用改进的模拟退火算法设计二元光学阵列器件

为提高收敛速率,本文对模拟退火（SA）算法进行改进,并用此改进算法设计用于产生大扇出系数、任意形状分布光阵列的二元光学器件,其衍射效率设计值达85％以上,输出阵列不均匀性小于3％。     

基于模拟退火遗传算法的波束图设计

针对传统的标准遗传算法应用于传感器阵列的波束图设计时,存在收敛速度慢和计算结果稳定性低的问题,文中提出了一种模拟退火遗传算法.该算法对标准遗传算法的适应度函数、交叉算子和异化算子等多个要素分别进行了改进,并融入了模拟退火算法.模拟退火遗传算法应用于波束图设计时,具有较快的收敛速度和较高的稳定性.仿真结果表明基于该算法的波束图设计方法,获得了比传统方法旁瓣级更低的波束图.     

基于自适应SAGA的测试数据自动生成

结合遗传算法（GA）的并行搜索结构和模拟退火（SA）的概率突跳性，并结合使用自适应的交叉算子和变异算子，提出了一种高效的自适应的SAGA混合优化算法。在自主开发的结构性测试工具WBoxTool中，使用自适应SAGA混合优化策略进行测试数据自动生成，并通过实例对基本遗传算法、自适应遗传算法和自适应SAGA进行了比较，结果表明自适应SAGA具有更强的搜索能力，可以更快的发现全局最优解。     

基于均匀线性阵列的混合信号分离的研究

认知无线电系统中,在频谱混叠或者缺少部分先验信息的条件下,能否将源信号分离出来决定了其通信质量的好坏。文中对一维均匀线性阵列结构下的混合信号模型,利用均匀线性阵列构成的混合矩阵具有较为特殊的计算特征,对该阵列输出进行矩阵分解和应用ESPRIT算法则获得对应的分离矩阵,实现混合信号的分离。相对经典Fast ICA算法分离计算复杂度有明显的降低。仿真实验说明,基于一维均匀线性阵列的信号分离具有比较好的效果。     

大视紫外高均匀照明光学系统构成原理和光能分布模拟计算

叙述紫外均匀照明光学系统构成原理和光能分布模拟计算设计方法。举例说明用开发的模拟设计软件ＯＰＴＥＮＧ，设计和模拟计算了一个大视场均匀照明光学系统，在照明面积为１００ｍｍ×１００ｍｍ范围内，照明光能分布不均匀性小于±２％。     

基于混合优化策略的目标分配优化研究

根据现代防空作战的特点，提出了目标分配模型，并通过分析遗传算法和模拟退火算法的原理，结合二者的优点，得到解决目标分配的GASA混合优化策略，然后通过算法设计和仿真验证该方法可行、有效。     

自适应遗传退火算法在薄膜椭偏测量中的应用

将自适应遗传模拟退火混合算法应用于薄膜椭偏测量的反演问题中.由于模拟退火算法的基本思想是跳出局部最优解而得到全局最优解,因此将模拟退火思想引入到遗传算法,遗传算法和模拟退火算法相结合,组建自适应遗传模拟退火算法,从而综合了全局优化和局部搜索的特点,并通过模拟计算,验证了此方法在薄膜椭偏测量问题中的可行性及有效性,为解决...     

电子侦察卫星任务规划调度模型与算法研究

对电子侦察卫星任务规划模型及算法进行了研究。首先给出了规划预处理的基本方法,并在合理假设基础上建立起相应的数学模型;然后提出了电子侦察任务可能冲突判断、冲突任务集分割及电子侦察任务冲突执行度等方法及概念,针对遗传算法及模拟退火算法各自的优缺点,设计了一种基于冲突消解的遗传模拟退火算法对问题进行求解;最后通过实例将该算法与普通遗传算法（GA）相比较,结果表明该算法的规划效果比GA更好。     

基于遗传算法的平面麦克风阵列构型优化方法

在有限平面范围内使用较少的麦克风数量设计阵列构型，使得阵列具有更好的性能是声源定位系统中需解决的首要问题。文中提出了一种基于遗传算法的阵列优化方法，该方法以阵列波束方向图的主瓣宽度和旁瓣级为基础，兼顾麦克风的数量设计了遗传算法的适应度目标函数，通过改进遗传算法，使其在麦克风阵列优化的应用中得到实现。仿真结果表明，与传统的十字形和矩形平面均匀阵列相比，优化后的阵列构型在保证阵列性能的同时，可以减少麦克风的使用数量。相比于粒子群优化算法，改进遗传算法优化后的阵列具有更优异的性能。     

