基于尺度不变特征变换和区域互信息优化的多源遥感图像配准

为了进一步提高遥感图像配准精度, 提出了尺度不变特征变换(SIFT)结合区域互信息优化的遥感图像配准方法. 首先利用混沌序列的随机性和遍历性, 提出一种混沌量子粒子群优化(CQPSO)算法, 在量子粒子群优化(QPSO)算法迭代陷入早熟收敛时, 采用一种新的机理引入混沌序列, 进化粒子克服早熟. 图像配准算法分为预配准和精配准两个过程. 基于SIFT算法提取特征点, 经匹配和有效地外点排除完成预配准, 然后对匹配特征点坐标进行亚像素级微调, 通过最小二乘法求得一系列匹配参数构造初始粒子群, 最后利用混沌量子粒子群优化区域互信息完成精配准, 得到最优匹配参数. 用一些标准测试函数对所提出的CQPSO和QPSO及粒子群优化(PSO)算法进行了实验比较, 另外, 对SIFT, SIFT结合PSO算法优化区域互信息, SIFT结合QPSO算法优化区域互信息和SIFT结合CQPSO算法优化区域互信息(SRC)等四种算法进行了不同分辨率遥感图像配准实验比较和不同时相遥感图像配准实验比较, 实验结果验证了所提出的CQPSO算法的优越性和SRC配准方法的有效性.     

量子势阱粒子群优化算法的改进研究

为提高量子势阱粒子群优化算法的优化能力, 通过分析目前量子势阱粒子群优化算法的设计过程, 提出了改进的量子势阱粒子群优化算法. 首先, 分别基于Delta势阱、谐振子和方势阱 提出了改进的量子势阱粒子群优化算法, 并提出了基于统计量均值的控制参数设计方法. 然后, 在势阱中心的设计方面, 为强调全局最优粒子的指导作用, 提出了基于自身最优粒子加权平均和动态随机变量的两种设计策略. 实验结果表明, 三种势阱粒子群优化算法性能比较接近, 都优于原算法, 且Delta势阱模型略优于其他两种.     

基于量子粒子群优化的正交小波加权多模盲均衡算法

针对常数模盲均衡算法(CMA)均衡高阶正交振幅调制信号(QAM)存在收敛速度慢、稳态误差大的缺点, 提出了基于量子粒子群优化的正交小波加权多模盲均衡算法(QPSO-WTWMMA). 该算法根据高阶QAM信号星座图分布特点, 将量子粒子群优化算法(QPSO) 和正交小波变换融入于加权多模盲均衡算法(WMMA)中. 因而, 利用QPSO对均衡器权向量进行了优化, 利用正交小波变换降低了输入信号的自相关性, 利用WMMA选择了合适的误差模型匹配QAM星座图. 理论分析及水声信道仿真结果表明, QPSO-WTWMMA算法可以获得更快的收敛速度和更低的稳态误差, 在水声通信中具有重要的参考价值.     

粒子群算法在非线性系统应用中的早熟现象及其改进

通过分析粒子群算法早熟现象的机理,研究早熟收敛的本质,并提出一种克服粒子群算法早熟现象的局部"飞跃"策略.应用仿真及系统工程实例表明,该方法能有效地改善粒子群算法在非线性全局优化上的早熟问题,提高了粒子群算法的全局搜索能力.     

基于Bloch球面搜索的量子粒子群优化算法

通过分析量子势阱粒子群优化算法的设计过程,提出一种基于Bloch球面搜索的量子粒子群优化算法.首先用基于Bloch球面描述的量子位描述粒子,用泡利矩阵建立旋转轴,用Delta势阱模型计算旋转角度,用量子位在Bloch球面上的绕轴旋转实现搜索.然后用Hadamard门实现粒子变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.仿真结果表明,该算法的优化能力优于原算法.     

粒子群优化算法在自适应偏振模色散补偿中的性能研究

反馈控制算法是偏振模色散的自适应补偿器的关键组成部分,将粒子群优化算法(PSO)引入到偏振模色散自适应补偿系统中。该算法的优点是具有快速收敛到全局最佳值的能力、避免搜索陷入局部极值的能力、抗噪声能力和多自由度控制能力。理论上分析了粒子群优化算法的两个分类———全局邻居结构粒子群优化(GPSO)和局部邻居结构粒子群优化(LPSO)在搜索全局最佳值方面的能力优劣,给出了局部邻居结构粒子群优化算法成功率达100%的三种邻居拓扑结构。实验表明:在补偿一阶偏振模色散时,全局邻居结构和局部邻居结构搜索全局最佳的成功率都能满足要求,全局邻居结构算法收敛速度快。而在补偿二阶偏振模色散时,全局邻居结构成功率降低,而局部邻居结构仍可以满足要求。     

基于PSO-DE算法的污水处理优化控制研究

针对污水处理系统能耗过大,变量多,非线性和滞后严重等特点造成的控制困难问题,提出了基于改进型粒子群的算法的优化控制。粒子群算法具有自适应控制,全局搜索等优点但本身存在早熟收敛及在进化后期收敛速度慢等缺点,通过优势互补思想引入差分进化算法,新算法结合两者优势有效提高粒子在全局的寻优效率,建立对应的混合算法优化模型,并与普通粒子群算法优化进行比较,结果证明了该算法在保证出水水质的前提下做到降低能耗。     

一种传感器特性的高精度拟合方法

为提高传感器非线性特性的拟合精度,提出了一种基于最小二乘支持向量机(LSSVM)与量子粒子群优化算法(QPSO)的传感器特性拟合方法;该方法采用最小二乘支持向量机构建传感器特性的非线性回归模型,模型的参数向量由量子粒子群优化算法和学习样本平均绝对误差最小的准则进行优化;实验结果验证了该方法的有效性,其拟合绝对误差在10-9~10-7%之间,其拟合性能明显优于常规方法。     

