粒子群优化算法在TDOA定位中的应用

提出了接收端在空间随机分布时,利用粒子群优化算法解决TDOA定位估计中遇到的非线性最优化问题.针对TDOA定位方式,该算法首先初始化一个随机粒子群,然后根据适应度值更新粒子速度和位置,通过迭代搜索最佳坐标.仿真结果表明,在参数设定合理的情况下,该算法性能稳定,能找到逼近全局最优点的解,相对于其他算法精度更高.     

基于粒子群优化算法的MGEKF在舰载无源定位中的应用

针对舰载无源定位中对高速运动目标定位精度不高的问题,引入多普勒频率变化率为测量量,同时提出把粒子群优化算法与MGEKF算法相结合,将PSO算法用于MGEKF的初始阶段,既避免了PSO算法运算最大的缺点,又避免了MGEKF受初值和修正函数影响不收敛的问题,缩短定位时间的同时提高了定位精度,仿真结果验汪了该方法的有效性和稳定性.     

基于改进粒子群算法的薄板件定位策略优化

目前薄板件定位策略优化需要进行大量的有限元分析,限制了夹具设计的效率。为了减少有限元分析次数,提出了一种基于惯性权值的粒子群改进算法,并通过对有限元软件的二次开发将该优化算法应用于夹具定位点的优化设计当中,以某车身前翼子板为实例进行了夹具定位优化设计,结果表明了方法的有效性。     

基于平淡卡尔曼滤波的微弱GPS信号跟踪算法

在接收信号很微弱的情况下，全球定位系统（GPS）的传统方法不能很好地跟踪信号．文中采用非线性卡尔曼滤波算法取代传统的延迟锁定环和相位锁定环，用于高灵敏度GPS接收机的微弱信号处理环节，针对所提出的微弱信号系统模型中相关运算的特点，运用平淡卡尔曼滤波器进行信号跟踪．仿真结果表明，新方法能够较好地跟踪到载噪比低至27dB-Hz的微弱信号，确保了跟踪精度；同时具有较高的灵敏度．     

基于粒子群算法的边界盒定位改进算法研究

在传统的边界盒(Ｂｏｕｎｄｉｎｇ－ｂｏｘ)定位算法中 采用正方形交集区域的质心作为定位结果 定位误差相对较大 针对该问题 给出粒子群算法(ＰＳＯ)改进的边界盒定位算法 该方法定位时 在取得交集区域后 先通过粒子群算法对该区域进行并行搜索 从而取得优化定位坐标 仿真实验结果表明:基于粒子群算法的边界盒定位改进算法减少了定位过程的计算的迭代过程 使得计算速度增快 且定位误差减少 定位精度值得到了提升     

基于平方根容积卡尔曼滤波的永磁同步电机状态估计

针对使用容积卡尔曼滤波算法(Cubature Kalman Filter, CKF)在复杂非线性状态估计时存在的误差较大、运算速度慢等问题,引入一款改进后的平方根容积卡尔曼滤波算法(Square-Root Cubature Kalman Filter, SRCKF)。建立非线性系统线性化模型和电机数学模型,引入SRCKF实现对转速和转子位置的状态估计,在Matlab/Simulink环境下对SRCKF和CKF两种算法进行仿真。结果表明：平方根容积卡尔曼滤波大大降低了电机在状态估计时的运行速度和估计误差,提高了估计精度,系统更加稳定。     

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波（EKF）在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波（UKF）算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。     

基于坐标旋转角的均值粒子群优化算法

文中提出了基于坐标旋转角的均值粒子群算法,其原理是:在每次迭代中,粒子的下一个飞行位置的方向与当前最好位置的方向之间偏角较大时,则粒子的位置和速度更新中加入一个角度来改变位置和速度的方向,同时角度也更新。通过典型函数优化实验表明,本文算法具有较高的计算精度和较快的收敛速度。     

基于样本均值和中位值的粒子群优化定位算法

针对室内LOS/NLOS混合环境,提出基于假设检验的方法确定NLOS状态,并采用具有收缩因子的粒子群优化算法进行定位.在采样值存在异常情况时,样本中位值性能优于样本均值.因此,在LOS和NLOS状态下,分别采用样本均值和样本中位值建立最小平方误差代价函数.为了增强算法的全局和局部搜索能力,在粒子群优化算法的基础上引入收缩因子.仿真实验表明,在NLOS遮挡比较严重的情况下,所提出的基于样本均值和样本中位值改进的粒子群优化定位算法较只采用样本均值改进的粒子群优化算法和一般的粒子群优化算法定位精度高.     

