改进的生物群智能优化算法及在滤波器设计中的应用

论文摘要

优化是人们在科学研究、工程技术和经济管理等诸多领域中经常碰到的问题。对优化策略及算法的研究成为近年来备受科学工作者关注的研究目标之一。受到具有社会性的动物，如蚁群、蜂群、鸟群、鱼群等的自组织行为的启发，不少学者对这种行为进行数学建模并用计算机对其进行仿真，随之产生了“群智能”(Swarm Intelligence，SI)，或称“群集智能”，主要包括遗传算法、蚁群算法、粒子群算法和人工鱼群算法等。本文在对现有的群智能理论领域主要算法的基本理论、系统模型、参数设置和实验仿真进行分析研究的基础上，提出了一种粒子群与蚁群及遗传和模拟退火算法相混合的算法，并将其应用于IIR数字滤波器、陷波器的设计应用上，从实验分析上看，取得了一定的效果，通过仿真实验表明，该方法设计的滤波器在通带和阻带内具有较好的特性，较好地防止了算法易陷入局部最优等问题，且计算简单、计算量小，有较好的应用前景，进而验证了该混合算法的适用性和有效性。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 前言
• 1.1 群智能算法的研究与现状
• 1.1.1 遗传算法（GA）
• 1.1.2 蚁群算法理论（ACO）
• 1.1.3 粒子群算法（PSO）
• 1.1.4 鱼群算法（FSA）
• 1.2 群智能算法的发展
• 2 群智能各优化算法分析与比较
• 2.1 群智能
• 2.1.1 蚁群算法
• 2.1.2 粒子群算法
• 2.1.3 鱼群算法
• 2.2 本章小结
• 3 粒子群优化算法的改进
• 3.1 引言
• 3.2 自适应PSO（Adaptive Particle Swarm Optimization,APSO）
• 3.3 混合PSO（Hybrid Particle Swarm Optimization,HPSO）
• 3.4 协同PSO（Cooperative Particle Swarm Optimization,CPSO）
• 3.5 离散PSO（Discrete Particle Swarm Optimization,DPSO）
• 3.6 基于排斥因子的PSO（Repellor Particle swarm Optimization,RPSO）
• 4 改进算法及在数字滤波器设计中的应用
• 4.1 蚁群算法与粒子群算法混合的基本思路
• 4.2 实现步骤
• 4.3 在IIR滤波器设计中的应用
• 4.3.1 IIR滤波器优化模型
• 0的解析表达式'>4.3.2 增益A₀的解析表达式
• 4.3.3 参数编码
• 4.3.4 适应度函数
• 4.3.5 用粒子群优化算法设计IIR数字滤波器的步骤
• 4.3.6 实验仿真结果
• 4.4 在自适应（LMS）陷波器设计上的应用
• 4.4.1 自适应信号处理
• 4.4.2 算法实现
• 4.4.3 实验结果
• 4.5 小结
• 总结与展望
• 参考文献
• 致谢
• 攻读硕士期间参加的项目