单变量边缘分布算法与蚁群算法的混合算法收敛性分析

智能混杂算法是当前智能优化算法的研究热点,可以融合多种优化算法的优势,提高算法的性能。单变量边缘分布算法具有大范围快速全局搜索能力,但不能很好地利用系统中的反馈信息;蚁群算法是一种并行的分布式正反馈系统算法,但其初期信息素匮乏,求解速度慢。将单变量边缘分布算法与蚁群算法相结合,可以优势互补。基于上述思想,提出一种基于单变量边缘分布算法与蚁群算法混合的算法,并运用马尔科夫随机过程理论对该算法的收敛性进行了分析,结果表明了该算法的优化解满意值序列是单调不增的和收敛的。     

期望最大(EM)算法及其在混合高斯模型中的应用

将期望最大(EM)算法应用于混合高斯模型中，通过对算法的介绍及其分析，得出EM算法是参数估计的一种有效算法，他大大降低了计算复杂度，但性能却与最大似然估计相近，具有很好的实际应用价值。     

基于免疫算法的空战目标分配

目标分配是现代空战系统对抗中要首先面对的问题,它是一个组合优化问题.首先用优势函数来表明敌我态势,建立机群对抗优势函数矩阵.然后将一种新型的启发式算法--免疫算法用于解决目标分配问题.免疫算法具有很好的全局搜索能力和收敛性,能够很好地解决这类问题,实例也证明了该方法是可行和有效的.     

“背包问题”算法设计及分析

“背包问题”是一个典型问题．其求解也是算法设计及验证的一个热点。在此分别采用优先策略、动态规划及递归三种不同方法对“背包问题”进行求解、算法设计及验证。实践证明了三种算法的正确性。在复杂度分析中．优先策略算法的空间及时间复杂度最低,而动态规划法具有明显的优势。     

基于PSO-AFSA的非线性地学模型参数估计

文章针对目前地理学研究中进行非线性模型参数估计的一些传统方法的局限性,结合粒子群和人工鱼群算法进行优化,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点.实例表明,PSO-AFSA可以很好地应用到非线性地学模型的求解中,且收敛速度快,求解精度高.     

DVB-S2标准IRA-LDPC译码算法研究与改进

首先对DVB-S2标准LDPC码编码原理、IRA码以及校验矩阵的特征进行了分析,接着对该标准中LDPC码的Tanner图参数进行了总结,然后对不同的译码算法从性能和复杂度方面进行了比较,并且对不同迭代次数时LDPC码的判决信息的分布进行了分析,最后对各种译码算法的性能和复杂度进行了总结.仿真结果表明,SPA译码算法性能最优但是复杂度最大,MinSum算法的复杂度最低但是性能最差,而改进的MinSum算法则在复杂度和性能方面是前面两种算法的折中,对实际工程的应用有较强的借鉴作用.     

二进制猫群算法在大规模MIMO天线选择中的应用

在多输入多输出(MIMO)系统中,天线选择技术平衡了系统的性能和硬件开销,但大规模MI-MO系统收发端天线选择复杂度问题一直没有得到很好的解决.基于信道容量最大化的准则,采用两个二进制编码字符串分别表示发射端和接收端天线被选择的状态,提出将二进制猫群算法(BCSO)应用于多天线选择中,以MIMO系统信道容量公式作为猫群的适应度函数,将收发端天线选择问题转化为猫群的位置寻优过程.建立了基于BCSO的天线选择模型,给出了算法的实现步骤.仿真结果表明所提算法较之于基于矩阵简化的方法、粒子优化算法具有更好的收敛性和较低的计算复杂度,选择后的系统信道容量接近于最优算法,非常适用于联合收发端天线选择的大规模MIMO系统中.     

基于嵌入式模拟器的路径询优算法的实现

利用人工智能中的A 算法实现了基于嵌入式模拟器在城市道路网中任意两点问路径询优的算法.详细分析了不同的启发因子对算法空间复杂度、时间复杂度和结果路径的影响,在嵌入系统有限的资源条件下,A 算法具有很好的稳定性和适应性,并给出了相应的实验结果.     

改进的蚁群与粒子群算法求解TSP问题

为了解决规模复杂的旅行商问题,提出了融合蚁群算法和粒子群算法的一种群体智能混合算法,并引入了人工免疫算法。为了克服规模较大的TSP问题易陷入局部最优的缺点,在ACO-PSO混合算法中添加交叉与变异、接种疫苗和免疫选择等过程,使其具有较强的全局寻优能力和较好的搜索收敛性。一方面利用其噪声忍耐、自学习、自组织和记忆功能,可以帮助效仿更好的精英蚂蚁,保证了蚂蚁的进化速度;另一方面,则是利用免疫算法具有多样性、快速和随机搜索,达到全局搜索的效果。通过大量仿真实验数据对比表明,改进的混合算法搜索结果好于类似算法,并运用在TSP问题上,取得了很好的效果。     

一种增强型多目标烟花爆炸优化算法

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.