舰艇编队超视距反导威胁评估指标主观权重确定

针对舰艇编队超视距反导威胁评估指标主观权重确定问题,建立威胁评估指标体系。分别针对决策者给出的语言型、效用值型、序关系值型、模糊互补判断矩阵型、互反判断矩阵型以及区间数型指标权重信息建立了指标权重确定的最优化模型,将主观指标权重确定问题建模为多目标约束优化问题,在得出各种类型权重信息矩阵的规范化系数的基础上采用线性加权的方法将其变为单目标约束优化问题,并给出了指标主观权重解。仿真结果显示,该方法能够直接集结决策者给出的多种类型的指标权重确定信息,且能够准确地得到舰艇编队超视距反导威胁评估主观权重,计算量小、易于进行工程推广,能够为舰艇编队超视距反导作战辅助决策系统设计提供一定的理论支持。     

动态多目标优化的进化算法及其收敛性分析

给出了动态多目标优化问题的一种新解法.首先对时间变量进行了等区间离散化,在得到的子区间(称为环境)上定义了种群的静态序值方差和静态密度方差.然后把动态多目标优化问题近似地转化成了若干个两个目标的静态优化问题.在给出的一种能自动检测环境变化的应答算子下,提出了一种动态多目标进化算法,同时证明了算法的收敛性.计算机仿真表明新算法对动态多目标优化问题是有效的.     

任意形状导体介质混合目标的瞬态电磁散射特性分析

通过建立自由空间内多个导体介质混合目标的理论模型,根据电磁场等效原理和边界条件,建立了求解任意形状导体介质混合目标散射特性的时域电场积分方程(TDEFIE).导出了TDEFIE的时间步进算法(MOT)矩阵方程,并应用基于隐式MOT算法的TDEFIE对任意形状导体介质混合目标进行了瞬态分析,其数值结果说明了该算法的有效性.     

基于群体决策的多用户协同交互式遗传算法

采用交互式遗传算法求解大数据信息检索问题时,为实现偏好信息的提取和优化,单用户需完成较多数量的人-机交互操作,由此易产生用户疲劳、算法搜索效率低的难题。对此,该文在算法中引入多用户并行策略,通过群体决策优势,提高样本利用效率。首先,根据优化目标性质确定共性化协同或个性化协同类型,基于用户浏览行为计算用户相似度和个体相似度。然后,通过共享偏好相似用户的偏好相似个体预测个体区间适应值。基于个体表现型相似度聚类,提出大规模种群个体“区间数-区间数”适应值赋值策略。最后,依据子代种群个体与父代种群最优个体的相似性,推荐用户最佳评价个体。将所提方法应用于装饰性墙壁纸选型问题,并与已有典型方法比较。结果表明,所提方法在推荐个体质量、减轻用户疲劳、提高搜索效率等方面均具有优越性。     

求解模糊柔性作业车间调度的多目标进化算法

针对实际制造车间中工序加工时间具有不确定性,将加工时间采用模糊数表示,建立一种多目标模糊柔性作业车间调度模型,并提出了有效求解该模型的多目标进化算法.算法采用混合机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码.定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序.接着,提出一种基于移动模糊关键工序的局部搜索策略.实验部分首先通过田口试验方法来研究关键参数对算法性能的影响;其次,将所提算法与三种不同的优化算法作对比.实验结果验证了所提算法的有效性.     

一种PD雷达解距离模糊的新算法

针对PD雷达的解距离模糊问题,文中分析指出一维集算法解模糊计算量大,有时难以适应实时测距的要求.基于此点,在一维集算法基础之上提出了一种新的解模糊方法,通过理论分析证明了这种方法的计算量明显小于一维集算法,而且具有良好的误差纠错能力,并将这种新算法同余差查表法的各项性能进行了对比,体现了其同样具有较好的实时性能和较强的解模糊能力.最后给出利用这种算法解单目标距离模糊的仿真结果,表明了这种方法的有效性.     

基于模糊Topsis的传感器资源分配算法

影响传感器资源分配的目标属性有多种.文中将目标模糊多属性效用作为传感器资源分配的依据,提出了一种基于模糊Topsis的传感器资源分配算法,并分别给出了影响资源分配的目标多属性模糊效用函数.提出了几种传感器资源分配性能评价指标.仿真结果表明,该算法充分考虑了目标跟踪和威胁等多因素,更符合不同目标对传感器资源的需求.     

