下载文档原格式
随机分形搜索算法葛钱星;马良;刘勇【摘要】现有的元启发式算法大多是模仿生物的群体运动来解决优化问题.为了进一步给优化算法的设计提供新的思路,受自然生长现象的启发,提出了一种新型的元启发式算法—随机分形搜索算法.该算法利用分形的扩散特性进行寻优,其优化原理完全不同于现有的元启发式算法.其中,算法的扩散过程采用高斯随机游走方式来开发问题的搜索空间,而更新过程则分别对个体的分量及个体本身采用相应的更新策略来进行更新,以此进行全局搜索和局部搜索,从而形成了一个完整的优化系统.通过对一系列典型的测试函数优化问题的求解实验并与其他算法进行比较,结果表明随机分形搜索算法不仅具有较高的计算精度,而且具有较快的收敛速度.【期刊名称】《计算机技术与发展》【年(卷),期】2019(029)004【总页数】6页(P1-6)【关键词】随机分形;随机分形搜索算法;扩散;更新;最优化【作者】葛钱星;马良;刘勇【作者单位】上海理工大学,上海 200093;上海理工大学,上海 200093;上海理工大学,上海 200093【正文语种】中文【中图分类】TP301.60 引言近年来，元启发式算法取得了巨大的发展，出现了许多有代表性的方法。
例如，遗传算法(genetic algorithm，GA)是基于生物进化论中“自然选择、适者生存”规律而提出的优化方法；粒子群优化算法(particle swarm optimization，PSO)是基于鸟群觅食行为规律而提出的群体智能优化方法[1]；人工蜂群算法(artificial bee colony，ABC)是基于蜜蜂群觅食行为特性而提出的优化方法[2]；蚁群算法(ant colony，AC)是基于蚁群在觅食过程中的行为特性而提出的仿生类算法[3]；引力搜索算法(gravitational search，GSA)是基于万有引力定律而提出的智能优化算法[4-5]；布谷鸟搜索算法(cuckoo search,CS)是基于布谷鸟的寄生育雏的行为特性而提出的元启发式算法[6-7]。
第26卷第11期2006年11月生 态 学 报ACTA EC OLOGI CA SI NICAVol .26,No .11Nov .,2006受损常绿阔叶林生态系统退化评价指标体系和模型杨 娟1,李 静2,宋永昌1,＊,蔡永立1(1.华东师范大学资源与环境学院,城市化生态过程与生态恢复上海市重点试验室,上海 200062;2.安徽农业大学林学与国林学院,合肥 230036)基金项目:国家自然科学基金重点研究资助项目(30130060)收稿日期:2006-01-11;修订日期:2006-06-10作者简介:杨娟(1979～),女,河南人,博士生,主要从事生态模型和恢复生态学研究.E -mail :yangjuan01@sohu .com ＊通讯作者Corresponding author .E _mail :ycs ong @des .ecnu .edu .cn致谢:华东师范大学陈小勇教授、由文辉教授、达良俊教授、王希华教授、李俊祥副教授、易兰博士、河南大学丁圣彦教授等提出宝贵的意见,谨此致谢!Foundation item :The project was financially supported by National Natural Science Key Foundation of China (No .30130060)Received date :2006-01-11;Accepted date :2006-06-10Biography :YA NG Juan ,Ph .D .candidate ,mainly engaged in ecological model and res toration ecol ogy .E -mail :yangjuan01@s ohu .com摘要:为了对受损常绿阔叶林生态系统退化程度进行定量评价,在浙江天童亚热带常绿阔叶林生态系统研究的基础上,以地带性顶级群落———栲树林为参照,选取不同退化程度的次生类型:木荷林、马尾松+木荷林、马尾松林、灌丛以及裸地,从轻到重分别代表5种不同退化程度。
由于百度文库格式转换的原因，不能整理在一个word 文档里面，下面是三四章的答案。