基于量子粒子群算法的混沌系统参数辨识

针对混沌系统参数辨识问题, 在基本群智能算法粒子群优化算法的基础上, 提出量子粒子群算法, 测试函数证明了算法具有良好的全局优化能力. 进而将其应用于混沌系统参数辨识问题, 将参数辨识问题转化为多维函数空间上的优化问题. 通过对平衡板热对流典型混沌系统Lorenz系统进行研究, 并与基本算法和遗传算法比较. 仿真实验证明, 算法的有效性, 对混沌理论的发展有着非常重要的意义. 关键词： 量子粒子群算法 混沌系统 系统辨识     

基于QPSO—SVM算法的PDS变送器温度补偿方法

由于PDS压力变送器[1] 的测量数据会随着温度的变化而发生温度漂移,文中提出了量子粒子群[2](QPSO)算法和支持向量机[3](SVM)算法相结合的方法对压力变送器的输出数据进行补偿处理,通过QPSO算法优化SVM参数C、δ²,然后利用SVM的函数拟合建立补偿模型;通过分析工程实验结果,该方法在全局收敛性、非线性目标函数逼近能力等方面效果显著,在压力传感器温度补偿处理上具有较高的实用性。     

基于混合群智能优化算法的混沌系统参数估计

混沌系统的未知系统参数估计是实现混沌控制和同步的首要问题,通过构造一个合理的适应度函数,可将其转化为一个多维搜索空间的优化问题.提出一种融合改进骨干粒子群算法与改进差分进化算法的混合群智能优化方法来解决上述优化问题.对骨干粒子群算法中的粒子位置更新机制以及差分进化算法中的变异操作、交叉操作、交叉概率因子的设计等进行改进,有效兼顾了种群的多样性与算法的收敛性.在此基础上,讨论骨干粒子群优化算法与差分进化的融合优化策略,实现两个算法的协同进化,进一步提高算法的综合优化性能.用6个基准测试函数以及Lorenz混沌系统为例进行仿真实验,结果表明该方法具有全局寻优能力强、收敛速度快、搜索精度高、稳健性好等优点.     

Logistic型混合自适应分数阶达尔文粒子群优化算法

针对分数阶达尔文微粒群优化(FDPSO)算法收敛速度慢,收敛精度不高的问题,改进其算法中分数阶速度更新策略,同时引入Logistic型混合分数阶自适应动态调整策略,得到一种改进的自适应分数阶达尔文粒子群优化(LFDPSO)算法,通过理论分析,证明了该算法在给定条件下的收敛性,并由数值实验表明,Logistic型混合自适应分数阶达尔文粒子群(LFDPSO)算法在收敛精度和收敛速度上得到了有效改善与提高,粒子在局部最优时的逃逸能力、全局寻优及智能搜索能力显著增强。     

基于二进制粒子群算法的认知无线电决策引擎

提出了基于粒子群算法的认知无线电决策引擎,并提出了一种种群自适应粒子群算法,利用粒子群算法调整优化无线电参数,运用多载波系统对算法性能进行了仿真分析.实验结果表明基于二进制粒子群算法的认知决策引擎在收敛速度、收敛精度和算法稳定性上都要明显优于经典遗传算法,基于种群自适应粒子群算法的决策引擎则能进一步提高算法初期性能,满足认知无线电实时性要求. 关键词： 认知无线电 粒子群算法 遗传算法 认知决策引擎     

发酵过程混合建模与优化控制新方法

针对当前微生物发酵过程存在因为生物传感器不具备足够的准确性和灵敏性,实验时的菌液和产物浓度等生化指标难以实时监测和控制等缺点,提出了采用量子粒子群优化算法(QPSO)优化最小二乘支持向量机(LSSVM)参数的QPSO-LSSVM混合建模新方法,并用于多粘菌素的发酵过程建模;同时,基于此模型,采用QPSO算法对pH值与溶解氧浓度Do控制轨线进行优化研究。首先,利用LSSVM进行发酵过程的建模,然后采用QPSO对LSSVM建模过程中的重要参数进行优化调整,形成QPSO-LSSVM混合建模与优化控制方法。仿真结果表明,该方法得到的模型能取得更好的预测效果,优化后的pH值与Do浓度控制轨线能够提高最终的产物浓度。该方法用于发酵过程的建模和重要参数的优化控制是可行的、有效的。     

粒子群及遗传算法在相对论返波管中的应用

在全三维粒子模拟软件CHIPIC平台上,分别开发了粒子群及基因算法模块.以相对论返波管为例,采用三种不同类型的参数(连续参数、离散参数、混合参数),对粒子群及基因算法进行比较.优化结果表明:粒子群算法的收敛速度更快,在有限的迭代步数内得到的目标结果也更优良,总体表现优于基因算法.     

微动粒子群优化算法用于Egun的多参量优化

 针对2维电子光学多参量优化问题,采用微动粒子群优化算法,在给出目标电子轨迹和优化范围的前提下,可以得到趋近于该电子轨迹的真空边界和聚束磁结构。该算法分为前后两阶段：第一阶段采用前后试探法(微动),同时参照最优粒子的信息;第二阶段采用标准粒子群优化算法。针对涉及多个相关参量的电子光学设计问题,标准粒子群优化算法仅能保证以较高概率收敛到局部最佳解,而微动粒子群优化算法能以较高概率收敛到全局最佳解,并且展现了多核计算机在电子光学设计上的潜力。初步的软件试验显示：消耗人类工程师几周时间的电子光学设计问题,用微动粒子群算法在普通个人计算机上几十小时就能完成。