[发明专利]一种混沌扰动与自适应惯性权重的粒子群优化方法

说明书

本发明属于无线通信技术领域，公开了一种混沌扰动与自适应惯性权重的粒子群优化方法，种群初始化；随机生成每个粒子的位置X、速度V；利用适应值函数fitness计算当前所有粒子的适应值，初始化每个粒子的局部最优解pbest和群体的全局最优解gbest；排序所有粒子并进行混沌扰动操作；进行基于自适应惯性权重的迭代操作。本发明的混沌扰动操作扩大了粒子的搜索范围，之后对比了扰动前后的适应值，选取最优的部分进入下一步，提高了算法的收敛速度。自适应的惯性权重在前期保持较大值可以提升全局搜索能力，后期保持较小值可以提升局部搜索能力，总体上提高寻优精度。

技术领域

本发明属于无线通信技术领域，尤其涉及一种混沌扰动与自适应惯性权重的粒子群优化方法。

背景技术

目前，业内常用的现有技术是这样的：盲源分离技术(Blind Source Separation,BSS)是在源信号与传输信道的相关参数均为未知量的情况下，仅由传感器接收到的信号来恢复源信号的过程。在我国第三代北斗卫星导航系统以及新开通的“复兴号”高速动车组列车等项目能够顺利运行离不开信号处理的过程。因此，对盲源分离技术的研究有着非常广阔的前景。现有的盲源分离源信号恢复技术主要是基于ICA与SCA模型建立相应的目标函数，然后对目标函数采取合适的优化方法，进而实现源信号的恢复。主流的优化方法包括最速下降法、牛顿法、修正牛顿法等传统算法和遗传算法、蜂群算法、粒子群算法等群体智能算法。但都存在着不足之处。例如在祁锐等人在其发表的论文“基于改进光滑范数的块稀疏信号重构算法”(计算机工程，2015，第41卷(11期)，294-298.)中提出了一种改进光滑范数的块稀疏信号重构算法。该算法使用了最速下降法进行迭代计算，虽然在前期能够以较快的速度收敛，但是在算法接近最优解时会产生“锯齿现象”，会严重影响收敛速度。群体智能的优化算法现在有很多学者在标准的基础上进行了改进，但是都没有从根本上改变“早熟收敛”，以及收敛速度慢的问题。

综上所述，现有技术存在的问题是：现有的优化算法在实际中用于恢复源信号时存在恢复时间过长与恢复精确度不高等问题。

解决上述技术问题的难度和意义：上述问题的主要由于优化算法本身存在各种局限性所致。其中的难点就在于对算法流程的优化。优化出一个合适的算法流程来避免算法本身的缺陷，可以大大提高源信号恢复的质量。

发明内容

针对现有技术存在的问题，本发明提供了一种混沌扰动与自适应惯性权重的粒子群优化方法。

本发明是这样实现的，一种混沌扰动与自适应惯性权重的粒子群优化方法，所述混沌扰动与自适应惯性权重的粒子群优化方法包括以下步骤：

步骤一，种群初始化操作；

步骤二，采用随机生成的方式对粒子的位置X及速度V进行初始化；

步骤三，利用适应度函数fitness计算当前所有粒子的适应值，并按照适应值的好坏排序；

步骤四，初始化每个粒子历史最优位置pbest_i与全局最优位置gbest，其中i为粒子的序号；

步骤五，进行混沌扰动操作；

步骤六，进入自适应惯性权重的迭代操作：

步骤七，判断是否达到最大迭代次数，如果达到最大迭代次数时停止迭代，否则继续迭代。

进一步，所述步骤一中种群初始化中包括种群的大小N，粒子的维数D，迭代的最大次数M，学习因子c₁和c₂，惯性权重ω的上下限ω_max和ω_min。

进一步，所述步骤五中进行混沌扰动操作步骤如下：