一种改进的自适应粒子群优化算法

针对粒子群优化算法中出现对大规模问题搜索失败,分析了粒子群优化算法的收敛性,指出了粒子速度与搜索失败的关系,提出了一种根据速度信息自适应调整参数的粒子群优化算法,该算法在满足收敛性的条件下,搜索过程中粒子根据理想的速度自适应调整参数进行搜索。修改后的算法经过大量测试函数上的模拟实验验证,并与其他算法进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等复杂非线性优化问题时易陷入局部最优和不收敛等搜索失败的问题。     

高斯过程回归超参数自适应选择粒子群优化算法

超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。     

基于改进粒子群算法优化的自抗扰控制器（ADRC）及其应用

针对自抗扰控制器参数多,不利于整定的问题,提出了一种基于改进的粒子群算法（PSO）的自抗扰控制器参数整定方法。该方法引入了PSO中各个粒子的惯性权值的自适应调整机制,以此来维持粒子的多样性和加速粒子群算法的收敛性。利用改进粒子群算法优化的二阶自抗扰控制器控制主气温控制系统,仿真结果验证了算法的可行性和有效性。     

基于自适应网格混合机制的多目标粒子群算法

当粒子群算法(PSO)解决多目标优化问题时,由于PSO有较快的收敛效果,使得种群在寻优过程中多样性不足,易使算法早熟收敛.为有效设计多目标粒子群算法,提出基于自适应网格混合机制的多目标粒子群算法(ammmMOPSO).该算法采用自适应网格和混合机制的一种双重维护策略,以保证外部存档中的非劣解分布均匀,避免种群快速退化,...     

用于跳频分量选取的修正适应度距离比粒子群算法

跳频信号参数估计是跳频信号截获、干扰的前提,而传统Cohen类时频分析方法存在核函数选择的瓶颈.结合匹配追踪和智能计算的思想,将多峰函数粒子群优化算法引入跳频信号时频分析领域.在分析粒子适应度和粒子间距2个影响粒子搜索行为的关键因素的基础上,提出了基于改进的适应度-距离比测度的多峰函数粒子群优化算法,并应用于跳频分量自适应选取.该方法不需要跳频信号的任何先验知识和粒子群小生境参数的人为设置.理论分析和仿真结果表明,与基于环形拓扑结构、单一共享适应度信息的粒子群优化算法相比,算法成功率和参数估计精度进一步改善,该方法的邻域搜索机制和跳频分量选取具有可行性和有效性.     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于自回归滑动平均模型和粒子群算法的地震子波提取

基于自回归滑动平均(ARMA)模型理论,对地震子波进行参数化建模,采用累积量拟合法精确估计参数,使地震子波提取问题最终归结为一个多参数、多极值的非线性函数优化问题。对基本粒子群算法进行改进,通过自适应参数调整和边界约束,克服基本粒子群算法易陷入局部极值的缺陷,同时提高算法寻优精度和计算效率。仿真数据试验结果验证了改进的粒子群算法在地震子波提取方法中的有效性和稳定性。     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

基于自适应粒子群优化算法的光伏电池参数辨识

利用双二极管等效电路模型进行光伏电池输出特性仿真,基于光伏电池的U-I数据建立了目标寻优函数,采用自适应粒子群优化算法对光伏电池参数进行了反演计算.结果表明:U-I反演曲线与实际曲线基本吻合,自适应粒子群算法与单纯形方法的参数辨识结果均与理论值相符,权重因子策略和种群规模对自适应粒子群优化算法寻优结果具有显著影响,基于自适粒子群优化算法的光伏电池参数辨识方法具有更高的求解精度和寻优效率.     

基于自适应粒子群算法的重油热解模型参数估计

通过构造一个合适的目标函数,将化工模型参数估计问题转化为一个多维数值优化问题,然后提出一种参数自适应调整和维变异的改进粒子群优化算法来求解该问题。该算法首先利用佳点集方法初始化种群以保证粒子的多样性。惯性权重和学习因子随进化过程自适应调整,从而协调算法的全局和局部搜索能力。为了避免算法陷入局部最优,对收敛度最小的维进行变异。几个标准测试问题的实验结果表明该算法具有较强的全局寻优能力。最后将改进粒子群算法应用到重油热解模型参数估计中,并与基本遗传算法（SGA）和粒子群优化算法（SPS0）进行比较。研究结果表明：本文得到的平均相对误差为5．62％,比SGA和SPSO分别低1．08％和0．50％。     

一种稀疏度拟合的图像自适应压缩感知算法

针对运用压缩感知理论对图像进行自适应压缩采样时,采样率及稀疏度阈值确定具有很强的主观性,提出一种稀疏度拟合的精确自适应采样算法.该算法通过循环迭代来确定各个稀疏度下满足PSNR要求的最低采样率,利用最小二乘法对稀疏度及采样率数据进行拟合,得到稀疏度-采样率选取的最佳目标函数.基于TVAL3重构算法对上述自适应采样算法进行了实验仿真,结果表明,重构图像的PSNR均高于用相同值的固定采样率重构的PSNR值,其中纹理特征区分明显的图像此PSNR差值能达到3.5 dB以上.相比粗糙自适应算法,平均采样率比其降低的同时,重构图像仍得到了更高的PSNR值.      

