应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

基于遗传粒子群算法的供水系统优化调度

针对某城市供水系统,建立了大型供水系统的多目标混合离散变量的优化调度模型,采用遗传粒子群混合算法对调度模型进行了求解,实现了该供水系统的直接优化调度,并与传统遗传算法优化调度的过程及结果进行了对比,新算法在优化时间、优化结果及求解效率等方面都具有较强的优越性.     

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。     

多用户检测技术的发展趋势和最新进展

多用户检测（MUD）能够降低系统的多址干扰和码间干扰,提高系统的容量,改善系统的性能,是第四代移动通信的关键技术之一,一直以来是通信领域的研究热点。本文介绍了多用检测的原理及分类分析,并对新的研究方向进行了展望。     

模拟退火并行粒子群优化算法程序设计与研究

针对粒子群优化算法后期收敛差和模拟退火算法全局优化能力强的特点,建立模拟退火并行粒子群优化算法(SA-PSO算法)模型。利用MATLAB语言开发SA-PSO算法工具箱,实现SA-PSO算法的程序设计,高效、稳定地提高算法全局寻优能力。     

混合策略改进的粒子群算法

针对粒子群算法易陷入局部最优、收敛精度低、收敛速度慢等缺陷,提出了基于混合策略的改进粒子群算法。使用融合Circle映射与精英反向学习的策略初始化种群,提升初始种群的质量,同时加快收敛速度;在粒子速度更新方式中引入蜘蛛移动策略平衡算法的全局搜索与局部搜索;提出了基于自适应t分布的变异策略,增强算法全局搜索和跳出局部最优能力;对15个单峰和多峰函数进行仿真实验,与其他3种算法进行了对比分析,结果表明：所提出的改进算法具有很强的寻优能力与稳定性。     

基于粒子群算法的网络教学资源优化获取

利用通用搜索引擎可以在网络上获得大量相关的网络教学资源，如何在众多的网络教学资源中迅速、高效地获得理想的教学信息是越来越重要的研究课题。为解决这一问题，本文提出了基于粒子群算法的网络教学资源优化获取方法。首先对每个网络教学资源赋予一定的评价指标，然后利用粒子群算法对搜索列的网络教学资源进行优化排序，从而可以在众多的网络教学资源中迅速、高效地获得优质的教学资源。     

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。     

基于遗传算法和禁忌搜索的多用户检测器

利用遗传算法和禁忌搜索的优势,介绍一种嵌入式混合优化算法,提出一种基于嵌入式混合优化算法的多用户检测器。数值结果表明:该方法具有较好的检测性能和合理的计算复杂度。     

粒子群优化算法及其与遗传算法的比较

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题。该文讨论粒子群优化算法的基本原理和实现步骤,分析了该算法中各参数的设置。通过一个测试函数,对粒子群优化算法与遗传算法进行了比较,结果表明粒子群优化算法在找寻最优解效率上好于遗传算法。     

求解复杂旅行商问题的混合粒子群算法

针对粒子群算法在解决组合优化时存在早熟和易陷入局部最优的问题,提出一种求解旅行商问题( TSP)的混合 粒子群算法。将粒子群算法与遗传算法结合,引入遗传算法中的交叉和变异操作,通过个体极值和群体极值的交叉以及 粒子自身变异的方式增加种群的多样性,避免粒子陷入局部最优,提高算法的局部搜索能力。仿真结果表明,新的混合 粒子群算法在解决TSP问题时具有较好的收敛性及优化效果。     

粒子群优化算法中的分步式策略

为了解决粒子群优化算法(PSO)在处理高维多极值问题时容易陷入局部最优而早熟的问题,提出了分步式学习策略和分步式评价策略。前者让粒子每次升级只向某一个榜样学习,使粒子能在更有潜力的区域搜索;并简化了其升级规则,使粒子的搜索行为更易被控制。后者对粒子的位置矢量逐维进行评价,使粒子向目标最优位置稳步前进;并通过对维之间的关系的检测,解决了维不可分解的问题。实验证明,新算法具有很好的收敛速度和抗早熟能力。     

粒子群优化的广义T-S模糊模型参数学习方法

提出了一种基于粒子群优化的广义T-S模糊模型参数学习方法。该方法用离散二进制微粒位置表示模型的结构参数,用普通微粒位置表示模型规则中模糊集隶属函数的参数;这两种微粒位置联合体构成一个模型完整的前件参数集。每一学习循环分两步,前一步用粒子群进化迭代调整所有前件参数,后一步用正交最小二乘法估计后件参数。该方法不需任何先验知识,运算量小,能产生紧凑的模糊模型。非线性动态系统模糊建模的数字仿真说明了该方法的有效性。     

免疫接种粒子群的聚类算法

将粒子群优化算法和K均值算法结合进行聚类分析,同时引入了免疫系统中的免疫接种和免疫选择机制来指导粒子的迭代过程,提出了一种基于免疫接种粒子群的聚类算法,在粒子群迭代的过程中加入免疫接种机制指导粒子的飞行方向,再通过免疫选择机制对接种的结果进行选择,确保粒子种群向更优的方向移动。实验结果证明,基于免疫接种粒子群的聚类算法基本克服了K均值算法容易受初始聚类中心影响的缺点,聚类结果稳定,而且比基于粒子群优化的聚类算法取得了更好的聚类效果。