一种新颖的花朵授粉优化算法及收敛性分析

针对现有花朵授粉算法存在易早熟、寻优精度不高、搜索效率低下等问题,研究设计了一种改进的花朵授粉算法。该算法利用逻辑自映射函数对花粉粒进行混沌扰动,使缺乏变异机制的花粉粒集具有较强的自适应能力,有效地防止了算法后期最优解趋同的现象。利用变换算子对搜索空间进行动态收缩,使算法在寻优过程中保持较高的种群多样性,降低算法陷入局部极值的概率,从而提高算法的搜索效率和寻优精度。同时,结合花朵授粉的生物学特征,从机理上描述了改进后算法的具体实现步骤,对算法的收敛性和寻优性能进行了详细的剖析,并采用实数编码的方法分析了算法的收敛性,给出了算法的生物学模型和理论基础。实验结果表明,改进后的算法具有较好的性能。     

基于改进花朵授粉算法的风电预测神经网络模型北大核心CSCDCSSCI

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点,提出一种将花朵授粉算法和Elman神经网络相结合的风电预测新方法。采用逻辑自映射函数构建混沌序列,将混沌变量映射到问题的解空间,使缺乏变异机制的花粉粒集具有较强的自适应能力,有效地防止算法后期最优解趋同的现象;利用变换系数动态收缩自变量范围,降低算法陷入局部极值的概率,使算法的搜索效率得到有效提高。结合预测需求和网络特征,对花粉粒参数进行编码,确定Elman神经网络的最佳权值和阈值。算例分析表明,所提出的风电预测神经网络模型在保证概率预测精度的条件下能达到较好的预测效果,为短中期风电功率预测提供了一种可行的解决思路。     

基于改进花朵授粉算法的风电预测神经网络模型

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点，提出一种将花朵授粉算法和Elman神经网络相结合的风电预测新方法。采用逻辑自映射函数构建混沌序列，将混沌变量映射到问题的解空间，使缺乏变异机制的花粉粒集具有较强的自适应能力，有效地防止算法后期最优解趋同的现象；利用变换系数动态收缩自变量范围，降低算法陷入局部极值的概率，使算法的搜索效率得到有效提高。结合预测需求和网络特征，对花粉粒参数进行编码，确定Elman神经网络的最佳权值和阈值。算例分析表明，所提出的风电预测神经网络模型在保证概率预测精度的条件下能达到较好的预测效果，为短中期风电功率预测提供了一种可行的解决思路。     

超高速撞击仿真算法分析

分别用拉格朗日(Lagrange)算法、欧拉(Euler)算法及光滑粒子流体动力学(SPH)算法对超高速撞击问题进行了数值仿真,对各种算法的优劣性进行讨论及对比研究。与传统的拉格朗日算法欧拉算法相比,新兴的SPH算法更适宜于超高速撞击仿真分析。     

基于强化学习的需求分布未知情境下酒店客房动态定价研究

传统酒店动态定价研究大多考虑改进需求预测方法或考虑需求环境已知,而现实生活中需求分布通常是未知的.本文考虑需求分布未知的情境,建立基于马尔可夫决策过程的酒店客房多周期动态定价模型,并利用强化学习方法,提出基于SARSA(λ)的改进算法对客房动态定价模型进行求解.为提升算法的求解能力和收敛速度,提出了基于改进ε-greedy策略的ε-SARSA(λ)算法和基于改进模拟退火策略的ISA-SARSA(λ)算法.通过数值实验对比SARSA(λ), ε-SARSA(λ), SA-SARSA(λ)和ISA-SARSA(λ)四种算法的收益优化结果,验证了改进算法的有效性,结果显示, ISA-SARSA(λ)算法求解性能最好.     

基于遗传编程的可持续模拟退火算法及应用

研究分析了模拟退火算法(SA)的缺陷,采用分等级搜索机制,提出了可持续模拟退火算法(HFCSA)后,针对HFCSA算法编码受限问题,引入遗传编程的思想和编码方式,提出一种基于遗传编程的可持续模拟退火算法-GP-HFCSA算法.该算法可以在开放式搜索空间中搜索,实现结构和参数的协同进化.在算法对比测试实验(8特征值问题)中,GP-HFCSA算法的设计结果优于参照算法,证明了GP-HFCSA算法具有良好的效率及自动设计能力,具有广泛的学术价值及应用前景.     