基于GA和PSO算法的反射阵列仿真设计

遗传算法（GA）和粒子群算法（PSO）都属于进化算法,用于优化计算时,可以帮助寻找问题的最优解。将遗传算法和粒子群算法应用到反射阵列设计中,大大缩减了设计周期并提高了反射阵列性能。按照该方法设计出的极子阵列在10 GHz的高频下仍能保持大角度的RCS在-20 dB以上,并可以根据实际要求进行灵活调整,加工实物后进行实测,实测结果和仿真结果具有很好的一致性。     

FPGA PLACEMENT OPTIMIZATION BY TWO-STEP UNIFIED GENETIC ALGORITHM AND SIMULATED ANNEALING ALGORITHM

Genetic Algorithm （GA） is a biologically inspired technique and widely used to solve numerous combinational optimization problems. It works on a population of individuals, not just one single solution. As a result, it avoids converging to the local optimum. However, it takes too much CPU time in the late process of GA. On the other hand, in the late process Simulated Annealing （SA） converges faster than GA but it is easily trapped to local optimum. In this letter, a useful method that unifies GA and SA is introduced, which utilizes the advantage of the global search ability of GA and fast convergence of SA. The experimental results show that the proposed algorithm outperforms GA in terms of CPU time without degradation of performance. It also achieves highly comparable placement cost compared to the state-of-the-art results obtained by Versatile Place and Route （VPR） Tool.     

混合训练的DHMM及其在发射机状态检测中的应用

隐马尔可夫模型(HMM)是一种双随机过程,其训练方法B-W算法是一种基于爬山算法,容易陷入局部最优且对初始参数值依赖性大。为了提高模型的有效性,该文提出了将改进的模拟退火(SA)算法和B-W算法相结合的混合训练方法,解决了受模型参数初值影响的问题并能实现全局搜索。将其应用于发射机功率状态检测中,实验结果证明该方法准确性高,收敛速度快和稳定性好,是一种很有实用价值的新方法。     

MDP-Based Network Selection Scheme by Genetic Algorithm and Simulated Annealing for Vertical-Handover in Heterogeneous Wireless Networks

The hybrid algorithm for real-time vertical handover using different objective functions has been presented to find the optimal network to connect with a good quality of service in accordance with the user’s preferences. Markov processes are widely used in performance modelling of wireless and mobile communication systems. We address the problem of optimal wireless network selection during vertical handover, based on the received information, by embedding the decision problem in a Markov decision process (MDP) with genetic algorithm (GA), we use GA to find a set of optimal decisions that ensures the best trade-off between QoS based on their priority level. Then, we emerge improved genetic algorithm (IGA) with simulated annealing (SA) as leading methods for search and optimization problems in heterogeneous wireless networks. We formulate the vertical handoff decision problem as a MDP, with the objectives of maximizing the expected total reward and minimizing average number of handoffs. A reward function is constructed to assess the QoS during each connection, and the AHP method are applied in an iterative way, by which we can work out a stationary deterministic handoff decision policy. As it is, the characteristics of the current mobile devices recommend using fast and efficient algorithms to provide solutions near to real-time. These constraints have moved us to develop intelligent algorithm that avoid the slow and massive computations. This paper compares the formulation and results of five recent optimization algorithms: artificial bee colony, GA, differential evolution, particle swarm optimization and hybrid of (GA–SA). Simulation results indicated that choosing the SA rules would minimize the cost function, and also that, the IGA–SA algorithm could decrease the number of unnecessary handovers, and thereby prevent the ‘Ping-Pong’ effect.     

