_MP的模型参数识别精度高,验证了该算法的可行性和优越性。     

基于联邦迁移学习的应用系统日志异常检测研究

迄今为止，基于日志的异常检测研究已经取得了很多进展，然而，在现实条件下仍旧存在两个挑战：（1） 是日志数据通常以“数据孤岛”形式储存在不同的服务器上，单一公司或组织的日志数据中异常样本量不足，且异常模式较为固定，很难通过这些数据训练出一个准确率高的检测模型. 为了解决这个问题，将不同来源的日志数据整合成更大的数据集可以提高模型训练的效果但可能会在数据传输过程中产生日志数据泄露问题；（2） 是不同应用系统类型的日志数据通常在结构和语法上存在差异，简单地整合并用于训练模型效果不佳. 基于以上原因，本文提出一种基于联邦迁移学习的日志异常检测模型训练框架LogFTL，该框架利用基于匹配平均的联邦学习算法，在保证客户端数据隐私安全的前提下于服务器聚合客户端的模型参数形成全局模型，再将全局模型分发给客户端并基于客户端的本地数据进行迁移学习，优化客户端本地模型针对自身常见异常行为的检测能力. 经过实验表明，本文提出的LogFTL框架在联邦学习场景下效果超过了传统的日志异常检测方法，同时也证明了该框架中迁移学习的效果.     

一种布谷鸟-交叉熵混合优化算法及其性能仿真

为了提高布谷鸟搜索算法在求解复杂优化问题时的收敛速度和搜索精度,基于交叉熵方法,构建了一种新的布谷鸟-交叉熵混合优化算法.该算法将基于模型的交叉熵随机优化算法和基于种群的布谷鸟搜索进行有机融合,采用协同演化策略,既提升了混合算法收敛速度,又改善了其全局优化能力.对经典测试函数和PID控制器整定问题的仿真结果表明,新算法具有全局搜索能力强、求解精度高和鲁棒性好等特性,是一种求解复杂优化问题的可行和有效算法.     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。     

基于全局最优值的群搜索优化算法

标准群搜索优化(group search optimizer,GSO)算法在搜索的前期易于陷入局部最优,造成收敛速度变缓甚至在搜索时停滞等问题。针对以上问题对GSO算法进行改进,提出一种基于全局最优值的群搜索优化(global optimal value-based group search optimizer,GGSO)算法,弥补标准群搜索优化算法在搜索的前期易于陷入局部最优的缺陷。通过在GSO算法搜索过程中加入全局最优值方式,改进"发现者–加入者"模型,从而加快算法收敛速度。11个国际标准测试函数的对比实验表明,GGSO算法无论在算法精度还是收敛速度上都优于标准GSO算法。     

基于FL-MADQN算法的NR-V2X车载通信频谱资源分配

针对5G新空口-车联网（New Radio-Vehicle to Everything,NR-V2X）场景下车对基础设施（Vehicle to Infrastructure,V2I）和车对车（Vehicle to Vehicle,V2V）共享上行通信链路的频谱资源分配问题,提出了一种联邦-多智能体深度Q网络（Federated Learning-Multi-Agent Deep Q Network,FL-MADQN）算法.该分布式算法中,每个车辆用户作为一个智能体,根据获取的本地信道状态信息,以网络信道容量最佳为目标函数,采用DQN算法训练学习本地网络模型.采用联邦学习加快以及稳定各智能体网络模型训练的收敛速度,即将各智能体的本地模型上传至基站进行聚合形成全局模型,再将全局模型下发至各智能体更新本地模型.仿真结果表明：与传统分布式多智能体DQN算法相比,所提出的方案具有更快的模型收敛速度,并且当车辆用户数增大时仍然保证V2V链路的通信效率以及V2I链路的信道容量.     

基于秘密共享的本地多节点联邦学习算法

深度学习技术在各个领域中的应用越来越广泛,而深度学习模型的准确性需要依靠大量的训练数据。由于数据安全和法规限制,许多领域存在无法集中数据进行训练的情况,导致“数据孤岛”的现象。对此,谷歌提出能使大量客户端在数据保存本地的情况下与可信服务器联合训练模型的联邦学习。目前,联邦学习的研究主要集中在安全性和训练效率的问题上,针对跨数据库联邦学习场景,文章将分层联邦学习和基于安全多方计算的隐私保护机制结合,提出了一种基于秘密共享的本地多节点联邦学习算法Mask-FL,以保证联邦学习安全性的同时提高训练效率。主要工作包括：(1)提出本地多节点的跨数据库联邦学习框架,客户端利用本地计算资源生成多个本地节点,并且根据基于计算能力的数据划分方法进行分配数据资源,每个客户端代表局部所有节点参与全局联邦学习训练,从而构成3层级的分层联邦学习;(2)提出基于秘密共享的自适应掩码加密协议,在前面提出的联邦学习框架基础上,通过秘密共享的方式生成可复用的安全参数掩码,本地节点在训练过程的上行通信中对模型添加掩码从而保护模型参数安全。经过安全性假设分析证明,该算法可保护客户端的数据隐私安全。在通用数据集的实验表明,该...     

基于改进遗传算法的火力分配寻优模型研究

为求解远程火力打击方案优化问题，设计一种基于剪枝的改进遗传算法。基于不同时期的种群适应度，调整自适应选择策略和自适应交叉策略，提高了算法的收敛精度，加快了收敛速度。在确保种群多样性的前提下，保证了算法的收敛性。仿真试验对比结果分析表明所设计的改进算法具有更高效的寻优能力。     

一种改进的差分进化算法

针对基本差分进化算法收敛速度较慢的问题,将粒子群优化算法中的社会学习部分引入到差分进化算法中,提出一种改进的差分进化算法。该算法通过小概率随机变异操作增加种群的多样性和全局搜索能力;变异向量和个体向群体最优个体学习的结果进行交叉操作,利用最优个体指导进化过程,加快了算法的收敛速度,提高了优化精度。仿真实验结果表明,该算法具有更好的优化性能。     

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.     

