基于改进粒子群优化RBF神经网络的算法

针对粒子群算法易陷入局部极小的缺陷,提出了一种改进的粒子群优化算法,并将改进后的算法应用到RBF神经网络核函数参数的选取中。依照文中提出的编码方式、迭代公式和适应度函数,在全局空间中搜索具有最优适应值的参数向量。实例仿真表明,基于改进粒子群算法优化的RBF神经网络不仅收敛速度快,且误差精度高。     

对流层散射无源监视系统最优布局方法

为提高对流层散射无源监视系统对辐射源的定位精度,利用改进粒子群优化算法对分布式监视节点进行最优布局设计。推导了基于电磁波方位到达角定位机制下的几何精度因子。在改进粒子群优化算法中,采用混沌理论初始化所有粒子的初始参数;通过自适应变化的惯性权重和学习因子来提高算法寻优能力;为防止粒子陷入局部最优,利用双子群机制进行寻优,并在两子群之间进行交叉变异操作,以增加粒子的多样性。仿真结果表明:相对于几种常规的布站方式,所提算法能够明显提高监视系统对辐射源的定位精度,运行时间较遍历寻优算法有所减少。     

基于PSO-RBF神经网络的雷达目标识别

为提高雷达系统目标识别能力,对粒子群算法及RBF神经网络进行了分析。针对离子群算法(PSO)易陷入局部极小的缺陷,提出了基于自适应时变权重和局部搜索算子的改进PSO算法,并将该算法应用到RBF神经网络核函数参数的优化学习中,进行了雷达目标识别仿真实验。仿真结果表明,相对于标准PSO-RBF神经网络,改进算法不仅收敛速度快,且误差精度高,特别在干扰较强时,目标的识别率有较大提高。     

一种改进的量子粒子群算法

量子粒子群算法是将量子计算与粒子群算法相结合的一种新的优化方法。首先利用相位角进行实数编码，将动态量子旋转门引入到粒子群算法中，采用自适应变异，提出了一种改进的量子粒子群算法。然后运用Pe-nalized函数和Ackley函数测试了该算法的性能。最后将该算法应用到武器目标分配模型中，获得了最优的分配方案。仿真研究表明，该算法具有收敛速度快、搜索能力强和稳定性高的特点。     

基于二分粒子群优化的阵列天线方向图综合

在阵列方向图综合中,粒子群优化技术通过简单的算法就可以达到很好的综合效果.然而基本的粒子群算法存在易于陷入局域最优值、迭代次数大的缺点,针对这些缺点,提出了一种新的算法——二分粒子群优化算法.该算法利用基本粒子群算法中的随机因素将其下一代的粒子分裂为2个粒子,在这2个粒子中选优处理.仿真结果表明,改进算法改善了基本粒子群算法容易收敛到局域最优值和迭代次数大的缺点,在阵列方向图的综合中取得了良好的效果.     

改进粒子群算法的舰载武器目标分配

针对舰载火力打击中的武器目标分配问题,设计了一种改善的混合粒子群优化算法来求解。对粒子更新速度的最大值进行线性递减,使得前期加强全局寻优能力,后阶段提高收敛能力;采用异步变化的学习因子,以及基于正切函数的惯性权重改进法来解决全局搜索能力与收敛精度之间的矛盾;引进了遗传算法中的杂交算子并采取模拟退火思想更新粒子,避免得到局部最优解。仿真结果显示,设计的算法能有效适宜地求解武器目标分配问题。     

云模型改进惯性权重的混沌交替粒子群算法

标准粒子群算法通过线性减小惯性权重系数来调整寻优性能,但缺乏智能化机制易导致算法后期产生早熟或陷入局部最优而产生僵局。针对这一问题,提出一种基于云模型改进惯性权重的混沌交替粒子群优化算法。根据粒子迭代变化关系,采用云模型理论对惯性权重ω进行智能化调整,以平衡其全局和局部搜索能力,防止算法产生局部僵局;另外,判定粒子稳定性,对于可能陷入局部僵局的稳定粒子进行混沌扰动,促使其跳出僵局进而向最优位置更新。实验与分析表明,基于云模型改进惯性权重的混沌交替粒子群优化算法能够跳出局部僵局且具有较高的寻优精度,算法接近完全收敛时的平均迭代次数,较现有相关研究分别降低了13.73%~20.11%。     

基于混合粒子群优化的多目标决策新方法

多目标优化问题中的一个关键在于合理地评判各有效解的优劣。通过引入灰色系统理论中灰色关联度的概念作为评判准则,结合粒子群优化算法进行有约束多目标规划问题的研究。提出了一种新的不可行解的保留策略,进化过程中以此策略保留适量的不可行解,有利于增强对约束边界附近可能的最优解的搜索,同时,针对粒子群优化算法的容易陷入局部最优的缺点,实现了以粒子群优化为载体的混合算法:即对全局极值邻域进一步混沌搜索寻优。仿真结果表明改进的算法对多目标决策问题是有效的。     

基于改进的PSO算法解决雷达网布站优化问题

雷达网布站优化是电子对抗仿真的重要组成部分,雷达网布站是否合理直接影响雷达网作战效能.而常规优化算法相对复杂,易陷于局部最优解.针对这一问题,提出适用于解决雷达网布站优化问题的改进粒子群优化算法,并且将所提出的算法与遗传算法进行了比较.仿真结果表明,与遗传算法相比,在相同的条件下,改进粒子群优化算法具有精度较高且不易陷入局部最优解的优点,较好地解决了静态条件下雷达网布站优化问题.     

网络雷达对抗系统反隐身优化部署技术

针对传统雷达反隐身检测存在的角度信息丢失、装备资源利用率不高等问题,提出了一种基于改进粒子群算法的网络雷达对抗系统反隐身优化部署技术。该技术建立了网络雷达对抗系统反隐身检测模型,在此模型基础上将任务区域进行划分和覆盖率加权,得到粒子群算法的目标函数并对收发站粒子种群进行重新部署,通过多次仿真实验得到了最优化布站数量。仿真结果表明,与标准粒子群算法相比,所提出的研究算法收敛更快,得到的加权覆盖率更高,可满足反隐身优化部署效费比需求。