基于高斯—牛顿法改进的复合双基地雷达目标空间定位算法

针对复合双基地雷达系统的目标空间定位问题,提出了一种基于高斯-牛顿迭代的改进算法。该算法利用所有的观测数据构成非线性最小二乘定位方程,将精度最高的一组测量子集的解析解作为迭代初始值,从而比经验值更逼近真值,引入了变步长法使迭代迅速收敛,给出了应用该算法的具体步骤。仿真实验证明该算法提高了目标位置解的准确性,保证了迭代的收敛性。     

基于遗传算法的功率域最小二乘DOA估计器

提出一种基于遗传算法的功率域最小二乘波达方向(DOA)估计器。通过功率域最小二乘法推导得到优化目标函数。继而将目标函数作为适应度函数,将阵列天线各入射信号的未知DOA作为决策变量,通过遗传算法进行全局优化,从而完成各信源DOA的估计。采用适当的遗传策略,使全局寻优有效收敛至满意解,避免了复杂的多步迭代,提高了稳健性。估计器对非均匀高斯白噪声条件下的信源DOA同样有效。仿真实验表明,估计器的性能接近确定性最大似然(DML)估计器。     

递推最小二乘算法的补充性证明

在使用递推最小二乘算法时，通常考虑的情况是训练样本所构成的方程组为矛盾方程组时该算法的收敛情况。本研究对递推最小二乘算法进行了理论证明及分析，指出了在任意第k步，未知参数估计值收敛于前k组数据的极小范数解(如果前k组数据所组成方程组为相容方程组)或者极小范数最小二乘解(如果前k组数据所组成方程组为矛盾方程组)，并且此解是唯一的；仿真结果同样也验证了该结论的正确性。     

航空发动机性能仿真的分群量子粒子群算法

针对传统迭代方法求解航空发动机模型非线性方程组存在受初值影响不易收敛的问题,采用量子粒子群算法求解.为解决算法的局部收敛现象,设计一种分群量子粒子群算法:将种群分为多个分群,每个分群在各自全局极值的引导下搜索解空间不同区域,并对精英解集定期更新.对测试方程组的求解表明分群机制能有效提高量子粒子群算法的搜索性能和收敛速度.运用改进算法对某型混合排气涡扇发动机模型进行仿真求解,得到了满意的结果.     

基于PLS方法和Kriging模型的多目标有效全局优化方法及应用

针对实际工程中参数过多导致的建模效率低、多目标相互冲突带来的求解困难及成本昂贵的仿真优化问题,提出了一种基于偏最小二乘法和Kriging模型的多目标有效全局优化方法.该方法首先通过偏最小二乘法进行降维,确定主成分;其次,利用偏最小二乘加权系数矩阵,获得自适应偏最小二乘高斯核函数,建立初始Kriging代理模型;然后,通过三种矩阵填充准则对多目标问题进行全局优化;最后,根据终止准则输出最优Pareto近似解集.数值算例结果表明,该算法建模效率提升的同时目标函数值收敛速度更快,在收敛精度及稳定性方面均具有优势.工程实例表明偏最小二乘变换后Kriging模型预测性能优于常规Kriging模型.     

非线性回归模型辨识的混合计算智能算法

通过定义牛顿算子、选择算子、混合数据结构以及适应度，得到可结合遗传算法和牛顿法两者长处，既有较快收敛性，又能以较大概率求得全局解（一致收敛估计）的非线性参数辨识算法。数值计算结果表明该方法显著优于遗传算法和牛顿法。     

基于改进粒子群优化的非线性最小二乘估计

针对测量数据处理中非线性模型参数估计理论广泛使用的传统牛顿类算法对初值的敏感性问题,提出了一种求解非线性最小二乘估计的改进粒子群优化算法。该算法利用均匀设计方法在可行域内产生初始群体,无需未知参数θ的较好的近似作为迭代初值,而具有大范围收敛的性质;通过偏转、拉伸目标函数有效地抑制了粒子群优化算法易收敛到局部最优的缺陷。给出应用该方法到NLSE的具体步骤,通过仿真实验证明该算法的有效性。     

