耗散结构和差分变异混合的鸡群算法

针对标准鸡群算法在求解高维优化问题时过早收敛于局部最优和收敛速度慢等问题,提出了一种耗散结构和差分变异混合的鸡群算法.该算法通过将耗散结构引入至雄鸡位置的更新公式,扩大了鸡群的搜索空间,增强了算法的全局搜索能力;同时,通过对随机选择的个体进行差分变异操作,增强了算法的收敛性能.对选取的18个标准函数进行仿真实验,结果表明,算法的收敛精度、收敛速度和稳定性均明显优于其他几种算法.     

基于自适应和变游走方向的改进狼群算法

针对狼群算法涉及参数较多、步长参数无法动态调整、游走方向固定等缺点,提出了一种基于自适应和变游走方向的改进狼群算法.该算法改进了游走行为、召唤行为、围攻行为3个主要步骤的移动步长,特别是当游走行为的试探方向改进后,每头狼都能根据头狼位置的变化自动调节移动步长、更换游走方向,从而简化参数设定,提高收敛速度和求解精度.仿真结果表明,改进算法在低维单峰函数求解精度上较原算法有明显改善,亦进一步提高了高维多峰函数的求解精度.     

基于自适应演化算法的DS-CDMA多用户检测

提出了一种新的自适应演化算法，用来解决码分多址系统中的多用户检测问题．该算法采用最大似然判决来检测用户发送的比特序列，根据当前变异的成功概率来自适应调整子代种群规模．仿真结果表明，基于自适应演化算法的多用户检测器总能在指定的迭代次数内收敛到与最优多用户检测器相一致的结果．该算法与未采用自适应机制的进化规划相比，当用户数从10增加到20时，收敛所需的代数相应减少37．5％到47．8％．该算法的计算复杂度是与用户数相关的多项式复杂度，与最优多用户检测器的指数复杂度相比，具有较好的可行性和实用性．     

一种分块图像的BP压缩感知重构算法

在图像压缩感知重构中,针对重构效果和耗时不兼得的问题进行深入研究.基于离散余弦基稀疏表示,选用随机高斯矩阵进行观测采样,针对基追踪(BP)重构算法精度相对较高同时计算复杂度也高的特点,结合图像分块可以提高运算速度和精度这一优点,提出一种基于分块图像的基追踪(BP)重构算法,并与常用的正交匹配追踪OMP算法、BP算法、COSAMP算法、基于分块图像的压缩采样匹配追踪(COSAMP)算法、基于过完备字典(KSVD)的OMP重构算法和基于过完备字典(KSVD)的BP重构算法进行对比;借助MATLAB进行仿真实验,得到不同采样率下的重构图像以及重构图像的峰值信噪比和运行时间.实验结果表明:基于分块图像的基追踪(BP)重构算法不但峰值信噪比(PSNR)比普通算法高出1～10d B不等,而且运行时间比较短,所以本文所提算法兼顾了重构精度和运算效率.另外,对本文所提算法分块大小、稀疏度设置多大为最优这两个问题进行大量重复实验,最后确定分块大小为8*8、稀疏度设置为图像矩阵(N*N)原维度N的0.2～0.4倍时为最优.     

一种基于精英云变异的差分演化算法

针对传统差分演化算法在演化过程中存在少数个体出现停滞的现象,提出一种基于精英云变异的差分演化算法.该算法在演化过程中统计出每个个体的停滞代数,当一个个体的停滞代数达到指定的阈值时,对该个体执行精英云变异操作,使其向最优个体靠近,从而加快收敛速度;同时以一定的概率对所有个体执行一般反向学习操作,以增加种群的多样性.对比实验结果表明该算法在收敛速度和求解精度上均具有一定的优势.     

考虑碳排放的分布式电源优化配置

对分布式电源接入配电网进行合理的优化配置,能在兼顾运营商和用户利益的同时,改善系统整体电压分布。建立了综合考虑分布式电源投资成本、用户购电成本、网损费用和碳排放费用的多目标优化模型。利用改进层次分析法确定各目标的权重,进而转化为单目标函数规划问题。针对天牛须算法个体单一性在解决高维复杂问题时精度低,优化效果不佳的问题,提出了一种改进天牛须粒子群算法,利用混沌映射对参数进行调整,引入动态惯性权重、莱维飞行机制,提高了收敛速度。以IEEE33节点系统为例,将改进天牛须粒子群算法与粒子群算法及天牛须粒子群算法的效果对比,验证改进算法对分布式电源优化配置问题的可行性,有效降低了碳排放费用、用户购电费用,减少了系统网损,改善了系统整体电压分布。     