给大家造成的不便，敬请谅解随机信号分析 第三章习题答案、随机过程 X(t)=A+cos(t+B)，其中A 是均值为2，方差为1的高斯变量，B 是（0，2π）上均匀分布的随机变量，且A 和B 独立。
求（1）证明X(t)是平稳过程。
（2）X(t)是各态历经过程吗？给出理由。
（3）画出该随机过程的一个样本函数。
（1）（2）3-1 已知平稳过程()X t 的功率谱密度为232()(16)X G ωω=+，求：①该过程的平均功率？②ω取值在(4,4)-范围内的平均功率？解[][]()[]2()cos 211,cos 5cos 22X E X t E A E t B A B R t t EA τττ=++=⎡⎤⎣⎦+=+=+与相互独立()()()21521()lim2TT T E X t X t X t X t dt AT-→∞⎡⎤=<∞⇒⎣⎦==⎰是平稳过程()()[]()()4112211222222242'4(1)24()()444(0)41132(1)224414414(2)121tan 13224X X XE X t G d RFG F e R G d d d arc x x ττωωωωωππωωπωωπωπωω∞----∞∞-∞-∞∞--∞∞⎡⎤⨯⎡⎤==⋅=⋅⎢⎥+⎣⎦====+==⎛⎫+ ⎪==⎣⎦=++⎝⎭=⎰⎰⎰⎰⎰P P P P 方法一()方：时域法取值范围为法二-4,4内(频域的平均率法功)2d ω=3-7如图3.10所示，系统的输入()X t 为平稳过程，系统的输出为()()()Y t X t X t T =--。
证明：输出()Y t 的功率谱密度为()2()(1cos )Y X G G T ωωω=-[][]:()[()()]{()()}{()(}2()()()()()()()()2(()[)()(()()]()())Y X X X Y X X Y Y Y X X X Y Y j T j T R E Y t Y t E X t X t T X t X t T R R R R E Y t Y t G F R T T e e G R G R G G G G ωωτττττωτωττωττττωωωω-⇒⇒=+=--+-+-=--=+=-⇔⇔∴=-+-=已知平稳过程的表达式利用定义求利用傅解系统输入输出立叶平变稳换的延时特性2()2()22()(1cos )j T j T X X X e e G G G T ωωωωωω-⎡⎤+-⎢⎥⎣⎦=-3-9 已知平稳过程()X t 和()Y t 相互独立，它们的均值至少有一个为零，功率谱密度分别为216()16X G ωω=+22()16Y G ωωω=+令新的随机过程()()()()()()Z t X t Y t V t X t Y t =+⎧⎨=-⎩ ①证明()X t 和()Y t 联合平稳； ②求()Z t 的功率谱密度()Z G ω ③求()X t 和()Y t 的互谱密度()XY G ω ④求()X t 和()Z t 的互相关函数()XZ R τ ⑤求()V t 和()Z t 的互相关函数()VZ R τ 解:()()4124(1)()()()2[()]()0[()]0()2[()]0()()(,)[()][()]0()()(2)()()()()[()()][()()][()X X X Y XY Z X t Y t R F G e E X t R E X t R eE Y t X t Y t R t t E X t E Y t X t Y t Z t X t Y t R E Z t Z t E X t Y t X t τττωτδττττττ---==∞=⇒=⎡⎤⎣⎦=-⇒=∴+=⋅+=⇒=+=+=++、都平稳＝与与联合独平立稳[][]{}2214||()]()()()()()0()()()16()()()116(3)()0()0(4)()[()()]()()()()()()[()]2(5)(X YX XY Y XY Z X Y Z X Y XY XY XZ X XY X X VZ Y t R R R R R R R R G G G R G R E X t Z t E X t X t Y t R R R F G e R ττττττττττωωωωωτωτττττττωτ--++=+++=∴=++∴=+==+=→==+=+++=+==={}4||)[()()][()()][()()]()()()4X Y E V t Z t E X t Y t X t Y t R R e ττττττδτ-=+=-+++=-=+-3-11 已知可微平稳过程()X t 的自相关函数为2()2exp[]X R ττ=-，其导数为()()Y t X t '=。
