基于改进协方差自适应矩阵进化策略的永磁同步电机无传感器控制

针对永磁同步电机无传感器控制系统中搭载超螺旋滑模观测器(STSMO)的PID控制系统在改变工况时产生的伴随抖振的控制超调、转速波动等问题,提出了采用基于加入混沌扰动的改进协方差自适应矩阵进化策略(CMA-ES)算法优化转速环PID控制方法,抑制PID-STSMO控制系统的持续抖振和超调现象,增强永磁同步电机控制系统的鲁棒性。最后,通过MATLAB/Simulink软件对所设计的永磁同步电机无传感器控制系统在不同工况下仿真,验证了提出的观测控制策略的有效性。

基于动态反向学习的协方差矩阵自适应进化策略的经济调度优化

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.

基于协方差矩阵自适应进化策略的机器人手眼标定算法

针对视觉传感器标定和机器人运动学求解过程中存在噪声干扰,导致传统的手眼标定算法求解误差较大的问题,提出一种基于协方差矩阵自适应进化策略(CMAES)的机器人手眼标定算法。首先,采用对偶四元数(DQ)对旋转和平移分别建立目标函数和几何约束,简化求解模型;其次,采用惩罚函数法将约束问题转化成无约束优化问题;最后,使用CMAES算法逼近手眼标定旋转和平移方程的全局最优解。搭建机器人、相机实测实验平台,将所提算法与Tsai两步法、非线性优化算法INRIA、DQ算法进行对比。实验结果表明:所提算法在旋转和平移上的求解误差和方差均小于传统算法;与Tsai算法相比,所提算法的旋转精度提升了4.58%,平移精度提升了10.54%。可见在存在噪声干扰的实际手眼标定过程中,所提算法具有更好的求解精度与稳定性。

求解全局优化问题的正交协方差矩阵自适应进化策略算法

针对协方差矩阵自适应进化策略(CMAES)求解高维多模态函数时存在早熟收敛及求解精度不高的缺陷,提出一种融合量化正交设计(OD/Q)思想的正交CMAES算法。首先利用小种群的CMAES进行快速搜索,当算法陷入局部极值时,依据当前最好解的位置动态选取基向量,接着利用OD/Q构造的试验向量探测包括极值附近区域在内的整个搜索空间,从而引导算法跳出局部最优。通过对6个高维多模态标准函数进行测试并与其他算法相比较,其结果表明,正交CMAES算法具有更好的搜索精度、收敛速度和全局寻优性能。

混沌协方差矩阵自适应进化策略优化算法

为了改进进化策略算法的性能,提出了一种混沌协方差矩阵自适应进化策略(ChaosCMA-ES)算法,该算法在协方差矩阵自适应进化策略(CMA-ES)算法的基础上引入了混沌算子,并利用其更新种群中心的位置,使得种群具备良好的全局搜索能力。试验结果表明,本文算法对复杂多峰函数的寻优效果好于其他几种算法。最后,将本文算法用于优化网络安全态势的预测模型,预测结果的精度高于其他方法。

基于自适应协方差矩阵进化策略的结构可靠度计算

自适应协方差矩阵进化策略(CMA-ES)算法是一种引导式随机优化算法,兼顾了深度搜索最优解和广度搜索解空间的能力。针对采用遗传算法(GA)、粒子群优化算法(PSO)等仿生优化算法求解复杂结构可靠度时往往遇到计算代价过高的问题,基于结构可靠度指标的几何涵义并结合验算点法,提出了结构可靠度计算的自适应协方差矩阵进化策略方法。研究结果表明,该方法是可行的,具有全局性好、收敛速度快的优点,与遗传算法、粒子群优化算法相比较,可大幅度地提高计算效率,为结构可靠度计算提供了一条新的途径。

集成协方差矩阵自适应进化策略与差分进化的优化算法

不同智能优化算法在求解优化问题时通常表现出显著的性能差异.差分进化(DE)算法具备较好的全局搜索能力,但存在收敛慢、效率低的不足,协方差矩阵自适应进化策略(CMA–ES)局部搜索能力强,具备旋转不变性,但容易陷入局部最优,因此,DE和CMA–ES之间具有潜在的协同互补能力.针对上述问题,提出了一种集成协方差矩阵自适应进化策略与差分进化的优化算法(CMADE).在CMADE框架中,DE算法负责全局搜索,CMA–ES算法进行局部搜索.通过周期性解交换机制实现CMA–ES和DE两个算法间协同交互和反馈控制.在解交换时,从DE种群中选择优秀个体,利用CMA–ES算法在优秀个体周围进行局部搜索.同时在DE和CMA–ES的混合种群中,综合考虑解的多样性和最优性,选取一定比例的解作为DE算法的新种群进行全局搜索,实现全局搜索与局部搜索的动态平衡.将CMADE算法与CMA–ES,DE,SaDE,jDE,EPSDE,ACODE和SHADE算法在CEC2014标准测试集上进行比较实验.结果表明,CMADE整体性能显著优于其它比较算法.

