一种新的优化方法:β算法

提出了一种新的求解全局最优问题的算法。该算法适合求解非线性、非凸、包含多个局部最优解的最优化问题,且对所求解的问题没有很强的前提条件,适用范围宽广,该算法利用了目标函数超曲面在可行域中的起伏,对可行域进行分割压缩,并最终收敛于某个全局最优解。最后通过实例与模拟退火算法进行了比较,检验了其优异的鲁棒性和收敛速度。     

基于分布式免疫进化算法的函数优化

针对遗传算法在寻优过程和多峰值函数求解中出现的“早熟”问题以及免疫算法收敛速度较慢问题,将免疫算法和进化算法进行优势融合,并结合改进的进化算法的并行模型,提出一种新的算法--分布式免疫进化算法（distributed immune evolutionary algorithm,DIEA）。新算法主要包括记忆种群进化模块和子种群进化模块两个部分,子种群的主要功能是找出各个区间的局部最优解;主种群主要是进行全局搜索,寻找全局最优解。仿真实验表明,该算法具有很高的全局寻优能力和很快的收敛速度,适合求解复杂多峰函数优化问题。     

基于伪信噪比最大化的盲源分离算法

针对电子战中各种信号混叠严重、难以分离的现象,提出一种新的瞬时线性混叠信号的盲源分离算法。该算法从独立信号完全分离时信噪比最大出发,用单位对称滑动权向量加权分离信号作为源信号,建立基于源信号和噪声信号协方差矩阵的伪信噪比目标函数,并将目标函数的寻优过程转换为求解广义特征值的问题。和经典的信息理论方法相比,该算法是一种全局最优的盲源分离算法,它不需要任何迭代运算,具有非常低的计算复杂度。仿真结果证明,该算法能够更加有效地分离线性混叠的雷达信号和通信信号。     

蚁群算法在盲均衡问题中的应用研究

蚁群算法是一种生物仿生算法,该算法具有正向反馈、并行计算等特点,可以有效地避免算法收敛到局部最优解。将蚁群算法用于求解盲均衡问题的恒模代价函数,提出一种基于蚁群算法的盲均衡算法,新算法加快了收敛速度,减少了码间干扰的影响,降低了误码率。计算机仿真验证了新算法的有效性。     

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.     

用多目标进化算法求解二层规划双目标模型

传统单目标二层规划模型得到的最优解往往无法使上下级双方都满意.为此,通过在上层规划中同时考虑下级的目标函数,建立了原问题的上层为双目标规划的一个新模型.上下级可通过协商在该模型的Pareto-最优解集中找到双方满意解.对此模型设计了求解的多目标进化算法,用传统优化算法求解下层规划的单目标问题,而对上层的双目标规划问题则采用基于NSGA-Ⅱ的多目标进化算法求解.数值试验表明我们所提出的算法是有效的.     

递进多目标遗传算法

在现有算法研究基础上,提出了一种递进多目标遗传算法,该方法每进化一定代数后以一定策略对群体进行重构,以提高算法对解空间的遍历性,从而较大程度上避免算法的早熟.该算法采用非劣解等级优先的选择方式复制后代,降低算法的时间复杂性;通过递进层次间对部分非劣解个体执行局部搜索,加快全局非劣解集的进化.采用递进算法与现有两种典型多目标遗传算法NSGA、MOGLS算法对一些典型优化问题进行对比分析,验证了算法求解多目标函数优化问题的有效性;通过调整算法递进层次与每层进化代数的参数设置,进一步研究了参数选取对算法性能的影响.     

基于改进小生境演化算法的多峰函数优化算法

传统演化算法在求解复杂多峰函数优化问题时经常会出现早熟、收敛速度慢等问题,特别是对于有多个最优解的函数,往往只能找到个别的最优解.针对这些问题,提出了一种基于膈离机制与排挤机制相结合的小生境演化算法.利用隔离机制增强引导进化能力,利用排挤机制保证种群的多样性,同时,采用反序交叉算子进一步加强局部寻优能力.实验表明,使用该改进小生境演化算法求解函数优化问题能更有效地克服传统演化算法存在的收敛速度慢和容易陷入局部最优解等缺点.     

三站无源定位系统数据关联算法

全局最优量测数据关联算法是无源定位技术中的关键问题。针对三站无源定位系统全局最优数据关联的三维（3-D）分配问题，提出一种新的直接求解算法——启发式消元算法。该算法通过直接对代价矩阵的元素进行启发式消元，得到分配问题的最优解。给出算法相关原理的分析和证明以及算法的具体步骤。并将其应用于三部光电被动传感器多目标无源定位系统两级数据关联算法的第二级关联过程中。对启发式消元算法和求解3一D分配问题的近似最优求解算法——拉格朗日松弛算法的算法复杂性进行了分析对比。理论分析和仿真实验均表明，该算法较适合与两级关联算法联合使用。与拉格朗日松弛算法相比。该算法计算量小。便于实现。是一种新的、有效的全局最优数据关联算法。     

求解整数规划的一种仿生类全局优化算法——模拟植物生长算法

针对整数规划全局优化问题所首次提出的模拟植物生长算法,是一种源于大自然的仿生类随机算法.该算法从植物的向光性特点出发,将整数规划的可行域作为植物的生长环境,根据各可行解目标函数的变化情况确定植物的生长信息(形态素浓度),进而模拟出向光源(全局最优解)迅速生长的植物生长动力学模型.经过对无约束和有约束两类具有多个全局最优解的非线性整数规划问题的具体求解,取得了满意的效果.     