基于模拟退火的改进粒子群算法研究

为克服粒子群算法在求解复杂的多峰问题时极易陷入局部最优解的缺陷,作者提出一种基于模拟退火的改进粒子群算法(PSOBSA).在PSOBSA算法中,每间隔若干代,对粒子的历史最优位置进行变异操作,以产生新的粒子;并采用模拟退火的思想,允许新产生的粒子的目标函数值在有限范围内变化;最后采用一种广义的学习策略提升种群收敛的概率.在基准函数的测试中,结果显示PSOBSA算法比基本PSO算法有更好的性能.     

改进的粒子群算法

为了改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强,收敛较慢的问题,提出了基于退火思想的改进的粒子群优化算法,新的算法更有利于粒子发现问题的全局最优解。通过对经典函数的测试计算,验证了方法的正确性和有效性。     

基于改进粒子群算法的造林规划

一直以来造林规划的工作者主要是靠手工进行规划或者运用一些通用的计算机软件来辅助规划,表现出工作繁琐、效率低、设计粗糙、计算不科学.首先给出一种改进的粒子群算法,即使用最简单的罚函数法将约束优化问题转化为无约束优化问题,然后将不同阶段搜索进度应用到粒子群算法中.该算法在优化目标函数的分析性质上没有特殊要求,并具有较强的全局寻优能力.用该改进粒子群算法来确定在资金、计划、苗木品种和数量等约束条件下小班造林规划最优方案,结果表明该算法在约束条件下造林规划效果很理想.     

基于多极小值粒子群的自适应运动估计算法

为了提高视频编码效率,提出一种基于多极小值粒子群的快速运动估计算法.该算法将运动矢量特性和多极小值粒子群算法的全局搜索特性结合,采用自适应运动强度、运动矢量预测以及提前终止迭代等方法,克服单峰误差曲面假设的限制.实验结果表明,对运动平缓和中等的视频序列,该算法的运算复杂度与DS相当.对于运动剧烈的视频序列,该算法的运算复杂度与TSS相当.在增加少量搜索点数的情况下,各类视频序列的搜索精度都接近FS.     

基于粒子群优化算法的期权波动率估计

波动率是Black-Scholes公式中的一个重要参数,期权价格对它的变动非常敏感.本文首先介绍了Black-Scholes期权定价公式,分析了波动率对期权定价的重要性.然后,为了计算粒子位置和速度,本文根据全局最优位置的历史数据及变异操作,提出了一种基于全局最优位置修正的粒子群优化算法.最后,本文在数值实验中运用修正的粒子群优化算法获得了基于期货合约的欧式看涨期权公式中波动率的估计值,并通过实验结果比较表明该算法具有更好的收敛性.     

基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,成功地运用于广泛的数值优化问题.PSO算法在求解高维复杂函数优化问题时容易陷入局部最优.有鉴于此,提出了一种基于信息熵的粒子优化算法.该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性.实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度.     

浅谈粒子群优化算法

粒子群优化（PSO）算法是一类随机全局优化技术,其思想来源于人工生命和演化计算理论。PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法及其应用,并讨论将来可能的研究内容。     

基于改进型粒子群优化的节点自定位算法

为了提高测距误差影响下无线传感器网络节点自定位精度,提出一种基于距离的节点自定位新算法.对混沌搜索与粒子群优化进行算法融合,给出一种改进型粒子群优化算法,将其应用于节点自定位.新算法利用未知节点与信标节点之间的距离信息,通过改进型粒子群优化算法获取未知节点的位置.仿真结果表明,改进型粒子群优化算法对两种标准测试函数的搜索结果优于一般的粒子群优化算法.在测距误差和信标节点数量相同的条件下,相对于最小二乘估计法,新算法在各个测距误差级上的定位精度更高,其定位误差随测距误差增大而上升的趋势更缓慢.新算法具有更好的鲁棒性,适用于测距误差较大、信标节点数量较少的情况.     

基于模糊粒子群算法的非线性函数优化

针对非线性函数优化问题,提出一种新型的模糊粒子群算法.该算法基于模糊控制器中输入输出的模糊化处理和粒子群寻优的特点.算法在Matlab 2008环境下编程实现,针对几个典型复杂的非线性函数进行优化测试.实现结果表明:模糊粒子群算法是一种简单有效的算法,具有良好的有效性和鲁棒性.