基于MQNM的双基地雷达目标定位改进算法

针对求解双基地雷达目标定位问题常用的Gauss-Newton法自身固有的缺点,如收敛精度和收敛速度依赖于迭代初值与真实值的接近程度和函数的非线性程度,进一步考虑了目标函数Hessian阵的二阶信息,结合MQNM法(修正拟牛顿法)提出了一种双基地雷达目标定位问题的优化改进算法。计算机仿真结果表明了该算法的可行性和有效性。     

含状态时滞的非线性间歇过程迭代学习控制研究

在迭代学习控制(iterative learning control, ILC)理论的研究中,常见的初始条件是迭代初值与期望初值一致,或者迭代初值固定。研究了含状态时滞的非线性间歇过程,其系统初值在期望初值一定范围内随机变化且存在可量测重复性扰动下的迭代学习控制问题。提出了采用带变遗忘因子的开环PD型迭代学习控制算法,给出了谱半径形式的收敛条件,并应用算子理论进行收敛性证明,给出了间歇非线性控制时滞过程仿真实例。研究结果说明了该算法的有效性。     

一种新的小波网络快速学习混合策略

针对传统的小波网络梯度学习算法易于陷入局部极值、收敛速度慢且对初始参数很敏感的缺点,将全局性能优越的差异进化(DE)算法和最小二乘算法(LS)有机的结合起来,提出了一种新的快速学习混合策略。该混合学习算法思想是将待训练参数分为非线性和线性两类,利用差异进化算法对小波网络非参数进行全局优化训练,而最小二乘法用于快速训练网络连接权值。非线性函数逼近实验表明,小波网络逼近性能要远优于传统的BP神经网络,相对于使用随机梯度学习算法的小波网络,提出的混合学习算法收敛速度更快,且具有更小的均方差。     

A new <Emphasis Type="Italic">ɛ</Emphasis>-generalized projection method of strongly sub-feasible directions for inequality constrained optimization

In this paper, the nonlinear optimization problems with inequality constraints are discussed. Combining the ideas of the strongly sub-feasible directions method and the ɛ-generalized projection technique, a new algorithm starting with an arbitrary initial iteration point for the discussed problems is presented. At each iteration, the search direction is generated by a new ɛ-generalized projection explicit formula, and the step length is yielded by a new Armijo line search. Under some necessary assumptions, not only the algorithm possesses global and strong convergence, but also the iterative points always get into the feasible set after finite iterations. Finally, some preliminary numerical results are reported.     

A Superlinearly Convergent Combined PhaseⅠ-PhaseⅡ Subfeasible Method

ＡＳｕｐｅｒｌｉｎｅａｒｌｙＣｏｎｖｅｒｇｅｎｔＣｏｍｂｉｎｅｄＰｈａｓｅⅠ－ＰｈａｓｅⅡＳｕｂｆｅａｓｉｂｌｅＭｅｔｈｏｄＪＩＡＮＪｉｎｂａｏ（ＭａｔｈｅｍａｔｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅＤｅｐａｒｔｍｅｎｔｏｆＧｕａｎｇｘｉＵ...     

求解隐式差分方程的一类高精度并行迭代法

为提高并行迭代法的计算精度,提出了一类高精度、无条件稳定、三层格式的并行迭代算法。用矩阵理论证明了迭代的收敛性,推证了网格加密时的渐进收敛性质。结果表明:对三层格式进行迭代处理,不仅能保证其计算精确度,而且具有很好的收敛速度与渐进收敛性质。数值算例验证了理论分析的正确性,表明了算法的可行性与有效性。     

基于Barzilai-Borwein迭代的低复杂度大规模MIMO信号检测算法

在大规模多输入多输出系统中,最小均方误差(minimum mean square error, MMSE)算法能达到接近最优的线性信号检测性能,但是MMSE算法需要复杂的矩阵求逆运算,这限制了该算法的应用。为了降低运算复杂度,改进MMSE算法,利用Barzilai Borwein(BB)迭代算法来避免矩阵求逆运算,提出了结构简单的BB迭代信号检测算法,且基于信道硬化特性进一步优化了迭代初始解以加快算法的收敛速度。理论和仿真结果表明,所提出的BB迭代算法的性能优于最近提出的Neumann级数展开算法,而其复杂度相比截短阶数i=3的Neumann级数展开算法减少了一个数量级;且该算法收敛速度较快,在给定初始值的条件下,通过简单的几次迭代,能够快速接近MMSE算法的检测性能。     