改进的粒子群算法及其非线性盲源分离

采用粒子群算法与自然梯度法相结合进行非线性混叠信号盲分离。用高阶奇数多项式拟合非线性混合函数,建立非线性信号盲分离模型。同时根据粒子群算法的特点,作了改进,引入了“迁徙操作”和局部深度搜索方法。对多项式的参数用粒子群算法来求估计,然后用自然梯度法对线性去混合矩阵进行迭代。仿真结果表明,粒子群算法可以快速、有效地求得非线性混叠信号盲分离的优化解。     

基于广义特征值和核函数的非线性盲分离算法

在给出了一种基于广义特征值分解的线性混合信号盲分离方法的基础上,结合核特征空间而给出了一种非线性混合信号盲分离算法。该算法首先将混合信号映射到高维核特征空间,同时构造该核特征空间的一组正交基。其次,通过这组正交基将高维核特征空间的信号映射到参数空间,从而把非线性混合信号盲分离问题转化为参数空间的线性混合信号盲分离问题。在参数空间中,应用基于广义特征值分解的线性混合信号盲分离方法对信号进行分离。该算法具有闭解形式,计算简单,收敛精度较高,稳定性好。仿真结果表明该算法是有效的,具有良好的分离性能。     

基于阵列接收模型的宽带盲源分离算法

针对传统盲分离算法对宽带信号不适用的问题,提出了一种基于阵列接收模型的宽带盲源分离算法。该算法以子带分解的方法实现了瞬时复值盲分离方法在宽带情形下的扩展。针对扩展过程中可能出现的子带间次序模糊及子带内幅度模糊的问题,利用阵列接收情况下分离矩阵与混合矩阵的特点,提出了一种基于波达方向(direction of arrival, DOA)估计的次序调整及幅度去模糊方法。仿真结果表明,该算法不仅能有效地分离宽带信号,而且可准确地恢复出信号幅度。     

一种基于最大熵准则的盲解卷积改进算法

独立源信号的卷积混合比线性混合更接近真实情况。利用非参数概率密度估计方法———Parzen窗函数估计法 ,提出了一种具有良好适应性的盲解卷积改进算法。该算法可以在无需知道信号分布形式的情况下 ,较准确地估计出密度函数值 ,且比传统的最大算法中采用固定的概率密度函数估计更接近信号点的真实概率密度。同时 ,此算法还具有无论对规则、单峰分布还是不规则、多峰分布都可以取得较好的估计的优点。因此 ,在理论上 ,改进算法可以获得比传统算法更优越的分离性能且能广泛地应用于具有各种分布的信号。实验结果证实 ,这一算法能有效地从各种分布的信号包括真实语音、图像等构成的卷积混合信号中恢复出原始信号。与最大熵算法相比 ,改进算法具有更好的分离性和更广泛的适用性。     

基于混沌自适应烟花算法的雷达信号盲源分离

针对传统独立成分分析(independent component analysis, ICA)方法存在收敛速度慢、分离性能不高的问题,将混沌映射策略与自适应爆炸半径相结合,提出一种基于混沌自适应烟花算法(chaotic adaptive fireworks algorithm, CAFWA)的盲源分离(blind source separation, BSS)方法,并应用于雷达辐射源混合信号分选问题。混沌映射策略可以将初始值在解空间内分布更加均匀,爆炸半径能够根据适应度的优劣自适应改变,保证了所提算法局部搜索的精度,满足了全局搜索的多样性。实验结果表明所提算法可以在无噪和有噪情况下均能很好地分选观测信号,而且具有比传统算法更快的收敛速度和更优异的分选性能。     

基于混沌自适应烟花算法的雷达信号盲源分离

针对传统独立成分分析(independent component analysis, ICA)方法存在收敛速度慢、分离性能不高的问题,将混沌映射策略与自适应爆炸半径相结合,提出一种基于混沌自适应烟花算法(chaotic adaptive fireworks algorithm, CAFWA)的盲源分离(blind source separation, BSS)方法,并应用于雷达辐射源混合信号分选问题。混沌映射策略可以将初始值在解空间内分布更加均匀,爆炸半径能够根据适应度的优劣自适应改变,保证了所提算法局部搜索的精度,满足了全局搜索的多样性。实验结果表明所提算法可以在无噪和有噪情况下均能很好地分选观测信号,而且具有比传统算法更快的收敛速度和更优异的分选性能。     

基于混合聚类和网格密度的欠定盲矩阵估计

欠定盲矩阵估计是欠定盲源分离的关键技术,其估计结果直接影响源信号的分离精度。针对目前欠定盲矩阵估计算法稳定性差、估计精度不高的缺点,提出了一种基于混合聚类和网格密度的新算法。该算法利用基于人工蜂群算法和K-均值的混合聚类方法对信号数据进行聚类,提高聚类结果的稳定性;利用网格密度法修正每一类的聚类中心,提高混合矩阵的估计精度。实验结果表明,所提算法在稳定性和估计精度方面都比传统欠定盲矩阵估计算法有了明显改善。     

一种基于组合核函数的非线性盲源分离方法研究

核函数方法由于其有效性和简洁性在非线性盲源分离问题的探索中得到了应用,但其单一核的映射不能很好解决完全非线性问题。针对这一不足,提出了一种采用组合核函数分离非线性混合信号的方法。通过引入变化尺度因子将不同核函数纳入一个整体成为组合核函数,利用分离信号的互信息作为目标函数来反馈调节该组合核函数的尺度因子,以此寻找到对不同非线性的最佳映射。仿真结果证实了该算法的有效性,且在解决完全非线性问题时,组合核函数比单一核函数具有更好的性能。     

基于A-DBSCAN的欠定盲源分离算法

为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise, DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN, A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。     

基于A-DBSCAN的欠定盲源分离算法

为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise, DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN, A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。