智能家居中的网络路由改进算法研究

在智能家居中搭建网络过程中，为优化网络路由算法，提高算法的全局搜索能力和收敛精度，提出一种基于BFA(细菌觅食算法)的优化算法。通过选取随机网络拓扑模型建立50节点网络拓扑图和100节点网络拓扑图，利用GFBA算法进行仿真实验，仿真结果表明：与现行的网络路由算法相比较，在网络费用以及收敛时间方面验证GFBA算法对于网络路由问题的适用性和优越性。     

遗传算法与神经网络在洪水预报中的应用

采用遗传学习算法对神经网络BP模型的初始权重进行优化,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。将该方法运用于洪水预报问题,并利用山西省文峪河水库的历史资料条件建立一个网络,以洪水预报的各种控制因素相关资料作为样本,对网络进行训练并用训练好的网络进行预报。网络的训练速度及预报结果表明,该算法收敛速度较快,预测精度很高,为洪水预报提供了一种新思路和新方法。     

基于改进蝗虫优化算法的特征选择方法

针对传统蝗虫优化算法寻优精度低和收敛速度慢的问题,提出一种基于非线性调整策略的改进蝗虫优化算法.首先,利用非线性参数代替传统蝗虫算法中的递减系数,协调算法全局探索和局部开发能力,加快算法收敛速度;其次,引入自适应权重系数改变蝗虫位置更新方式,提高算法寻优精度;然后,结合limit阈值思想,利用非线性参数对种群中部分个体进行扰动,避免算法陷入局部最优.通过六个基准测试函数的仿真结果表明,改进算法的收敛速度和寻优精度均有明显提高.最后将改进算法应用于特征选择问题中,通过在七个数据集上的实验结果表明,基于改进算法的特征选择方法能够有效地进行特征选择,提高分类准确率.     

基于Q-learning的动态频谱接入算法研究

设计了一种基于Q-learning的动态频谱接入算法.该算法的利用Q-learning自适应能力强的优势,帮助认知用户感知合适的信道并接入,认知用户通过不断地与环境交互学习选择回报率最高的信道,实现频谱资源的二次利用.最后对该算法进行了仿真,仿真结果表明所提算法能够提高认知用户吞吐量,降低与主用户冲突概率,且能以较快的速度收敛,这对于解决频谱资源利用问题有着重大的意义.     

基于小批量梯度下降的布谷鸟搜索算法

布谷鸟搜索算法是一种解决函数目标优化问题的全局搜索算法,具有选用参数少、容易实现、搜索路径优、寻优能力强等特点。为了提高布谷鸟搜索算法的求精能力和收敛速度,改善后期收敛慢和搜索精度不稳定的问题,提出了一种基于小批量梯度下降的布谷鸟搜索算法。引入小批量梯度下降,优化寻找最优解的过程,加快局部最优的搜索,从而提高算法的求精能力和收敛速度。仿真实验结果表明,基于小批量梯度下降的布谷鸟搜索算法简单高效,在保持标准布谷鸟搜索算法优点的基础上提高了算法的收敛速度和寻优精度,具有较强的稳定性和鲁棒性。     

多模态函数优化的人工免疫应答优化算法

针对传统的人工免疫算法收敛速度较慢,搜索精度较低的问题,基于免疫应答原理提出一种多模态函数优化的人工免疫应答优化算法.该算法将初始抗体群分配为记忆抗体群和一般抗体群,对记忆抗体群实施高频变异算子进行局部精细搜索,并对一般抗体群执行趋同过程算子进行全局粗搜索,从而加快了进化过程.通过典型多模态函数对该算法进行性能测试,实验结果表明,该算法具有更快的收敛速度和更高的搜索精度.     

一种混合拓扑结构的粒子群优化算法

为进一步提高粒子群优化算法的搜索性能,在分析不同拓扑结构对算法性能影响的基础上,针对不同拓扑结构粒子群优化算法的优缺点,提出一种混合使用全局版本和局部版本粒子群优化算法的方法,每一代粒子在速度更新时随机选择全局模型或局部模型方式进行.在典型测试函数上进行对比实验,结果验证了新算法不仅能有效地进行全局搜索,而且具有更好的收敛精度.     

基于遗传扰动机制的改进蝙蝠优化算法

针对蝙蝠算法现存的缺点,如收敛速度慢、优化精确度低、早熟,提出一种基于遗传扰动机制的改进蝙蝠算法(GDBA).该优化算法引入了遗传竞争机制,通过比较与全局最优解的差异,随时调整遗传算法的交叉率和变异率,使得种群具有遗传性和多样性,解决了蝙蝠算法早熟的问题,同时加快了收敛速度,提高了优化精度.采用基准测试函数进行仿真验证,实验结果表明:与蝙蝠算法(BA)和基于速度权重扰动机制的改进蝙蝠算法(WDBA)相比,该算法(GDBA)具有更好的收敛速度和搜索精度,加强了寻找全局最优解的能力.     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

基于混沌和差分进化的混合蝙蝠算法

提出一种基于混沌和差分进化的混合蝙蝠优化算法.把基于Logistic映射的混沌序列引入到种群初始化中,在算法迭代过程中,通过一种早熟判断机制,对早熟的粒子进行差分进化算法的交叉、变异和选择操作,增强算法的多样性和全局寻优能力,有效避免陷入局部最优.通过8个标准测试函数的仿真结果表明,改进后的算法可以有效提高收敛精度和收敛速度.