混合可重构智能表面和人工噪声辅助的物理层安全通信

针对可重构智能表面(Reconfigurable Intelligent Reflecting Surface,RIS)辅助的物理层安全通信,该文设计了基于混合有源-无源RIS和人工噪声(Artificial Noise,AN)辅助的安全传输方案。考虑基站和RIS的功率约束以及RIS无源反射元件的反射系数恒模约束,以最大化系统安全传输速率为目标,构建基站发射波束成形、AN波束向量、RIS反射系数矩阵联合优化问题。使用交替优化(Alternating Optimization,AO)、权值最小均方误差(Weighted Minimum Mean Square Error,WMMSE)和半定松弛(Semi-definite Relaxation,SDR)算法,求解所构建的变量高度耦合的非凸优化问题。仿真结果表明,混合RIS辅助安全传输方案,能够有效提高系统的安全速率,与无源RIS相比,能够有效克服“双衰落”效应导致的安全速率降低,与有源RIS相比,具有更高的能量效率。

结合APO算法的高光谱图像波段选择

提出了结合拟态物理学优化(APO)算法的高光谱图像波段选择方法.该方法中采用了类间可分性和波段组合的信息量两个主要性能指标的权重组合作为适应度函数.此外,在波段选择之前对高光谱图像进行了子空间划分,使得最优解中的波段间相关性较小,冗余度低.利用AVIRIS图像对提出的算法与经典算法中蚁群算法、遗传算法和粒子群算法进行实验,实验结果证明了本文算法较经典算法在所选波段性能和计算耗时方面都获得令人满意的效果.

人工智能赋能高校体育思政教学的研究

采用文献资料法等研究方法对人工智能赋能高校体育思政教学进行了研究,认为高校体育思政课教学方法面临的困境在于难以满足学生的个性化、多元化、主体性需求。人工智能赋能高校体育思政教学的优势包括推进教学方法的个性化、增强教学方法的多元化、提升教学方法的主体性,有效措施包括科学构建人机协同育人模式、体育课程思政中合理运用可穿戴式人工智能产品、构建人工智能的能力测评机制、侧重体育课程思政教学中的偏好定制。

基于EDAPO优化算法的配电网重构

配电网重构是复杂的大规模组合优化问题,在数学上为一非确定多项式时间难问题。提出了一种有效的、具有较好鲁棒性的算法来求解正常运行时配电网重构问题。该方法是在拟态物理学的基础上,将分布估计引入到其中来,并将该方法成功应用到配电网络重构中。以考虑网络有功损耗最小为目标函数,通过美国P&G69节点配电测试系统优化计算,并将结果与其它算法优化结果比较,在一定程度上,具有更好的全局收敛性和搜索效率。

基于主动智能反射面和人工噪声辅助的MISO无线安全传输

为实现无线通信系统的安全传输,面向多输入单输出(Multiple Input Single Output,MISO)系统,提出了基于主动智能反射面(Intelligent Reflecting Surface,IRS)和人工噪声辅助的安全传输方案。其中,主动IRS被放置在基站和合法用户之间,用以增强基站到合法用户的机密信息传输,同时抑制窃听者接收到的信号强度。基站通过构建波束成形和人工噪声,进一步改善了系统的安全传输性能。为最大化系统的安全传输速率,设计了关于基站发射波束成形、人工噪声、主动IRS反射相位、主动IRS放大系数的联合优化问题。由于所提问题为非凸优化问题,设计了基于交替优化、连续凸逼近(Successive Convex Approximation,SCA)、半正定松弛(Semi⁃Definite Relaxation,SDR)的高效算法,并获得高精度的次优解。仿真结果表明,相较于被动IRS、无IRS和IRS随机相位方案,主动IRS方案有更高的系统安全传输速率;相较于无人工噪声方案,引入人工噪声可以进一步提升系统的安全传输速率。

人工智能演化下高校体育课程思政教学模式优化路径探究

随着现代教育事业的不断发展,高校开展体育教学对课程思政也愈发重视。该文旨在借助课程思政教学,提升学生的体育能力和思想素质。该文基于人工智能技术,从高校体育课程思政教学的重要意义入手,细致分析了现阶段高校体育课程思政教学模式暴露出的问题,然后围绕问题,提出明确课程思政教学目标、丰富课程思政教学内容、创新课程思政教学模式、开展各种体育思政活动、优化思政教学评价体系等策略,以供参考。

