并行协作骨干粒子群优化算法

为解决骨干粒子群优化(Bare-Bone Particle Swarm Optimization,BBPSO)的早期收敛问题,本文通过粒子的运动行为分析了导致BBPSO早期收敛的因素,并提出并行协作BBPSO,该算法采用并行的主群和从群之间的协作学习来平衡勘探和开采能力.为了增强主群的勘探能力,提出动态学习榜样策略以保持群体多样性;同时提出随机反向学习机制以实现从群的从全局到局部的自适应搜索功能.在14个不同特征的测试函数上将本文算法与6种知名的BBPSO算法进行对比,仿真结果和统计分析表明本文算法在收敛速度和精度上都有显著提高.

基于分布估计的离散差分骨干粒子群优化

粒子群优化(PSO)和差分演化(DE)是两种新兴的优化技术,已经成功地应用于连续优化问题,但是它们至今尚不能像解决连续优化问题那样有效地处理组合优化问题。最近,有人提出差分骨干PSO(DBPSO)用于解决连续优化问题。首先提出离散DBPSO用于组合优化问题,然后在离散DBPSO中引入分布估计算法(EDA)来提高性能,把EDA抽样得到的全局统计信息和DBPSO获得的局部演化信息相结合来产生新解,形成基于EDA的离散DBPSO。实验结果表明EDA能大大提高离散DBPSO的性能。

基于冯诺依曼拓扑结构的骨干粒子群优化算法

为了改善骨干粒子群优化BBPSO算法的易早熟、易陷入局部最优解等缺点,提出了一种基于冯诺依曼拓扑结构的改进骨干粒子群优化VBBPSO算法。新算法提出"兼顾落后粒子"概念,通过应用冯诺依曼拓扑结构构造邻域,用邻域最优解取代全局最优解,引入中心项调节系数,在邻域范围内调整BBPSO算法的进化中心项与离散控制项,提高了算法全局探索能力与局部开发能力。实验结果表明,较几种经典的BBPSO算法,VBBPSO算法的综合性能有明显提升。

基于核模糊聚类的动态多子群协作骨干粒子群优化

针对骨干粒子群优化(BBPSO)算法易陷入局部最优、收敛速度低等问题,提出了基于核模糊聚类的动态多子群协作骨干粒子群优化(KFC-MSBPSO)算法。该算法在标准骨干粒子群算法的基础上,首先,采用核模糊聚类方法将主群分割为多个子群,令各个子群协同寻优,提高了算法的搜索效率。然后,引入非线性动态变异因子,根据子群内粒子数以及收敛情况动态调节子群粒子变异概率,通过变异的方式使子群粒子重新回到主群,提高了算法的探索能力;进一步采用主群粒子吸收策略与子群合并策略加强了主群与子群之间、子群与子群之间的信息交流,提高了算法的稳定性。最后,利用子群重建策略,结合主群与子群搜索到的最优解,调节子群重建的间隔代数。通过Sphere等6个标准测试函数进行对比实验,结果表明,KFC-MSBPSO算法和经典BBPSO算法以及反向骨干粒子群优化(OBBPSO)算法等改进算法相比寻优准确率至少提高了约11.1%,在高维解空间内测试结果的最佳均值占到83.33%并且具有更高的收敛速度。这说明KFC-MSBPSO算法具有良好的搜索性能与鲁棒性,可应用于高维复杂函数的优化问题中。

基于适用性骨干粒子群优化算法的特征选择实现

图像的特征选择需要筛除大量噪声节点,在像素较高的图像内处理效率低下,为减少图像特征选择的处理时间,设计基于适用性骨干粒子群优化算法的图像特征选择方法。提取图像视觉特征参数,包括颜色参数、纹理参数以及形状参数。获取分类面的线性判别函数,建立最优超平面,得到满足约束条件的目标函数以及特征选择的适应度函数,基于适用性骨干粒子群引入粒子位置与速度更新机制,设计特征选择算法,得到一个新的图像特征选择处理方法。获取不同阈值以及不同学习效率下的最优特征数量,分别测试四种数据集内特征选择算法的运行时间,实验结果显示,在四种数据集内,适用性骨干粒子群优化算法的运行时间均小于其他算法,可见该算法为相同图像相同参数下的最优算法。