基于箕舌线函数的快速凸组合最小均方算法

在分析凸组合最小均方(CLMS)自适应滤波算法性能的基础上,针对其联合参数λ(n)需要复杂指数运算的缺点,提出一种新的快速CLMS(FCLMS)算法。该算法采用修正箕舌线函数来替代原算法的Sigmoid函数,从而在保证算法收敛性能的同时合理避免了指数运算,在一定程度上提高了算法的灵活性。仿真结果验证了新算法与原算法相比有同样好的收敛性能并在计算量上明显小于原算法。     

直方图概率多假设跟踪方法技术综述

直方图概率多假设跟踪(histogram probabilistic multi-hypothesis tracking, H-PMHT)算法是高效的多目标检测前跟踪(track before detect, TBD)方法, 其由概率多假设跟踪(probabilistic multi-hypothesis tracking, PMHT)算法发展起来。首先深入剖析了H-PMHT算法, 并重点分析比较了该算法和PMHT算法间的深刻联系, 分析了该算法的特点和适用条件; 其次, 介绍了近年来H-PMHT算法的改进和推广情况, 梳理了算法应用中的相关研究工作; 最后, 总结了算法的优缺点及需要改进的问题, 展望了其发展前景。     

基于UKF的交互多模型算法

为了提高交互多模型算法的滤波精度,提出了基于无迹卡尔曼滤(UKF)的交互多模型算法(IMM-UKF).该算法融合了交互多模型算法对不同目标机动模式的自适应能力和UKF滤波精度高的优点.通过对机动目标跟踪的应用仿真,将该算法和基于扩展卡尔曼滤波(EKF)的交互多模型算法(IMM-EKF)进行了比较,仿真结果表明了IMM-UKF具有较好的跟踪性能,减小了机动目标跟踪的均方根误差.     

引入动量项的正交小波变换盲均衡算法

针对常数模算法(CMA)收敛速度慢的缺点,推导了均衡器的正交小波表示式及正交变换矩阵的表示式,在分析正交小波变换常数模盲均衡算法(WTCMA)的基础上,将动量算法引入WTCMA中,得到了一种引入动量项的正交小波变换常数模盲均衡新算法(MWTCMA).该算法将基于小波变换的常数模盲均衡算法和动量项相结合,通过归一化的正交小波变换和引入动量项来提高收敛速度.同时给出了算法的收敛条件,并对算法计算量进行了分析.水声信道仿真结果表明:与基于正交小波变换的常数模盲均衡算法(WTCMA)及常规常数模算法(CMA)相比,新算法具有更快的收敛速度,从而能更有效地实现信号与噪声的分离以及信号的实时恢复.     

二维Strip Packing问题的嵌套启发式算法

二维Strip Packing问题(2SP)是二维装箱问题中的经典NP-Complete问题。采用两层嵌套迭代算法:第一层采用遗传算法决定矩形排放次序;第二层提出水平线择优匹配算法(LSBF),算法是基于底部左齐择优匹配算法(LLABF)和快速启发式法(FH)的改进算法,决定矩形排放规则。包含特殊结构的benchmark和新的随机算例等的排样结果表明算法的有效性。     

基于交叉熵方法的选择性AODE算法

AODE(Averaged One-Dependence Estimators)算法是最近提出的一种典型的基于na(I)ve Bayes的改进算法,并受到国际机器学习界的关注.交叉熵方法(Cross-entropy Method)是一种解决组合优化问题的全局随机搜索算法,已经成功地被应用到许多经典的NP问题中.给出了AODE算法选择性集成的理论基础,并基于交叉熵方法,提出了解决AODE算法选择性集成的CESAODE(Cross-Entropy method for Selective AODE)算法.在WEKA平台上使用UCI数据集进行的仿真实验结果表明,CESAODE算法比现有的分类算法,例如AODE等具有更好的分类性能.     

一种复合型自适应Turbo均衡算法

针对短波信道以及短波瞬间通信以帧为单位进行传输的特点,提出了一种新的复合型自适应Turbo均衡算法(CATEA)。该算法结合最小均方(LMS)算法和递归最小平方(RLS)均衡算法的优点,分别在训练和直接判决阶段调整均衡器参数,因而克服了LMS算法收敛慢以及RLS算法计算量大的缺点。通过将该均衡算法与Viterbi译码算法进行迭代均衡和译码,极大地提高了均衡器性能,同时保持了较低的复杂性。仿真和实验测试证明了该算法的有效性。     

