智能优化算法的改进及其在多维空间谱估计中的应用

论文摘要

DOA估计中的MUSIC算法涉及到多维搜索过程,传统方法的庞大计算量限制了它的应用。智能优化算法本质上是一种概率搜索算法,它不需要问题的梯度信息,同时具有潜在并行性和全局搜索能力,为解决此类问题提供了新的思路和方法。本文对智能算法进行了性能改进并应用到DOA谱峰搜索中。提出了一种启发式变异方法,它通过利用变异过程中适应度值的一阶差分变化这一启发式信息,同时通过变异过程中中心值的变化,增强了跳出局部最优的能力。在此基础上,提出了启发式变异小生境遗传算法（HNGA）。它采用联赛选择、自交回避的均匀算术交叉和高斯变异策略,同时对精英保留个体进行全概率的启发式变异。在传统微粒群算法（PSO）的基础上,本文将基于罚函数的小生境生成技术引入到微粒群算法中,以每一代经过罚函数淘汰运算后的精英个体作为吸引子,并设计了一种微粒个体随机选择吸引子的进化方式,构造了一种基于轮形拓扑结构的L-best PSO并作为算法勘探能力的主要手段,同时通过对多吸引子进行全概率的启发式变异,增强了种群的开发能力,称之为HNPSO算法。本文利用典型多峰值函数检验了算法的性能,并将这两种算法应用到MUSIC算法构造的多辐射源DOA谱峰搜索计算机仿真中。实验表明,HNGA和HNPSO均能能够有效的保持种群的多样性,同时增强小生境内的局部搜索能力,在处理多模态问题时,算法能够快速地收敛到若干个全局最优解。在DOA搜索过程中,两种改进算法能够有效的处理多模态函数优化问题,同时对多个目标进行定位,速度快,精度高,与传统遍历方法相比具有显著的优越性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 智能优化算法研究现状
• 1.3 DOA谱峰搜索研究现状
• 1.4 本文的主要内容
• 第2章 智能优化算法及其改进方法综述
• 2.1 进化算法（Evolutionary Algorithm）
• 2.1.1 遗传算法
• 2.1.2 进化策略和进化规划
• 2.2 模拟退火算法（Simulated Annealing Algorithm）
• 2.3 群体智能算法（Swarm Intelligence Algorithm）
• 2.3.1 蚁群算法
• 2.3.2 微粒群算法
• 2.4 本章小结
• 第3章 小生境遗传算法及其改进
• 3.1 小生境遗传算法
• 3.1.1 小生境技术
• 3.1.2 基于罚函数的二进制NicheGA
• 3.2 改进的小生境遗传算法
• 3.2.1 启发式变异
• 3.2.2 改进NicheGA的实现
• 3.3 算例
• 3.3.1 测试函数
• 3.3.2 参数设置
• 3.3.3 实验及结果
• 3.4 本章小结
• 第4章 微粒群算法及其改进
• 4.1 小生境微粒群算法
• 4.1.1 标准微粒群算法
• 4.1.2 基于罚函数的小生境微粒群算法的实现
• 4.2 算法仿真实验
• 4.2.1 测试函数及参数设置
• 4.2.2 实验及分析
• 4.3 本章小结
• 第5章 改进智能优化算法在空间谱估计中的应用
• 5.1 空间谱估计的数学模型
• 5.2 经典MUSIC算法
• 5.3 DOA谱峰搜索
• 5.4 DOA谱峰搜索仿真试验
• 5.4.1 试验模型
• 5.4.2 试验及分析
• 5.5 本章小结
• 结论
• 参考文献
• 致谢