智能优化算法的改进及其在多维空间谱估计中的应用

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(H_NGA)。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-bestPSO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H_NPSO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，H_NGA和H_NPSO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。

目录

智能优化算法的改进及其在多维空间谱估计中的应用

IMPROVED INTELLIGENTOPTIMIZATION ALGORITHMS ANDTHEIR APPLICATION IN MULTIDIMENSIONALSPATIAL SPECTRUMESTIMATION

摘 要

Abstract

目 录

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

哈尔滨工业大学硕士学位论文原创性声明

哈尔滨工业大学硕士学位论文使用授权书

致谢