基于云推理的协方差矩阵自适应进化策略算法

针对协方差矩阵自适应进化策略(CMA-ES)在求解某些问题时存在早熟收敛、精度不高等缺点,通过利用云模型良好的不确定性问题处理能力对CMA-ES的步长控制过程进行改进,得到一种基于云推理的改进CMA-ES算法。该算法通过建立步长控制的云推理模型,采用云模型的不确定性推理来实现步长的控制,避免了原算法采用确定的函数映射进行步长伸缩变化而忽视进化过程中不确定性的不足。最后通过测试函数验证了改进算法具有较高的寻优性能。

自适应协方差矩阵进化策略算法

自适应协方差矩阵进化策略(CMA-ES)算法是Nikolaus Hansen等人提出的一种新的进化算法,通过模拟自然界生物进化过程,达到寻优目的。多个测试函数结果表明,该算法具有全局性能好、寻优效率高的特点,为解决高计算代价复杂工程优化问题的求解提供了新的途径。

融合随机因子的协方差自适应进化策略

协方差自适应进化策略(covariance matrix adaptation-evolution strategy,CMA-ES)作为一种并行搜索算法,可以很好地处理病态条件下高维复杂问题,针对求解过程中存在着局部搜索能力弱、易于陷入局部最优、收敛速度不够快等问题,提出了一种融合于随机因子的协方差自适应进化策略(random-factor CMA-ES,RFCMA-ES),在更新步长方向上引入第三方随机项,更好地保持协方差沿梯度下降的速度,加强了算法的搜索能力,克服了传统迭代公式中根据种群寻优和个体解更新过程中易陷入局部最优的现象.使用改进算法在6个多维多峰测试函数上进行200次重复实验寻优,结果表明:RFCMA-ES的全局寻优能力更强,收敛速度较原始算法平均提高了36.256%,且在寻优过程中也具有更强的稳定性.

多种群协方差学习差分进化算法

种群多样性与交叉算子在差分进化(DE)算法求解全局优化问题中具有重要作用,该文提出一种多种群协方差学习差分进化(MCDE)算法。首先,采用多种群机制的种群结构,利用每一子种群结合相应的变异策略保证进化过程个体多样性。然后,通过种群间的协方差学习,为交叉操作建立一个适当旋转的坐标系统;同时,使用自适应控制参数来平衡种群的勘测与收敛能力。最后,在单峰函数、多峰函数、偏移函数和高维函数的25个基准测试函数上进行测试,并同其他先进的进化算法对比,实验结果表明该文算法相较于其他算法在求解全局优化问题上达到最优效果。

多策略协方差矩阵学习差分进化算法

针对差分进化算法(DE)存在的早熟收敛和搜索停滞的问题,提出了多策略协方差矩阵学习的差分进化算法。通过协方差矩阵建立特征坐标系,通过在特征坐标系中执行变异和交叉操作,来充分利用当前种群的分布信息以及各变量之间的关系,保证种群能朝着全局最优解的方向进化;根据历史进化信息来选择变异策略的方式使得个体能选择当前最合适的变异策略,提高找到最优解的概率;交叉概率的自适应也一定程度上平衡算法的全局探索能力和局部探索能力。对算法的收敛性进行了证明,同时将算法在CEC2017测试集上进行了仿真实验,并将实验结果跟其他优秀的差分进化算法进行了对比,对比结果表明了该算法的有效性。

WSN中节点分布的协方差矩阵自适应优化策略

针对无线传感器网络(WSNs)中传感器节点的分布优化问题,提出了一种基于协方差矩阵自适应进化策略(CMA-ES)的网络节点分布优化方法。首先,以最大化网络的区域覆盖率为目标建立问题的求解模型,然后,采用CMA-ES算法对模型求解得到网络最优的节点位置分布方案。仿真对比实验表明:CMA-ES算法可以很好地解决无线传感器网络节点的分布优化问题,相比于传统遗传算法、基本粒子群算法和差分进化算法,表现出较快的寻优速度和更高的区域覆盖率。