改进基因表达式编程算法及其应用研究

基因表达式编程是一种新型的自适应演化算法,它是在继承和发展遗传算法和遗传编程优点的基础上发展起来的知识发现新技术．笔者介绍了GEP的发展现状与关键技术,设计了逆淘汰策略和无树解码方式的改进方案,旨在维持种群多样性和提高算法效率,最后将改进方法应用与一元和多元函数挖掘的实验,得到准确度和拟合度良好的函数模型,收到了满意的效果．     

激光光斑中心高精度定位算法研究

为提高测风激光雷达系统光学结构能量接收效率,需要对激光雷达系统中的激光光斑中心进行准确定位. 通过对常用亚像素定位算法的分析,利用高斯拟合和矩形区域来对灰度重心定位算法进行优化,提出了激光光斑定位的改进算法,并与已有的算法进行了对比分析,设计并开展了验证试验. 试验结果表明改进算法比已有传统算法对激光光斑的定位准确性大幅提高,最大限度地减小光斑形状的不对称所导致的误差,对于光能量分布中心的估计也更为准确,是一种切实可行的光斑中心定位算法.      

基于Kriging代理模型的注塑产品翘曲优化

针对传统的基于CAE的注塑产品工艺优化方法精度不高、效率低,提出了Kriging模型与自适应粒子群算法相结合的集成优化策略.Kriging模型代替CAE分析作为粒子群算法迭代过程中的适应函数,大大减少了优化算法的计算量;同时,通过在粒子群算法中引入自适应惯性权系数,加快了粒子群算法的收敛速度.算例表明,基于Kriging模型与自适应粒子群算法的优化策略可以在小样本情况下获取较高的求解精度,并通过与标准遗传算法做比较,表明该优化策略同时具有较高的计算效率.     

自适应基因表达式程序设计研究及应用

针对基因表达式程序设计(GEP)是基于基因型和表现型的新型遗传算法,它综合了遗传算法(GA)和遗传程序设计(GP)的优点,但在解决具体问题时有收敛速度较慢、易陷入局部最优和拟合度不高等缺陷,提出一种自适应基因表达式程序设计算法(AGEP),它将差分突变搜索、混沌重组和变异操作、灾变算子运用于GEP中;最后将其应用于实例中,并将其所得结果与传统的基因表达式程序设计结果进行比较。研究结果表明:该算法不仅提高了算法的精度和收敛速度,而且有效地克服了不成熟收敛,理论证明该算法全局收敛;改进的基因表达式程序设计性能良好。     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

异构网络环境中的自适应在线故障检测

通过研究网络流量异常检测，提出一种新的基于自适应自回归(AAR)模型的在线故障检测算法．该算法只利用标准管理信息库，因此检测不依赖于特定产品类别，适用于异构网络环境．验证了流量信号的非平稳特性，并采用模拟获取的网络流量拟合AAR模型．由于不必将整个时间序列进行分片和单独拟合，算法可以直接处理获取的新数据，实现真正意义上的在线故障检测．利用时间平均方法消除了网络噪声的影响．在实验中，故障检测结果与预设的故障场景完全对应，进一步证明了该算法的准确性．     

一种新的直达波干扰变步长NLMS对消算法

研究了脉冲无源双基地雷达的直达波干扰抑制技术. 在直达波脉冲和目标回波时域交叠的条件下,在分析传统LMS算法、归一化LMS算法、变步长LMS算法的基础上,提出一种新的变步长归一化LMS(新VSSNLMS)算法来实现直达波干扰自适应对消,通过仿真验证了该算法收敛性能的优越性. 并将该算法应用于脉冲无源双基雷达直达波干扰自适应对消中,理论分析和仿真结果表明,新VSSNLMS算法比现有的LMS、NLMS和MSVSLMS算法具有更快的收敛速度和更少的对消剩余误差.      

自适应模糊系统在大坝安全监测故障诊断中的应用

为提高大坝安全自动化监测的稳定性与可靠性,提出一种基于模拟退火的自适应模糊系统(AFS：Adaptive Fuzzy System)的学习算法,并根据此算法建立了大坝安全监测非线性监测器模型,同时利用该模型构造了大坝安全自动化监测故障自诊断系统．实例表明,该系统既具有模拟退火算法(SAA：Sireulated Annealing Algorithm)的全局优化搜索能力,又充分发挥了AFS的非线性逼近能力,并能够较好地实现故障的在线诊断和实时隔离．     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.