基于动态因子和共享适应度的改进粒子群算法

为提高粒子群算法的收敛速度和优化性能,避免陷入局部最优,提出了一种基于动态学习因子和共享适应度函数的改进粒子群算法.在惯性权重w随着迭代次数非线性减少而动态调整学习因子的基础上,引入共享适应度函数.当算法未达到终止条件而收敛时,利用粒子和最优解间距离挑选一批粒子重新初始化形成新群体,并用共享适应度函数对新群体进行评价,新旧2个群体分别追随自己的局部最优解直至迭代结束.对4个典型多峰复杂函数的测试结果表明,该改进算法不仅加快了寻得最优解的速度,而且提高了粒子群算法全局收敛的性能.     

一种非线性自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法搜索速度对其优化性能的影响,提出了一种根据速度信息非线性自适应调整参数的粒子群优化算法.在算法迭代过程中,粒子随迭代次数和递减指数确定的非线性变化的理想速度自适应调整参数进行搜索,提高了粒子群算法的性能.提出的算法经过测试函数的模拟实验验证,并与其他已有算法进行了比较.实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势,特别是高维、多峰等复杂非线性优化问题时,算法的优势更明显.     

在GPU上求解大规模优化问题的反向策略的PSO算法

本文通过对传统粒子群算法(PSO)的分析,在GPU(Graphic Process Unit)上设计了基于一般反向学习策略的粒子群算法,并用于求解大规模优化问题.主要思想是通过一般反向学习策略转化当前解空间,提高算法找到最优解的几率,同时使用GPU大量线程并行来加速收敛速度.对比数值实验表明,对于求解大规模高维的优化问题,本文算法比其他智能算法具有更好的精度和更快的收敛速度.     

基于多准则决策的塔状粒子群优化算法

针对经典粒子群优化算法存在早熟、收敛精度低和收敛速度慢的问题, 提出了一种新的改进算法. 该算法采用了塔状优化互联机制, 底层粒子群负责寻找局部最优解, 顶层粒子负责收集、反馈全局最优解, 为底层种群提供全局最优信息, 建立共享学习机制. 顶层粒子一旦发现停滞现象, 将通知底层粒子群采用细菌觅食优化、随机初始化等停滞优化策略, 以改善粒子群的收敛速度. 实验结果表明, 与同类算法相比, 改进算法具有更好的寻优能力, 改善了粒子群的收敛精度和收敛速度.     

自适应混合演化算法

为避免标准的演化算法演化速度慢，易收敛到局部极值的缺点，融合对梯度的随机模拟，免疫算子，模拟退火算法的思想，提出一种自适应混合演化算法，它在不同的演化阶段自适应的采用不同的演化算子，在演化初期具有较强的全局搜索性能，在演化中后期具有较强的精搜索性能，能迅速收敛于全局最优解；对标准测试函数的仿真结果表明，该算法具有精度高，收敛速度快，稳健性强的优点。     

基于动态模态分解的长江口海表温度时空分布特征重构研究

河口近海海域的海表温度分布特征对于深入理解海洋热力、动力过程及海气相互作用等自然过程及综合效应具有重要意义。卫星数据重构是精确获取动态大面积海表温度数据的重要手段,采用非线性系统的动态模态分解（dynamic mode decomposition,DMD）数据分析方法,利用2003年1月至2016年7月的MODIS\SST数据,经剔除异常数据、填补空白数据后,重构了2016年8月至2019年12月长江口海洋表面温度数据,并评估了重构效果。研究结果表明,在时序数据充足的情况下,DMD算法能很好地解决动态系统的采样问题。DMD结合正交三角（orthogonal right triangular,QR）分解算法能有效重构长江口的海表温度数据,平均均方根误差（root mean square error,RMSE）为0.007 6。进一步分析发现,无论是DMD算法还是DMD结合QR分解算法,还原结果精度都较高。     

卡尔曼滤波在室内定位系统实时跟踪中的应用

为了解决室内定位系统实时跟踪应用中所估算的用户位置方差较大,用户位置移动不平缓这一难题,提出了一种基于卡尔曼滤波的室内定位方法.首先利用最近邻居法估算用户的位置坐标,然后再利用卡尔曼滤波算法对用户的估算位置坐标进行滤波处理,以提高室内定位系统的性能和稳定性.实验结果表明,卡尔曼滤波算法可以将2 m以内85%的定位精度进一步提高到93%,3 m以内95%的定位精度提高到98%,改进效果明显而且稳定.     