NONMONOTONIC TRUST REGION PROJECTED REDUCED HESSIAN ALGORITHM WITH TWO-PIECE UPDATE FOR CONSTRAINED OPTIMIZATION

This paper proposes a two-piece update of projected reduced Hessian algorithm with nonmonotonic trust region strategy for solving nonlinear equality constrained optimization problems. In order to deal with large problems, a two-piece update of twoside projected reduced Hessian is used to replace full Hessian matrix. By adopting the Fletcher's penalty function as the merit function, a nonmonotonic trust region strategy is suggested which does not require the merit function to reduce its value in every iteration. The two-piece update of projected reduced Hessian algorithm which switches to nonmonotonic trust region technique possesses global convergence while maintaining a two-step Q-superlinear local convergence rate under some reasonable conditions. Furthermore, one step Q-superlinear local convergence rate can be obtained if at least one of the update formulas is updated at each iteration by an alternative update rule. The numerical experiment results are reported to show the effectiveness of the propo     

基于最小二乘算子的混合计算智能辨识算法

基于非线性最小二乘（ＮＬＬＳ）法和遗传算法（ＧＡ）思想，通过定义ＮＬＬＳ算子、适应度以及混合数据结构，得到非线性回归模型非线性参数的混合计算智能辨识算法，该算法结合ＧＡ和ＮＬＬＳ法两者长处，即有较快收敛性，又能以较大概率求得全局（一致收敛）估计。计算结果表明该方法显著优于ＧＡ和ＮＬＬＳ法。     

一种有效的STBC-OFDM联合信道估计解码算法

提出一种针对空时块码正交频分复用(STBC-OFDM)系统在信道不确知或时变情况下的低复杂度联合信道估计与解码算法.该算法推导的出发点是观察到STBC-OFDM系统中关于信道参数的最小二乘代价函数与只有线性处理的STBC解码最小二乘代价函数是等价的,从而可利用循环最小化迭代方法求解.在这两个代价函数求解各自参数过程中,可以充分利用OFDM的信号特征和STBC的正交结构特征,使计算量大为减少.在迭代过程中,信号先不考虑有限字符性质,而是取值任意的随机变量.估计出信号值后利用有限字符性质进行量化修正,避免了此类迭代算法中的穷举运算,从而降低了计算量,加速了算法收敛速度.仿真结果表明了该算法的有效性.     

Global convergence of a class of smooth penalty methods for semi-infinite programming

For the semi-infinite programming (SIP) problem, the authors first convert it into an equivalent nonlinear programming problem with only one inequality constraint by using an integral function, and then propose a smooth penalty method based on a class of smooth functions. The main feature of this method is that the global solution of the penalty function is not necessarily solved at each iteration, and under mild assumptions, the method is always feasible and efficient when the evaluation of the integral function is not very expensive. The global convergence property is obtained in the absence of any constraint qualifications, that is, any accumulation point of the sequence generated by the algorithm is the solution of the SIP. Moreover, the authors show a perturbation theorem of the method and obtain several interesting results. Furthermore, the authors show that all iterative points remain feasible after a finite number of iterations under the Mangasarian-Fromovitz constraint qualification. Finally, numerical results are given.     

植物多向生长模拟算法

针对整数规划问题提出了一种以植物向光性为启发式准则的智能优化算法——植物多向生长模拟算法. 改进了植物生长激素的分配方式并将随机选择机制引入新枝生长方向的选择,更符合植物生长的自然机理. 利用马尔可夫链描述算法迭代过程,证明了算法的收敛性. 利用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实例测试了植物多向生长模拟算法的性能,并与基本植物生长模拟算法、填充函数法、罚函数法以及基于遗传算法的混合算法进行了对比. 植物多向生长模拟算法不仅提高全局寻优能力,增加解的多样性和准确性而且提高收敛速度.