一种基于FC-CE-SLM降低系统PAPR的低复杂度算法

通过在选择性映射算法(SLM)中引入交叉熵(CE),可以得到最优的符号序列,使SLM算法降低OFDM (Orthogonal Frequency Division Multiplexing)系统峰均功率比的效果达到最优.在CE-SLM (Cross Entropy-Selected mapping)算法实现的过程中,需经过多次迭代运算,势必增加了算法的复杂度.拟在CE-SLM算法中引入一个快速收敛因子,使得系统中的采样概率快速收敛到0或者1的状态,降低了优化符号序列所需的迭代次数.仿真结果表明:改进算法在保持与CE-SLM算法降低PAPR (Peak-to-Average Power Ratio)效果一致的情况下,降低了得到最优符号序列所需的迭代次数,使得算法的复杂度得到有效降低.     

基于卡尔曼粒子滤波算法的锂电池SOC估计

基于UTS分容柜所测得的实验数据,建立了18650锂电池的三阶Thevenin模型。将扩展卡尔曼滤波算法(Extened Kalman Filter,EKF)作为粒子滤波算法(Particle Filter,PF)的重要密度函数形成了扩展卡尔曼粒子滤波算法(Extened Kalman Particle Filter,EKPF)。对于EKPF算法在重采样过程中存在的样本退化、多样性丧失的问题,提出了一种通过权值排序的优胜劣汰粒子选择算法。采用通过该方法改进的EKPF算法对所建立的三阶Thevenin模型进行电池荷电状态(State of Charge,SOC)估计,实验结果表明,改进EKPF算法的SOC估计精度优于EKF算法和PF算法的SOC估计精度。     

分层空时码分多址系统的快速联合检测算法

分层空时码分多址系统(LST-CDMA)的联合检测算法(JD)利用扩频码和信道冲击响应(CIR)卷积形成的空-时二维特征向量来进行多用户和多天线检测,能够获得优良的检测性能。但是该JD算法的复杂度非常高,针对这个问题提出了两种快速算法:近似Cholesky分解和块-Fourier算法。为了进一步减少运算量,又利用重叠保留法(OLA)对块-Fourier算法进行改进。仿真证明,这些算法在几乎不降低检测性能的前提下,可以大幅降低计算复杂度。     

动态环境下一种改进的自适应微粒群算法

提出了一种适应复杂动态环境的微粒群算法———改进的自适应微粒群算法(Improved AdaptiveParticle Swarm Optimizer,IAPSO).使用由DF1(Dynamic Function 1)生成的复杂动态环境对IAPSO算法进行了验证,并着重将IAPSO算法同APSO(Adaptive Particle Swarm Optimizer)算法进行了对比.实验结果证明,在复杂的动态环境中,IAPSO算法比APSO算法具有更好的适应性.     

基于Simpson公式的GM(1,N)建模的新算法

根据时间序列的结构与特征, 对GM(1,N)灰微分方程进行了建模机理分析, 并用数值积分算法提出了 基于Simpson公式的建立GM(1,N)预测模型的新算法. 用平均相对误差对一些时间序列进行了模型的 实证分析, 发现新算法的拟合精度比原有算法有明显的改进, 从而验证了该算法对一些时间序列的有效性. 所提出的新算法是建立GM(1,N)预测模型时值得尝试的一个方法, 对GM(1,N)预测模型的合理应用具有一定的现实意义.     

一种适用于无线传感器网络定位的新方法

针对无线传感器网络,提出了一种基于恒模算法(constant modulus algorithm,CMA)的新定位方法(CMA-MAP)以及它的一种增强型算法(CMA-MDS)。其中CMA-MAP算法利用通信节点间距离的恒模性质,通过计算求出满足网络拓扑结构的多个局部最优解,并通过比较获得全局最优解。增强型算法(CMA-MDS)则是恒模算法与多维尺度分析技术相结合的一种新方法,模拟表明CMA-MDS可以提高估计的精度,且具有很强的鲁棒性。     

量子K最近邻算法

为减少经典K最近邻算法的时间复杂度,提出了量子K最近邻算法(QKNN)。介绍了QKNN算法的构造步骤,然后为减少量子计数子程序的运行时间,进一步将固定的K值修改为可变的k,形成改进的k可变的量子最近邻算法(QkvNN)。为弥补由于最近邻个数K变化带来的分类错误率上升的影响,在Boosting算法框架下,用三个由QkvNN算法训练的弱分类器,去构造了一个强分类器,从而提高单独运行QkvNN的分类精度。在此算法中,由于利用了量子计算的强大能力,使得经典K最近邻算法的时间复杂度从O(N)减小为O(N)。