基于离散粒子群优化算法的多用户检测器

利用粒子群优化算法解决优化问题的基本思想,提出了一种新的粒子群算法,进而设计了两种使用NDPSO和多阶段检测器（MSD）相结合的混合方法进行CDMA通信系统的多用户检测．一种方法是使用NDPSO作为MSD的初始阶段给后面阶段的MSD提供一个好的初始值;另一种方法是把MSD嵌入到NDPSO的每一代中．通过混合MSD到NDPSO中,可以加快NDPSO的收敛速度,减少计算复杂度．另外,NDPSO所提供的好的初值可以改善MSD的性能,嵌入的MSD还改善了NDPSO的性能．仿真结果表明。多用户检测方法与传统检测器和已有的DPSO多用户检测方法相比,在误码率、抗远近能力方面都有显著提高．     

基于免疫粒子群优化算法的多用户检测器

该文将免疫系统的免疫机制引入到粒子群优化算法的设计中.模拟免疫系统、群集智能的信息处理机制,提出了免疫粒子群优化算法.这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力.然后在CDMA系统中,利用此算法设计了多用户检测器,仿真结果证明该文的方法能够快速收敛到全局最优解,并且抗多址干扰能力和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器.     

拉伸技术粒子群优化算法的多用户检测器

粒子群优化算法是一类新型进化算法,为提高粒子群优化算法对复杂问题全局最优解的探测能力,该文引入一种基于拉伸技术的粒子群优化算法,把它应用到CDMA通信系统中抗干扰关键技术——多用户检测中,提出了基于拉伸粒子群算法的多用户检测器。仿真结果表明,该检测器在误码率性能、抗远近效应和增加系统容量方面的性能较之其他的检测器均有明显的提高。     

基于克隆遗传量子算法的多用户检测

基于免疫克隆选择理论和遗传量子算法,提出了一种解决CDMA系统多用户检测问题的克隆遗传量子算法.通过使用克隆选择算子和遗传量子算法的理论,新算法能执行随机搜索和经验学习.所提的算法把随机神经网络嵌入到克隆遗传量子算法的每一代中.通过结合随机神经网络到CGQA中,可以加快CGQA的收敛速度、减少计算复杂度.另外,CGQA所提供的好的初值可以改善SHNN的性能,嵌入的SHNN还提高了CGQA的性能.在讨论了使用新算法设计多用户检测器的性能特点后,在CDMA系统进行了计算机仿真并和一些多用户检测器进行了比较.仿真结果证明了文中所提多用户检测器的抗多址干扰能力和抗远近效应能力都优于一些应用以前算法的多用户检测器.     

一种基于优化神经网络的最佳多用户检测器

基于优化理论和神经网络理论提出了一种优化神经网络最佳多用户检测器,将DS-CDMA通信中的多用户信号检测问题看作一种组合优化问题,利用神经网络能有效地求解优化问题的优势:推导了一种优化神经网络最佳多用户检测器,理论分析和计算结果表明:1)在误比特性能和抗多址干扰性能上这种检测器均优于传统检测器和解相关检测器;2)在抗"远近"干扰能力方面,这种检测器优于传统检测器而弱于解相关检测器;3)易于实时应用和VLSI实现。     

一种免疫径向基网络多用户检测方法

径向基函数神经网络是一种具有局部逼近能力的前向神经网络模型,它可用作码分多址中的多用户检测器,并具有较好的检测性能;但是存在不足,主要表现在网络的构造和训练算法的优化方面．针对径向基函数网络在码分多址多用户检测应用中存在的网络复杂度与性能之间的矛盾,引入免疫的思想,构造了一种新颖的免疫径向基函数网络多用户检测器．它具有收敛速度快、推广能力好、鲁棒性强等优点,因而有更好的实时性和实用性．     

基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.     

新型动态粒子群算法及其在工业控制中的应用

粒子群优化算法是一种在复杂优化问题的空间域探求最优解的启发式搜索方法。为了优化传统的PSO算法,缩短其运行时间,提出了一种动态收缩型的粒子群优化。收缩型粒子群算法在初始阶段含大量的粒子,随着迭代次数的增加,粒子数量不断减少,仿真结果显示,此方法相比于传统的PSO算法可减少近60%的运算时间。运用此改进的粒子群算法优化理论,实现了对PID控制参数的自适应调节。结果表明,新型的PSO算法可以使得PID控制参数调整速度更快,产生超调量小。     

