协方差分析描述函数法(covariance analysis describing function technique,CADET)在处理系统的随机响应问题上具有求解迅速、仿真精度高等优点.但对于复杂系统,其理论推导过程、求解系统解析响应方程较为复杂繁琐.为进一步推广CADET...协方差分析描述函数法(covariance analysis describing function technique,CADET)在处理系统的随机响应问题上具有求解迅速、仿真精度高等优点.但对于复杂系统,其理论推导过程、求解系统解析响应方程较为复杂繁琐.为进一步推广CADET的应用,依托高斯–埃尔米特积分法,提出了一种通用化的CADET数值算法.作为算法验证,以车辆行驶过程中的随机振动为例,建立了几种不同非线性悬架车辆的二自由度动力学模型,并将CADET通用化数值算法与传统CADET算法及蒙特卡罗法进行了对比分析.仿真结果表明,CADET的通用化数值算法可以达到满足应用要求的计算精度,这验证了所提数值算法的有效性,且具有更强的泛化应用于复杂非线性动力系统的价值.展开更多
在电力系统中,针对用于解决多种燃料方案经济调度(economic dispatch,ED)算法收敛精度低的问题,提出了基于动态反向学习的协方差矩阵自适应进化策略(covariance matrix adaptation evolutionary strategy with dynamic opposition learn...在电力系统中,针对用于解决多种燃料方案经济调度(economic dispatch,ED)算法收敛精度低的问题,提出了基于动态反向学习的协方差矩阵自适应进化策略(covariance matrix adaptation evolutionary strategy with dynamic opposition learning,CMA-DOL),旨在根据样本点的变化动态更新反向样本点的范围,提高样本多样性,防止陷入局部最优.本方法在分别由10、40、80个发电机组组成的3个测试系统上进行了验证,并与文献中的其他算法进行比较,对超过50次独立运行的结果进行统计度量,实验结果表明CMA-DOL可以获得更好的解决方案.展开更多
为解决传统波束形成器在干扰位置发生扰动和导向矢量失配时,造成自适应权重的不匹配,从而导致算法性能急剧下降,甚至期望信号相消的问题,提出一种联合协方差矩阵重构和交替方向乘子法(Alternating direction method of multipliers,ADMM...为解决传统波束形成器在干扰位置发生扰动和导向矢量失配时,造成自适应权重的不匹配,从而导致算法性能急剧下降,甚至期望信号相消的问题,提出一种联合协方差矩阵重构和交替方向乘子法(Alternating direction method of multipliers,ADMM)的鲁棒波束形成方法。对此,首先基于波束形成器最大输出功率准则,设计了求解最优导向矢量的优化模型。接着,根据Capon算法空间功率谱函数,利用定义的干扰范围对协方差矩阵进行重构,以展宽零陷并增强系统抗运动干扰能力。最后,关于导向矢量的二次不等式约束问题,本质为估计导向矢量和期望导向矢量间的差异,该方法利用ADMM对该二次规划问题进行迭代求解,并在每次迭代中获得导向矢量的具体解。另外,也分析了算法的复杂度。实验结果表明:对比现有的波束形成算法,在干扰处加宽了零陷,提高了波束的抗干扰性;结合复杂度也证明了其计算速度优于现有的算法,并且能够很好地校正失配导向矢量。本方法也为求解二次不等式约束问题和提高波束形成算法性能提供了一种思路和途径。展开更多
文摘协方差分析描述函数法(covariance analysis describing function technique,CADET)在处理系统的随机响应问题上具有求解迅速、仿真精度高等优点.但对于复杂系统,其理论推导过程、求解系统解析响应方程较为复杂繁琐.为进一步推广CADET的应用,依托高斯–埃尔米特积分法,提出了一种通用化的CADET数值算法.作为算法验证,以车辆行驶过程中的随机振动为例,建立了几种不同非线性悬架车辆的二自由度动力学模型,并将CADET通用化数值算法与传统CADET算法及蒙特卡罗法进行了对比分析.仿真结果表明,CADET的通用化数值算法可以达到满足应用要求的计算精度,这验证了所提数值算法的有效性,且具有更强的泛化应用于复杂非线性动力系统的价值.
文摘在电力系统中,针对用于解决多种燃料方案经济调度(economic dispatch,ED)算法收敛精度低的问题,提出了基于动态反向学习的协方差矩阵自适应进化策略(covariance matrix adaptation evolutionary strategy with dynamic opposition learning,CMA-DOL),旨在根据样本点的变化动态更新反向样本点的范围,提高样本多样性,防止陷入局部最优.本方法在分别由10、40、80个发电机组组成的3个测试系统上进行了验证,并与文献中的其他算法进行比较,对超过50次独立运行的结果进行统计度量,实验结果表明CMA-DOL可以获得更好的解决方案.
文摘为解决传统波束形成器在干扰位置发生扰动和导向矢量失配时,造成自适应权重的不匹配,从而导致算法性能急剧下降,甚至期望信号相消的问题,提出一种联合协方差矩阵重构和交替方向乘子法(Alternating direction method of multipliers,ADMM)的鲁棒波束形成方法。对此,首先基于波束形成器最大输出功率准则,设计了求解最优导向矢量的优化模型。接着,根据Capon算法空间功率谱函数,利用定义的干扰范围对协方差矩阵进行重构,以展宽零陷并增强系统抗运动干扰能力。最后,关于导向矢量的二次不等式约束问题,本质为估计导向矢量和期望导向矢量间的差异,该方法利用ADMM对该二次规划问题进行迭代求解,并在每次迭代中获得导向矢量的具体解。另外,也分析了算法的复杂度。实验结果表明:对比现有的波束形成算法,在干扰处加宽了零陷,提高了波束的抗干扰性;结合复杂度也证明了其计算速度优于现有的算法,并且能够很好地校正失配导向矢量。本方法也为求解二次不等式约束问题和提高波束形成算法性能提供了一种思路和途径。