层次学习骨干粒子群优化算法

对骨干粒子群优化(BPSO)种群多样性迅速丧失的原因进行分析,提出层次学习骨干粒子群优化算法以克服早熟现象.该算法中粒子依不同的学习概率向粒子自身的最优粒子、优胜粒子和群体最优粒子学习,该机制使群体实现不同层次的搜索并有效维持群体的多样性.此外,群体最优粒子依概率采用跳跃策略以增强逃逸能力或采用扰动策略以提高解的质量.将所提出的算法与多种改进的粒子群优化算法进行对比,仿真结果表明,所提出算法的综合表现优于其他算法.

高速与高阶的超奈奎斯特比较

超奈奎斯特(Faster-than-Nyquist, FTN)可以提高通信系统的频谱效率(Spectrum Efficiency, SE)。除了较小时间压缩因子(Time Packing Factor, TPF)和星座点数M的高速FTN之外,较大TPF和M的高阶FTN也可以增加SE。在相同SE的条件下,本文采用外信息转移(Extrinsic Information Transfer, EXIT)图分析和数值仿真等方法来比较高速和高阶FTN。针对高速和高阶FTN,本文采用基于EXIT图的骨干粒子群优化(Bare-Bones Particle Swarm Optimization, BB-PSO)算法来优化两者的信道编码,获得高速和高阶FTN的最优性能。结果表明:与高速FTN相比,高阶FTN在性能和复杂度方面更有优势。

基于GPU的BBPSO-PF算法及其在故障检测中的应用

针对粒子滤波算法在重采样环节出现粒子贫乏导致算法精度不高的问题,通常采用在状态估计过程中增加粒子数量,但这种方法会降低算法实时性,提出了基于图形处理单元(GPU)的骨干粒子群算法优化粒子滤波算法。首先利用骨干粒子群算法优化粒子滤波重采样,解决了粒子贫化的缺点。利用骨干粒子群算法中粒子群体之间相互独立运行的特点,在GPU上并行实现骨干粒子群优化的粒子滤波算法,解决粒子滤波算法在重采样过程中因数据关联而无法充分并行计算的问题。最后,将其应用到变桨距系统的故障检测中,提高故障检测的准确度和实时性。实验结果表明:该方法相较于随机重采样的粒子滤波算法误差降低了31.2%,实时性提高了82.7%。

基于混合群智能优化算法的混沌系统参数估计

混沌系统的未知系统参数估计是实现混沌控制和同步的首要问题,通过构造一个合理的适应度函数,可将其转化为一个多维搜索空间的优化问题.提出一种融合改进骨干粒子群算法与改进差分进化算法的混合群智能优化方法来解决上述优化问题.对骨干粒子群算法中的粒子位置更新机制以及差分进化算法中的变异操作、交叉操作、交叉概率因子的设计等进行改进,有效兼顾了种群的多样性与算法的收敛性.在此基础上,讨论骨干粒子群优化算法与差分进化的融合优化策略,实现两个算法的协同进化,进一步提高算法的综合优化性能.用6个基准测试函数以及Lorenz混沌系统为例进行仿真实验,结果表明该方法具有全局寻优能力强、收敛速度快、搜索精度高、稳健性好等优点.

基于副载波调制的室内可见光定位系统研究

在室内可见光定位技术的实际应用中,由于环境光的存在使得接收信噪比降低,导致基于接收信号强度的可见光定位技术面临挑战。针对这一问题提出一种基于副载波调制的可见光三维定位系统,利用在接收端对副载波的频率选择来降低环境光对接收信号强度的干扰,通过非相干解调得到LED的身份信息和接收信号强度,并采用骨干粒子群优化算法获得定位目标的位置估计。根据上述方法设计了接收端和发送端,并在1 m×1 m×1.89 m的空间中分别进行了不同高度和不同强度环境光下的三维定位测试。结果表明,所有测试点的三维定位平均误差约为3.00 cm;在高度为0.21 m环境光为0、10和30 lx时平均定位误差分别为2.83、2.98和2.83 cm。证明了基于副载波调制的可见光定位系统可以有效降低由环境光引起的定位误差。