一种基于Lagrange神经网络的多用户检测器

提出并讨论了一种基于Lagrange神经网络的多用户检测器,利用神经网络能有效地求解优化问题;推导了Lagrange神经网络多用户检测器(LNN-MUD)。理论分析和计算结果表明:在误比特性能和抗干扰性能上,该检测器均优于传统检测器和解相关检测器;在抗"远近"干扰能力方面,该检测器优于传统检测器而弱于解相关检测器,且易于实时应用和VLSI实现。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

Reliability-based design optimization for flexible mechanism with particle swarm optimization and advanced extremum response surface method

To improve the computational efficiency of the reliability-based design optimization(RBDO) of flexible mechanism, particle swarm optimization-advanced extremum response surface method(PSO-AERSM) was proposed by integrating particle swarm optimization(PSO) algorithm and advanced extremum response surface method(AERSM). Firstly, the AERSM was developed and its mathematical model was established based on artificial neural network, and the PSO algorithm was investigated. And then the RBDO model of flexible mechanism was presented based on AERSM and PSO. Finally, regarding cross-sectional area as design variable, the reliability optimization of flexible mechanism was implemented subject to reliability degree and uncertainties based on the proposed approach. The optimization results show that the cross-section sizes obviously reduce by 22.96 mm~2 while keeping reliability degree. Through the comparison of methods, it is demonstrated that the AERSM holds high computational efficiency while keeping computational precision for the RBDO of flexible mechanism, and PSO algorithm minimizes the response of the objective function. The efforts of this work provide a useful sight for the reliability optimization of flexible mechanism, and enrich and develop the reliability theory as well.     

水系统优化的粒子群算法分析

针对水系统集成优化问题,采用4种粒子群算法进行求解,并对算法进行了改进。通过算例分析了粒子群算法用于水系统优化时的计算特性。研究表明:在水系统集成优化时,基于混沌局部搜索的粒子群算法较适于该问题的计算。     

基于深度确定性策略梯度的粒子群算法

在传统的粒子群优化算法(PSO)中,所有粒子都遵循最初设定的一些参数进行自我探索,这种方案容易导致过早成熟,且易被困于局部最优点。针对以上问题,该文提出了一种基于深度确定性策略梯度的粒子群优化算法(DDPGPSO),通过构造神经网络分别实现了动作函数和动作价值函数,且利用神经网络可以动态地生成算法运行所需要的参数,降低了人工配置算法的难度。实验表明DDPGPSO相比9种同类算法在收敛速度和寻优精度上均有较大的提升。     

基于PSO模糊神经元的异构无线网络接入选择

采用模糊逻辑和神经网络技术进行异构无线网络接入选择的方法未合理考虑网络负载状况,为此提出一种对网络负载具有很好动态适应性的基于粒子群优化(PSO)模糊神经元的接入选择方法. 该方法将可接入网络的接入阻塞率相等作为模糊神经元参数学习的目标,并结合具有全局寻优能力的PSO算法设定参数初值,提高了参数学习精度. 仿真结果表明,该方法能有效实现网络间负载均衡,相对于最大负载均衡算法可降低网络的接入阻塞率.     

基于粒子群优化算法的集成电路无网格布线

提出了一种改进的粒子群优化算法,并将其应用于集成电路布线,建立了相应的优化模型。对于给定的版图布线平面,该算法结合无网格算法的思路,首先由障碍图形和各个线网的端点生成一个包含最短路径的无网格访问点阵,然后根据粒子群算法的思路建立初始粒子位置矩阵,并利用其全局寻优功能找到当前布线路径上的最短路径.     

基于神经网络和粒子群算法的移动机器人路径规划

针对移动机器人传统路径规划算法效率不高,寻优能力差等问题,提出一种基于神经网络和粒子群优化算法相结合的移动机器人路径规划方法.该方法利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性.仿真结果表明,这种新路径规划方法是可行且有效的.     

基于免疫量子算法的多用户检测技术研究

基于免疫算法和新的遗传量子算法,在码分多址通信系统中提出了一种解决多用户检测问题的进化计算方法--免疫量子算法(IQA).在IQA中,随机Hopfield神经网络被用于制作疫苗去提高IQA的收敛速度.另外,IQA为随机Hopfield神经网络提供良好的初始解会提高制作疫苗的性能,进一步改善每一代中量子种群中的适应度.通过在DS-CDMA系统进行Monte Carlo仿真,IQA算法的有效性和可行性被证实.仿真结果表明所提的IQA检测器的误码率性能优于其他的次优检测器,接近于最优检测器的理论下限.