广义回归神经网络预测适应值的人工植物算法

人工植物算法是最近几年提出来的一种新颖的智能优化算法,把一个植物的生长过程映射为一个智能优化问题。它为那些高维多模问题提出了一种新的解决方法,但是,当把人工植物算法应用到现实问题中时,有时会遇到适应值很耗时的计算,如优化目标和随机问题中存在随机因素的不确定规划问题,或适应值需要通过很多复杂计算才能近似计算等问题。所以,在人工植物算法中需要采取一些预测适应值的策略,采取了基于代进化控制的结合神经网络预测模型的策略(GAPOA)。

具有适应值预测机制的遗传算法

针对适应值计算费时的优化问题,提出一种具有适应值预测机制的遗传算法:为了有效控制预测适应值的准确度和预测频率,建立了一个基于可信度概念的适应值预测模型,引入可信度流失机制以减少预测误差的传播和累积,引入冗余个体剔除机制以减少计算消耗。利用3个基准函数对算法进行收敛性和有效性的测试,测试结果表明算法对于3个测试函数均能获得满意的最优解,并且都能减少60%以上的真实适应值计算次数。

基于灰支持向量回归机预测适应值的交互式集合进化计算

个体适应值的高精度预测和高效的进化策略对于提高进化优化算法性能至关重要.针对现有大规模种群交互式进化计算个体适应值估计误差较大以及传统进化策略搜索效率较低的问题,提出一种基于灰支持向量回归机的个体适应值预测方法和大规模种群集合进化策略.建立基于灰支持向量回归机的适应值预测模型,给出4种集合进化个体比较测度,同时提出新的集合进化个体自适应交叉和变异概率.基于上述策略,采用NSGA-II范式设计一种交互式集合进化优化算法.将该算法应用于RGB颜色One-max优化问题,以表明所提出个体适应值预测方法和集合进化策略的有效性.

基于适应值预测的DABC认知无线电频谱分配算法

针对认知无线网络频谱分配过程存在的问题,提出了基于适应值预测策略的双人工蜂群算法(FP-DABC)。该算法设计的干扰门限阈值,提高了用户的接入数量;适应值预测方法的使用,加快了分配效率;同时算法对频谱分配过程公平性和系统整体性能进行了优化。实验仿真结果表明:FP-DABC算法牺牲了部分网络效益的同时,在用户满意度、分配率、平均分配时间、用户公平性和系统整体性能上均优于颜色敏感图着色算法(CSGC)和人工蜂群算法(ABC)。

随机期望值模型的适应值预测差分进化算法

随机期望值模型是一类有着广泛应用背景的随机规划问题.针对此问题,提出了一种基于适应值预测的差分进化算法,该算法主要是把适应值预测技术、随机模拟技术与差分进化算法结合.最后,通过实例仿真,数值结果表明所提出的算法是有效的和可行的.

一种基于EMD分组式的DMD自适应幅值预测方法

为了及时获取多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中不同移动速度用户的信道幅值,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)分组式的动态模式分解(Dynamic Mode Decomposition,DMD)自适应幅值预测方法AEG-DMD。利用EMD将幅值矩阵中每个数据时序图进行分解并分组,然后将分出的组数作为阈值区分不同预测方法的使用环境:低移速低复杂幅值使用DMD直接预测;对高移速高复杂幅值的预测,先用DMD对分组的幅值分别预测,再将预测的幅值进行合并作为最终预测幅值。仿真结果表明,该算法可以自适应预测不同移速用户的信道幅值。

FP-PSO算法在认知无线电频谱分配上的应用研究

针对认知无线电频谱分配时分配率低、用户满意度不高的问题,提出了适应值预测的粒子群优化算法(FPPSO),利用FP-PSO算法优化了认知无线电频谱分配过程,设计的适应值预测方法提高了分配效率的同时满足了实时性要求。实验结果表明:FP-PSO算法在降低部分网络效益的同时,获得了比颜色敏感图着色算法(CSGC)更优的用户满意度、平均分配时间和用户公平性。

基于改进PSO算法的天线优化联合仿真技术

天线的联合仿真是天线参数优化的一种有效手段。针对经典平面贴片八木天线设计中的参数优化,介绍了Python-HFSS联合仿真方法在天线设计中的应用及优势。基于传统粒子群(Particle Swarm Optimization,PSO)算法,详细阐述了联合仿真具体的实施步骤和逻辑实现,包括HFSS软件中脚本的录制、Python中对录制脚本的使用、PSO算法在优化天线时的算法逻辑以及改进点建议。进一步提出了一种改进型的适应度值预测粒子群(Fitness Estimate Particle Swarm Optimization,FEPSO)算法,并将其运用在天线优化当中。仿真结果表明,所提改进算法在精度相差不大的情况下,比传统的PSO算法减少了近一半在HFSS软件中的仿真次数,整体效率提升了40%以上。此联合仿真具有较好的应用价值,可以推广到其他类型天线的设计与优化当中。

基于FA-NSGA分扭传动系统的均载和轻量化优化设计

以提高均载性能和轻量化为目标对某分扭传动系统进行了多目标优化设计.建立了分扭传动的非线性动力学模型,通过计算不同输入功率和输入转速下的均载系数,衡量分扭传动系统均载性能.以分扭传动系统参数为设计变量,考虑多工况条件,建立了以均载系数和质量最小为目标函数的多目标优化模型.为了提高计算效率,提出了具有适应值预测机制的非支配排序遗传算法(FA-NSGA).利用3个基准函数对FA-NSGA进行收敛性和有效性的测试.结果表明:FA-NSGA对于3个测试函数均能获得满意的最优解,并且都能减少60%以上的真实适应值计算次数.采用FA-NSGA对实例进行优化求解,在得到的Pareto最优解中选取了一组满意的设计参数,该设计结果与参照方案相比均载系数降低了0.05,分扭传动系统质量减少了3.57kg.