基于投影寻踪的自适应地磁/地形匹配导航

针对单一特征量匹配导航方法所带来的区域性不可靠问题,提出了一种自适应多维特征量匹配算法。在建立基于投影寻踪的多维地磁/地形匹配特征量选取模型的基础上,将模型转化为组织进化数值优化问题并进行求解,实现载体运行过程中分区域对匹配特征量进行自适应选取,从而避免了匹配导航的区域性不可靠问题。通过对算例进行验证,并进行实际数据仿真表明,采用自适应特征量匹配导航可以带来更小的全局导航误差,进而验证了该方法的有效性。

基于自适应差分进化极限学习机的车牌识别算法

针对目前车牌识别算法中存在的模型训练慢、字符识别准确率低等问题,研究了一种基于自适应差分进化极限学习机的车牌识别算法。综合利用边缘检测和颜色定位的优点来检测车牌区域,然后用改进后的垂直投影法对车牌区域进行分割,最后将自适应差分进化极限学习机用于字符识别。研究结果表明,所提出算法具有训练速度快、字符识别率高等优点,可以应用于复杂的交通场景。

基于酉变换的正交投影自适应波束形成

正交投影 (OP)自适应波束形成算法性能优良 ,但需要进行复协方差矩阵特征分解 ,运算量大。提出了一种基于酉变换的OP自适应波束形成算法 ,该算法对取样协方差矩阵Toeptitz化后利用酉变换将其转换为实矩阵 ,然后对实矩阵特征分解进行自适应波束形成。波束形成器的实值运算可节省大量计算时间。理论分析和计算机仿真结果表明此方法是有效的。

稳健自适应波束形成算法综述

标准Capon波束形成器(SCB)通过最小化波束输出功率,同时约束期望信号无失真输出以达到最大化输出信干噪比,但标准Capon波束对模型失配误差非常敏感,如来波方向估计误差、阵列扰动、目标运动等因素引起导向矢量误差,短快拍数据会引起协方差矩阵估计不准确。这些失配会引起波束形成输出信干噪比性能下降。为了提高Capon波束形成算法的鲁棒性,提出诸多稳健自适应波束形成算法,主要解决方案是对期望信号导向矢量和干扰加噪声的协方差矩阵进行修正。介绍标准Capon波束形成的信号模型及误差对其输出信干噪比的影响;从影响自适应波束形成性能的两个因素即协方差矩阵和期望信号导向矢量,对稳健自适应波束形成典型算法进行综述;对几种典型稳健自适应波束形成算法进行了仿真实验,结果表明所提算法的有效性,并对研究方向进行了展望。

基于子空间投影的空时自适应处理算法

机载多通道相控阵雷达的空时自适应处理的核心问题在于总干扰的协方差估计。由于实际数据不可避免地存在非均匀性,常规的空时自适应处理算法中协方差估计的误差将导致算法性能的衰减。本文通过将接收数据投影至与杂波和干扰源正交的子空间上有效地抑制杂波和干扰源,避免了协方差估计误差导致的性能衰减问题。最后通过仿真验证了算法的有效性。

基于投影寻踪的多维地磁匹配融合算法

单一地磁特征匹配算法容易受到特征量区域缓变特性的影响,从而降低了算法的定位精度。针对单一特征量匹配算法的区域性不可靠问题,提出了一种多维地磁匹配融合算法;该算法在建立多维地磁匹配特征量投影寻踪分类模型的基础上,采用组织进化数值优化算法对模型进行求解,算法根据采样数据的特点自适应获得各匹配特征量的定位贡献权重(可信度),将经过加权融合的匹配位置作为最终定位位置,避免了单特征量匹配的区域性不可靠问题。仿真结果表明,采用多维地磁匹配融合算法较单一特征匹配算法大大减小了全局匹配定位误差,验证了算法的有效性。

基于层次分析和模糊专家评判的投影寻踪决策方法

针对投影寻踪方法对多属性决策问题建模时,无法兼顾决策者经验及偏好、权重系数可能违背实际的问题,提出了一种基于层次分析和模糊专家评判的投影寻踪决策方法。借助层次分析法的思想构建指标的层次结构,然后专家根据经验进行模糊评判,得到准则的重要程度序关系,将其以约束的形式融入投影寻踪模型中。同时,针对差分进化算法的不足,提出了自适应聚类差分进化算法,并用于投影寻踪模型中的指标函数优化,得到最佳权重系数。该方法在客观赋权的基础上,融合了主观信息,弥补了两种赋权方法的不足,实际的算例验证了所提出的决策方法与优化算法的可行性与有效性。