基于序值与拥挤度的拟态物理学多目标算法

根据约束多目标优化问题的特点,在拟态物理学优化(aritificial physics optimization,APO)算法的基础上,将无约束多目标APO(multi-objective APO,MOAPO)算法引入到约束多目标优化领域中。提出约束违反度的判断准则,并采取一种更为有效的约束处理技术,从而构造出一种解决约束多目标优化问题的基于序值与拥挤度的拟态物理学多目标优化(improved constrained rank multi-objective aritificial physics optimization,ICRMOAPO)算法。在随机搜索过程中动态调整引力因子与惯性权重,增强了非劣解集的多样性。实验结果说明了该算法的有效性,通过与序值约束多目标APO(constrained rank multi-objective APO,CRMOAPO)算法、非支配排序遗传(non-dominated sorting genetic algorithm,NSGA)算法、多目标遗传(multi-objective genetic algorithm,MOGA)算法的对比实验,表明了该算法具有较好的分布性能,为约束多目标优化问题的求解提供了一种新的思路与方法。

基于拟态物理学优化算法的微电网功率优化

考虑天气等因素对微电网有功功率平衡的影响,计及电力市场环境下的需求侧响应,将微电网负荷分为高赔偿可中断负荷(ILH)与低赔偿可中断负荷(ILL)。在保证微电网功率平衡以及满足潮流、电压、频率偏移和开关损耗等约束的前提下,以微电网总收益最大为目标函数,建立考虑切负荷操作的微电网功率优化数学模型,并利用拟态物理学优化(APO)算法进行求解。微电网14节点系统的仿真结果验证了所提算法的有效性。

输电线路差异化运维计划优化

针对当前输电线路运行与维护工作资源不足、管理粗放等缺陷,提出输电线路差异化运维方法。建立以经济性、安全性、可靠性为目标函数的多目标优化模型,采用约束多目标拟态物理学(multi-objective artificial physics optimization,MOAPO)优化算法对该模型进行优化求解,非劣解集修剪采用虚拟力排序法,约束处理采用可行规则法,该算法收敛性能好,解决高维度多目标优化问题时计算速度快,且能有效保持解集分布性。将该模型与优化算法应用于某地区输电网络年度运维计划优化,与遗传算法计算结果的比较,验证了该方法的实用性。

基于搜索矢量拟态物理学算法的微电网脆弱性评估及重构

借鉴大电网脆弱性的定义,考虑微电网数学模型和元件的可靠性参数,提出加权复杂网络参数及微电网节点和线路运行综合灵敏度,形成微电网脆弱性评价体系,在此基础上建立考虑联网/孤岛两种运行模式的微电网重构数学模型。模型以微电网综合脆弱度最小为目标函数,选取美国微电网CERTS为算例,采用搜索矢量拟态物理学(SV-APO)算法进行优化计算。结果表明所述模型能根据微电网固有的网络结构参数和运行状态及时正确地给出微电网的重构及运行方案,可为日后微电网安全运行维护及改造提供参考。

改进拟态物理学算法在交直流系统无功优化中的应用

拟态物理学算法(APO)具有较好的全局搜索能力,且能避免粒子群等算法常出现的易早熟收敛现象,具有较好的稳定性、快速收敛和鲁棒性。针对交直流混联系统无功优化问题,在矢量模型的拟态物理学算法的基础上,提出了一种基于改进拟态物理学算法的无功优化算法。为便于处理约束问题,算法中通过定义不可行度函数判断不可行解,并采用收缩因子将不可行解拉回可行域内,再通过多维搜索方法寻求最优解。通过IEEE30节点系统仿真测试,并与其他优化算法进行比较,结果表明该算法具有较好的求解效率和准确性。

扩展的微粒群算法

微粒间的作用方式是影响微粒群算法的关键因素.为克服微粒群算法的早熟问题,提出一种扩展的微粒群算法(EPSO).基于拟态物理学中的引斥力思想,重新构建微粒间的作用方式.通过微粒间适应值的比较定义微粒间作用的引斥力规则,使微粒在所有微粒对其产生的引斥力的合力方向上随机地移动寻找最优解.扩展的微粒群算法与相关算法进行比较,仿真结果表明:它能够有效提高微粒群算法的全局优化性能.

解决多目标优化问题的拟态物理学优化算法

提出一种解决多目标优化问题的多目标拟态物理学优化(MOAPO)算法。该算法利用为每个目标赋予随机权重的方法求得全局总目标,由此选取全局最好及最差适应值,并利用拟态物理学优化算法实现对Pareto最优解集的搜索。通过3个典型多目标优化测试函数对MOAPO和MOPSO进行比较,结果表明了MOAPO算法的有效性,特别是在保持解集分布性方面具有较好的性能。

