基于改进PSO算法在局部遮阴下光伏系统MPPT中的应用

在局部遮阴条件下，光伏阵列的功率输出曲线存在多个峰，为确保光伏系统能够更好地工作在最大功率点，提出一种改进粒子群(PSO)算法.自适应调整惯性权重和学习因子，并引入差分进化(DE)算法中的变异、交叉等操作来丰富粒子多样性，使算法不仅有更快的收敛速度，而且在遮阴条件下也能精准追踪到最大功率点.在Simulink中搭建系统仿真模型进行仿真试验.结果表明，改进粒子群算法能够明显提高追踪最大功率点的速度和精度.     

一种改进的自适应滤波算法及其在回波对消中的应用

提出一种改进的自适应滤波算法,它通过选择自适应滤波器的系数更新时间间隔,在系统的收敛速度与计算量之间取得折衷;算法在每次系数更新时,利用了系统过去时刻数据并将频域批处理技术运用到算法计算中,大大加快了算法的收敛速度并且降低了计算复杂度,从而克服了LMS算法收敛速度慢以及仿射投影算法(APA)、递归最小二乘算法(RLS)计算量大的缺点.将所提算法应用于声回波对消中,仿真实验结果证实了其优点.     

均方偏差分析的多态可变步长LMS算法

最小均方（least mean square,LMS）算法在时变信道的最小稳态均方偏差（mean square deviation,MSD）由输入功率、噪声功率、随机扰动信号功率以及滤波器长度共同决定。为达到系统中最小的MSD值,传统的LMS算法存在有迭代次数较多和收敛速度慢等问题,提出了一种多态可变步长最小均方（multi-state variable step size least mean square,MVSS-LMS）算法。该算法通过添加暂态递减步长作为过渡,实现以更快的收敛速度达到系统中最小的MSD值。理论分析与仿真结果表明,与目前最新的Prob-LMS算法相比,所提算法在时变信道以及突变信道都具有更快的收敛速度和更低的MSD值,且算法的复杂度更低。     

基于功率谱的非均匀子带自适应滤波

根据输入信号的功率谱特征,非均匀滤波器组能够动态调整子带滤波器的带宽和位置,可以获得比均匀滤波器组更好的收敛性能.根据子带最小均方(least mean square,LMS)自适应算法的收敛特性,以提高其收敛速度为目标,提出了一种基于功率谱信息的非均匀子带自适应滤波方法,并详细讨论了非均匀滤波器组实现结构和信号重建性能.计算机仿真实验和分析表明,与现有的均匀和非均匀滤波器组设计方法相比,在子带数目相同的条件下,本文提出的方法能有效地降低子带信号的最大特征值扩散度,而信号重建性能基本相同.     

一种基于反向学习和伯恩斯坦算子的差分进化算法

差分进化(differential evolution,DE)算法是一种种群随机搜索算法,但其在收敛过程中存在着容易陷入局部最优、收敛精度不高等问题.为更好地提升DE算法的性能,提出一种改进算法为基于反向学习和伯恩斯坦算子的差分进化算法.反向学习策略用于增加种群的多样性,扩大种群的搜索范围,从而弥补陷入局部最优的不足,提高了收敛速度;伯恩斯坦多项式随机产生算法的结构参数值控制了进化过程中的突变和交叉阶段,改变了差分进化算法原有的进化策略,提高了收敛性能,是一种更加快速、高效的无参数方法.通过国际标准测试函数的实验结果表明,改进后的差分进化算法具有更强的全局寻优能力,整体收敛速度和精度明显提高.     

多输入多输出系统中基于多级维纳滤波的均衡算法

基于多级维纳滤波器,提出了一种多输入多输出系统中的降秩自适应均衡算法.该算法利用多级维纳滤波器得到一组子空间基向量,通过子空间投影,把均衡器输出限定在低维子空间内,从而降低了自适应均衡的迭代复杂度,加快了收敛速度.理论分析和仿真表明,降秩均衡算法有效地提高了均衡器的收敛速度,降低了计算复杂度,并在多级维纳滤波器的级数不超过 10 的情况下,就能达到近似满秩均方误差性能.     

基于Tabu搜索和蚂蚁算法的系统可靠性分析

为了快速有效地找出同时满足可靠性和限制成本的配置策略,提出一种能搜寻近似最优可靠性分配的混合启发式算法.该算法在传统蚂蚁算法的基础上,引入了Tabu串列及期望准则,以解禁局域搜索,加快收敛速度,从而提高全局搜索的效率.实验仿真结果显示,所提出的优化算法较一般算法有更好的效果,可为实际系统的备件配置提供有力的支持.     

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.     

改进人工蜂群算法求解非线性方程组

针对传统的人工蜂群算法在处理单峰问题时收敛速度较慢、多峰时易陷入局部最优等缺点,通过借鉴差分进化算法中变异算子的作用,提出了一种改进的人工蜂群算法.该改进算法在对蜜源邻域的搜索过程中引入了个体当前最优值及随机向量,从而加快算法的收敛速度,并且在一定程度上防止多峰问题易陷入局部最优的不足,提高算法的搜索能力.最后将改进的算法应用到求解基本函数和非线性方程组上,测试改进算法的性能.结果表明,改进的算法能够有效避免陷入局部最优,并能较大幅度地提高收敛速度和收敛精度.     

一种自动目标识别算法参数的优化方法

提出了一种基于试验设计方法学的响应曲面模型方法，用于建立算法的性能模型．将一种小群体自组织的遗传算法用于算法参数的优化．遗传算法的改进，使得结构更加合理简单，收敛速度明显加快．实验结果表明，所提出的方法能够随着场景条件的变化较好地调整算法参数，从而有效地提高了算法性能．