一种基于混合智能算法的协作中继选择新方法

针对多用户多中继场景下协作通信系统的中继选择问题,提出了一种基于混合智能算法的协作中继选择新方法。不同于现有的为每个源节点分配一个中继节点的中继选择方法,新方法建立了为每个源节点分配一个或多个中继节点的优化模型,以最大化多用户多中继协作系统的最小接收信噪比为优化目标,采用结合了模拟退火与遗传算法的混合智能算法来搜寻中继选择问题的最优解。仿真结果表明,所提方法可显著提高目的端的接收信噪比,且算法具有较强的全局搜索和快速寻优能力。     

A ROBUST PHASE-ONLY DIRECT DATA DOMAIN ALGORITHM BASED ON GENERALIZED RAYLEIGH QUOTIENT OPTIMIZATION USING HYBRID GENETIC ALGORITHM

A robust phase-only Direct Data Domain Least Squares （D3LS） algorithm based on generalized Rayleigh quotient optimization using hybrid Genetic Algorithm （GA） is presented in this letter. The optimization efficiency and computational speed are improved via the hybrid GA composed of standard GA and Nelder-Mead simplex algorithms. First, the objective function, with a form of generalized Rayleigh quotient, is derived via the standard D3LS algorithm. It is then taken as a fitness function and the unknown phases of all adaptive weights are taken as decision variables Then, the nonlinear optimization is performed via the hybrid GA to obtain the optimized solution of phase-only adaptive weights. As a phase-only adaptive algorithm, the proposed algorithm is simpler than conventional algorithms when it comes to hardware implementation. Moreover, it proc- esses only a single snapshot data as opposed to forming sample covariance matrix and operating matrix inversion. Simulation results show that the proposed algorithm has a good signal recovery and interferences nulling performance, which are superior to that of the phase-only D3LS algorithm based on standard GA.     

一种基于改进的遗传算法的块匹配运动估计方法

块匹配方法(Block Matching Algorithm,简称BMA)是目前广泛使用的运动估计方法,但该方法的最大缺点是容易陷于局部最优,这主要是由搜索模式决定的。而遗传算法(Genetic Algorithm,简称GA)是一种具有广泛适应性的全局最优的搜索算法。将块匹配方法的局域性搜索与遗传算法的全局性搜索结合起来,本文提出了一种基于改进的遗传算法的块匹配运动估计方法。实验证明,该方法的平均绝对误差(MAE)接近全搜索(FSS),优于三步法(TSS),而运算量相对较低,接近三步法。     

遗传算法在多用户检测中的应用研究

本文针对CDMA系统中多用户检测的组合优化问题,提出一种结合遗传算法和Hopfield神经网络的检测方法。该方法首先由遗传算法给神经网络提供一个初始解,神经网络在此基础上再进行局部寻优。研究表明：这种方法具有平方的计算复杂度,优于Hopfield神经网络检测方法、以及单独采用遗传算法的检测方法,对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。     

量子进化组播路由算法

近年来,时延受限的代价最小组播树问题备受关注。作为全局优化算法,遗传算法（GA）越来越多的用于解决组播路由问题。GA拥有比经典算法更强的搜索能力,但是它容易陷入＂早熟＂,很难得到最优组播树。基于量子计算的机理和特性并结合进化计算,提出了一种新颖的量子进化组播路由算法（QEA）,有效地解决了遗传组播路由算法中的＂早熟＂问题,并且在每代个体更新中采用量子旋转门策略加速了算法的收敛速度。算法实现简单,控制灵活。仿真结果表明QEA算法性能优于改进的进化算法即克隆多播路由算法（CS）和传统的遗传算法（GA）。     

混合遗传算法在数值函数优化中的应用

基于遗传算法(GA)与共轭梯度法(CGM),提出了一种混合算法,把CGM作为重要操作算子加入GA中,CGM仅作用于父代的最优个体,使该方法兼具遗传算法的优良全局搜索能力和共轭梯度法的强大局部搜索的特点,将其用于函数优化中,数值算例表明,该混合方法与单纯的遗传算法或共轭梯度法相比,具有快速收敛性和全局最优性。     

手征媒质反射特性仿真计算

手征媒质是双各向同性媒质的一种,其手征参数具有可调性。首先,在标准粒子群 算法(PSO)和模拟退火（SA）算法的基础上进行了改进,并利用混合算法优化设计手征参数 及媒质 厚度,以在给定的频率范围内获得较高的吸收率。然后,仿真计算了某一个参数取不同值而 其它参数固定情况下电磁波垂直入射到手征媒质时的反射系数。结果证明,只有在最优化参 数条件下才可以在频带内获得较理想的吸收率和反射系数。