基于量子编码与拟态物理优化的认知频谱按需分配

针对认知无线电网络的频谱分配问题,结合量子计算和拟态物理优化算法,提出一种考虑认知用户需求的频谱分配模型。引入认知用户对频谱的需求,根据频谱分配问题的NP特性,采用拟态物理学优化算法对其求解,利用量子编码的高效性进行微粒个体编码,从而提高搜索速度,并设计适合频谱分配的微粒运动方式,给出微粒的更新方程。仿真结果表明,与使用QGA-SA,PSO-SA和CSGC算法的频谱分配模型相比,该模型能获得更高的网络收益,并保证频谱分配的高效性。

拟态物理学多目标算法求解认知参数优化问题

针对认知无线网络中的引擎参数调整问题,提出了一种基于拟态物理学多目标优化的求解算法,根据认知参数编码的二进制特点,设计了基于海明距离的个体排序方法,并改进了微粒的更新方程,最后求出问题的Pareto最优解集.多载波环境下的仿真实验表明,算法可以根据无线信道环境的动态变化和认知用户需求的不同需求,自适应调整各个子载波的调制方式和发射功率,满足参数优化需求.

一种基于多载波的多播系统物理层安全方案

受限于发送方天线数目,无线多播系统整体信道通常不存在零空间,无法利用传统的物理层安全技术保证其安全传输。针对这一问题,该文提出一种基于多载波的多播系统物理层安全方案。首先,建立了多载波多播系统物理层安全通信模型;之后,通过分配载波产生合法用户的信道零空间,在零空间内引入人工噪声保证系统的安全传输;最后,以最大化保密传输速率为目标,在系统总功率受限情况下,利用Kuhn-Tucher条件对各子载波功率进行了优化。仿真结果表明:该方案不受限于发送方天线数目,并且所提功率分配方法的系统保密传输速率比等功率分配方法提升约2 bit/(s Hz)。

人工噪声策略的临界信噪比和功率分配研究

给出了多输入单输出窃听链路中人工噪声策略安全性能的统一分析。通过对私密信号和人工噪声之间最优功率分配的研究,发现人工噪声策略不是在所有情况下都能有效提升系统的安全性,同时给出了人工噪声工作的临界信噪比。此外,基于保密速率的下界得出了适应任意信噪比的功率分配表达式,据此推导出了未知窃听用户统计信道信息情况下的功率分配结果。仿真结果显示,相对于平均功率分配策略,所提功率分配方案可以有效增大系统的保密速率。

基于R2指标的拟态物理学约束多目标优化算法

针对拟态物理学优化(APO)算法在解决复杂约束多目标问题时,容易陷入局部最优,无法在可行域内进行全局搜索,导致解集分布不均匀的问题。依据约束多目标优化问题的特点,在APO算法的基础上,构造出了一种基于R2指标的拟态物理学约束多目标优化(R2-ICRMOAPO)算法。算法将非支配排序和R2指标相结合,并利用R2指标贡献值作为外部存储集的更新机制,删减贡献值较低的个体,选择出效用更好的候选解。将R2-ICRMOAPO算法与四种多目标群体智能进化算法进行了对比实验,结果表明:R2-ICRMOAPO算法所得到的最优非支配解集所覆盖的目标空间区域更大,Pareto解集更加逼近真实解集。该算法为求解约束多目标优化问题提供了新的思路与方法。

拟态物理学优化算法在分布式电源选址定容中的应用

分布式电源接入点位置和容量的大小直接影响电网的安全性和经济性。文中建立了1个使配电网有功损耗最小的分布式电源选址定容优化模型。模型中考虑了电源接入容量和接入点对系统潮流、节点电压、线路负载及网络损耗的影响,并进行了相应的约束,以保证电网的安全稳定运行。采用拟态物理学优化(APO)方法对其求解,将接入容量、接入点、节点电压等拟态为物理学中的个体质量,每个个体根据自己的质量、速度及其他个体的引/(斥)力作用不断调整自己的运动和位置,通过全局最好、最差和自身适应值不断更新其质量,最终整个群体所经历的最好位置即为全局最优解,从而得到分布式电源的最佳接入位置和容量。最后采用标准IEEE-33辐射配电系统进行计算分析,并与粒子群(PSO)算法进行比较。APO算法的有功损耗减少更为显著,其平均电压和最低电压均好于粒子群算法的,验证了所提出的模型和方法是可行和有效的。

优化粒子滤波在重力辅助定位中的应用

为克服常规粒子滤波在重力辅助定位中由于观测维数增加,系统后验概率密度尖峰变窄而加剧粒子退化,难以保证算法稳定性问题.将人工物理优化过程引入粒子滤波的重采样过程,实现粒子分布优化,将算法应用于重力辅助定位,利用惯性导航系统海上试验数据进行数值实验分析,对比不同算法在相同条件下定位误差估计效果.结果表明:人工物理优化能够改善粒子退化和样本贫化问题,提高了算法的稳定性;优化后,算法可以用于重力辅助定位,并获得了较高的定位精度.