基于熵极大准则的非用户赋适应值交互式遗传算法

针对交互式遗传算法适应值人工赋值极易疲劳导致的算法进化代数不足、优化效率低下这一难题,提出了适应值非用户赋值方法.首先,用户对个体采用二元评价机制评价个体,将个体划分为满意集合和不满意集合;然后,根据个体评价时间与偏好的内在联系,通过个体评价时间确定评价满意度;最后,基于熵极大准则求解满意度最大条件下的个体适应值.为了确保优势基因遗传,加快算法收敛,采取种群精英基因构建优势个体保留策略.将该方法应用于装饰性墙壁纸选型系统中,并与其他代表性算法比较.结果表明,该方法能有效降低疲劳,提高算法优化效率.     

面向智能家居的无线传感器网络路由协议优化研究

本文针对经典无线传感器网络路由算法难以适应智能家居室内环境中多分隔、多障碍、环境动态变化等问题,将压缩理论、多目标模糊优化和低能耗策略相结合,提出一种面向智能家居的路由优化协议优化方案。     

基于混合变量动态分组的大规模多目标进化算法

变量分组是解决大规模多目标优化问题的有效途径。针对混合变量分组存在的问题,文章提出基于混合变量动态分组的大规模多目标进化算法来对混合变量进行更精确的分组,通过控制变量分析中个体非支配排序后第一层的个体数与采样数的比例来挖掘混合变量的动态特征。本文算法MOEA/DVA-F与其他三种经典的大规模多目标进化算法一同在LSMOP1~LSMOP5测试问题上进行IGD性能测试,实验结果表明,MOEA/DVA-F算法具有较好的收敛性和多样性。由此表明MOEA/DVA-F算法是一种有前途的大规模多目标进化算法。     

基于混合遗传算法的唯相位直接数据域算法

提出一种基于混合遗传算法的唯相位直接数据域最小二乘算法.通过采用标准遗传算法与Neider-Mead单纯形法相结合的混合遗传算法,提高了优化效率和运算速度.首先根据标准直接数据域算法推导得出目标函数,继而将目标函数作为适应度函数,将所有自适应权值的未知相位作为决策变量,通过混合遗传算法进行非线性优化,从而求得各个自适应权值的优化解.作为一种唯相位自适应算法,它在硬件实现上比传统算法更具简单性.同时,它只对单快拍数据进行处理,避免了样本协方差矩阵的构造以及矩阵求逆运算,更适合于实时处理.仿真结果表明,算法具有良好的信号恢复和干扰置零性能,比基于非线性其轭梯度法的唯相位直接数据域算法性能更优.     

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.     

基于粒子群优化的数字波束形成算法

波束形成的加权系数求解是一个优化过程,现有算法大多经过多次迭代,计算量大,实现复杂。为降低波束形成算法复杂度,将粒子群优化原理应用于数字波束形成中,提出了基于粒子群优化的自适应数字波束形成算法。该算法将每一组权值作为一个粒子,将阵列加权和的输出信号与干扰噪声比(SINR)作为适应度函数,通过比较各个粒子的适应度值,进行迭代搜索得到最优解。该算法可使天线阵在主波束对准有用信号,同时能有效抑制两个以上的干扰,且对阵列通道误差有较好的稳健性。计算机仿真验证了算法的有效性。     

混合粒子群和差分进化的定位算法

针对传统无线传感器网络(wireless sensor network,WSN)中节点定位精度不高的问题,提出了一种混合粒子群(particle swarm optimization,PSO)和差分进化优化(differential evolution,DE)算法。首先在PSO中引入惯性权重的自适应更新策略,以兼顾开发和勘探能力,在种群经过PSO进化后,然后根据提前设定的阈值,将其分为适应度值较大的Su种群和适应度值较小的In种群,In中的粒子使用DE算法继续优化。HPSO-DE算法结合PSO算法和DE算法的优点,达到较好的性能。然后用标准测试函数来检测该算法的性能,验证结果表明所提出的HPSO-DE在寻优速度和收敛精度较PSO和DE而言都有了较大提高。接下来将HPSO-DE方法应用到WSN网络节点定位场景上,从实验测试结果可以看出,其精度相比PSO平均提高了0.5 m左右,在定位上具有更大的优势。     