双向中继网络中基于压缩感知的稀疏信道估计

为提高双向中继网络中稀疏信道估计的精度并减少训练序列的长度, 利用双向中继信道(Two-way Relay Channel, TWRC)的潜在稀疏特性, 研究了基于压缩感知的稀疏TWRC估计问题, 提出了一种改进的正交匹配追踪(Improved Orthogonal Matching Pursuit, IOMP)算法. 新算法运用迭代重加权最小二乘估计代替了正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法中的最小二乘估计过程, 通过对样本进行迭代重加权, 逐步减小了异常样本的影响, 不断地修正了估计值, 在使用相同长度的训练序列时, 提高了估计的精度. 与传统的最小二乘估计算法相比, 新算法能够在获得相同估计效果的情况下, 显著减少所需训练序列的长度. 仿真结果验证了基于新算法的稀疏TWRC估计的有效性.     

一种高生存性的车载自组网可信路由协议

针对目前车载自组网中路由安全问题,提出一种基于经验信任的可信路由模型.该模型从客观信任的角度引入经验信任的概念作为可信度量的标准,并给出了计算节点经验信任值和信誉度的推荐方法,根据节点的经验信任值设计一种新的动态包转发规则,从而实现车载自组网的可信路由.实验结果表明,该模型较贪婪周边无状态路由(greedy perimeter stateless routing,GPSR)协议具有较高的抵抗自私节点的能力.     

电容层析成像的BP网络重建

电容层析成像系统在工业上用于管道内流体的实时监测，本文提出用神经网络的方法来代替传统的反投影算法进行图像重建，以解决传统算法存在的扭曲形变和空间精度受限的问题．文中用改进的ＢＰ算法训练，采用一个两层感知机网络，网络的输入是预处理过的测量电容矢量，输出直接对应到空间图像．实验结果表明使用这一方法，能重建出足够精确的图像     

关于不适定积分方程修正OS-EM算法的收敛性研究

主要针对修正OS-EM(Ordered-Subset Expectation-Maximization)重建算法进行研究, 即利用超松弛参数来加速有序子集, 期望最大化的快速重建算法, 并且通过OS-EM算法来进行收敛性分析. 此外, 还充分利用KL距离的一些性质, 以探究在精确数据的情况下, 修正OS-EM算法的单调性及其方程解的收敛性.     

共轭梯度子空间基追踪算法及其相关结果

压缩感知可以在低于Nyqiust采样率条件下实现稀疏信号的精确恢复. 重构算法是压缩感知的主要研究内容之一. 本文基于子空间基追踪算法的回溯思想与共轭梯度法, 提出了共轭梯度子空间基追踪算法. 通过仿真实验验证了算法的有效性, 并讨论了该算法利用几种常见测量矩阵对稀疏信号的重构效果. 结果显示, 当测量矩阵为部分Fourier矩阵时, 该算法具有最优的重构效果.     

面向有限带宽信道的字典学习图像超分辨率重建

固定邻域回归(ANR)算法采用K层奇异值分解(K-SVD)算法进行字典训练, 在字典学习过程中存在稀疏表示系数不准确的问题, 导致重建的结果不理想. 因此, 引入一种改进的K-SVD算法对字典进行训练, 该算法对字典训练改变了传统K-SVD算法更新稀疏表示系数的方式, 使得稀疏表示系数更加准确, 而且加快了字典的收敛速度, 使得训练得到的字典具有更好的稀疏表达能力. 同时, 针对ANR算法的不足, 提出一种面向有限带宽信道基于字典学习的图像超分辨率方法, 该方法采用改进的K-SVD算法训练字典对 , 并将其应用到ANR算法中, 实现图像的超分辨率重建. 实验结果表明, 本文提出的方法不仅能够保持ANR算法快速重建的优势, 而且提高了图像的重建质量, 具有更高的峰值信噪比和结构相似度.     

基于词序列核的垃圾邮件过滤

针对传统的基于词频特征向量核方法的垃圾邮件过滤算法中忽略词汇间的序列信息而导致信息损失影响过滤精度的问题,本文将词序列核与SVM（support vector machines）算法结合,对垃圾邮件进行过滤,相应的实验表明,该方法提高召回率、正确率和精确率,从而提高了过滤精度.