基于改进混合遗传算法的云资源调度算法

在云计算中,系统规模和虚拟机迁移数量都是十分庞大的,需要高效的调度策略对其进行优化。将云计算的任务分配抽象为背包求解问题,可通过遗传算法进行求解。传统的遗传算法具有局部搜索能力差以及早熟现象的缺点,本文采用遗传和贪婪相结合的混合遗传算法。针对混合遗传算法在资源利用率与能源消耗的收敛速度较慢问题,本文通过改进适应度函数,改变了适应度函数在不同染色体间的差异度,从而提高了染色体在选择算子中的择优性能。仿真结果表明,该方法能够有效提高混合遗传算法在云计算资源优化中的收敛速度。     

Genetic algorithms for finite mixture model based voxel classification in neuroimaging

Finite mixture models (FMMs) are an indispensable tool for unsupervised classification in brain imaging. Fitting an FMM to the data leads to a complex optimization problem. This optimization problem is difficult to solve by standard local optimization methods, such as the expectation-maximization (EM) algorithm, if a principled initialization is not available. In this paper, we propose a new global optimization algorithm for the FMM parameter estimation problem, which is based on real coded genetic algorithms. Our specific contributions are two-fold: 1) we propose to use blended crossover in order to reduce the premature convergence problem to its minimum and 2) we introduce a completely new permutation operator specifically meant for the FMM parameter estimation. In addition to improving the optimization results, the permutation operator allows for imposing biologically meaningful constraints to the FMM parameter values. We also introduce a hybrid of the genetic algorithm and the EM algorithm for efficient solution of multidimensional FMM fitting problems. We compare our algorithm to the self-annealing EM-algorithm and a standard real coded genetic algorithm with the voxel classification tasks within the brain imaging. The algorithms are tested on synthetic data as well as real three-dimensional image data from human magnetic resonance imaging, positron emission tomography, and mouse brain MRI. The tissue classification results by our method are shown to be consistently more reliable and accurate than with the competing parameter estimation methods.     

子阵级相控阵差波束旁瓣抑制新方法

针对采用单脉冲技术的相控阵系统,在子阵级采用数字加权抑制差波束的旁瓣.利用遗传算法优化子阵级加权,构造了加权向量和方向图等两种适应度函数.对只使用一种适应度函数的常规遗传优化方法进行了改进,提出分阶段、多适应度函数的方法:将优化过程分为两个阶段,并分别使用加权向量和方向图参数作为适应度函数.改进方法提高了遗传优化的稳定...     

A hybrid evolutionary programming method for circuit optimization

A hybrid evolutionary programming (EP) method is presented for global optimization of complex circuits. The conventional EP is integrated with a clustering algorithm to improve the robustness of the algorithm for complex multimodal circuit optimization problems. The EP generates populations around the regions of the search space which can potentially contain a minimum but may be overlooked. The clustering algorithm is used to identify these regions dynamically. In order to improve the speed of optimization, the EP is combined with a gradient-based search method in an efficient fashion. The local search is performed from the center of each identified cluster in order to find the minimum in the region very fast. The hybrid algorithm can also reduce the search space by avoiding the search in the areas that were previously investigated. This feature greatly improves the speed of optimization and prevents the premature convergence as well. The algorithm performed very well in several benchmark problems including a test function minimization and global optimization of a complex RF diplexer circuit.     

一种通过节点序寻优进行贝叶斯网络结构学习的算法

针对K2算法过度依赖节点序,遗传算法节点序寻优效率差的问题,该文提出一种直接对节点序进行评分搜索的贝叶斯结构学习算法。该算法以K2算法为基础,首先通过计算支撑树权重矩阵,构建能够定量评价节点序的适应度函数。然后通过提出混合交叉策略和孤立节点处理机制,同时利用动态学习因子和倒置变异策略,提升遗传算法节点序寻优的性能。最后将得到的节点序作为K2算法的先验知识得到最优贝叶斯网络结构。仿真结果表明,该方法解决了K2算法依赖先验知识的问题,相比于其它优化算法,评分值平均增加了13.11%。     

一种单纯形遗传算法及其应用

本文深入分析了智能天线应用中广播波束成形权值反向求解的工程优化问题,引入单纯形算法对传统遗传算法进行改进并提出了一种新的单纯形遗传算法。通过具体应用验证,实现了较好自动求解权值的目的。同时,本算法也可在其他网络规划和网络优化等寻优问题中参考使用。