第9章 随机信号分析随机信号和确定信号是两类性质完全不同的信号，对它们的描述、分析和处理方法也不相同。
随机信号是一种不能用确定数学关系式来描述的，无法预测未来某时刻精确值的信号，也无法用实验的方法重复再现。
随机信号分为平稳和非平稳两类。
平稳随机信号又分为各态历经和非各态历经。
本章所讨论的随机信号是平稳的且是各态历经的。
在研究无限长信号时，总是取某段有限长信号作分析。
这一有限长信号称为一个样本（或称子集），而无限长信号x(t)称为随机信号总体（或称集）。
各态历经的平稳随机过程中的一个样本的时间均值和集的平均值相等。
因此一个样本的统计特征代表了随机信号总体，这使得研究大大简化。
工程上的随机信号一般均按各态历经平稳随机过程来处理。
仅在离散时间点上给出定义的随机信号称为离散时间随机信号，即随机信号序列。
随机信号序列可以是连续随机信号的采样结果，也可以是自然界里实际存在的物理现象，即它们本身就是离散的。
平稳随机过程在时间上是无始无终的，即其能量是无限的，本身的Fourier 变换也是不存在的；但功率是有限的。
通常用功率谱密度来描述随机信号的频域特征，这是一个统计平均的频谱特性。
平稳随机过程统计特征的计算要求信号x(n)无限长，而实际上这是不可能的，只能用一个样本，即有限长序列来计算。
因此得到的计算值不是随机信号真正的统计值，而仅仅是一种估计。
本章首先介绍随机信号的数字特征，旨在使大家熟悉描述随机信号的常用特征量。
然后介绍描述信号之间关系的相关函数和协方差。
这些是数字信号时间域内的描述。
在频率域内，本章介绍功率谱及其估计方法，并给出了功率谱在传递函数估计方面的应用。
最后介绍描述频率域信号之间关系的函数---相干函数。
9.1 随机信号的数字特征9.1.1 均值、均方值、方差若连续随机信号x(t)是各态历经的，则随机信号x(t)均值可表示为： []⎰∞→==TT x dt t x Tt x E 0)(1)(limμ （9-1）均值描述了随机信号的静态（直流）分量，它不随时间而变化。
随机信号分析李晓峰引言随机信号分析是一门研究信号及其性质的学科，其在现代通信、图像处理、生物医学工程等领域中具有重要的应用价值。
本文将介绍随机信号分析的基本概念、常见的分析方法以及李晓峰教授在随机信号分析领域的研究成果。
随机信号的定义随机信号是指在某个时间段内具有随机性质的信号。
其特点是信号的取值在时间和幅度上都是不确定的，只能通过概率统计的方法来描述。
一个随机信号可以用一个概率密度函数来描述其取值的分布情况。
随机信号有两种基本的分类方式：离散随机信号和连续随机信号。
离散随机信号是在离散的时间点上进行取样的信号，连续随机信号则是在连续的时间上变化的信号。
随机信号分析方法统计特性分析统计特性分析是随机信号分析的基本方法之一，它通过对信号进行统计分析，从而得到信号的数学特性。
常见的统计特性包括均值、方差、自相关函数和谱密度等。
均值是衡量随机信号集中程度的一个指标，它表示信号的中心位置。
方差则用来衡量信号的离散程度，方差越大表示信号的波动性越大。
自相关函数描述了信号在不同时间点之间的相关性，而谱密度则表示信号在不同频率上的能量分布情况。
概率密度函数分析随机信号的概率密度函数描述了信号取值的概率分布情况。
常见的概率密度函数包括高斯分布、均匀分布和指数分布等。
高斯分布是最常用的概率密度函数之一，其形状呈钟型曲线，具有对称性。
均匀分布则表示信号的取值在一个区间上是均匀分布的，而指数分布则表示信号的取值在一个时间段内的分布服从指数规律。
谱分析谱分析是通过对随机信号进行频域分析来研究其频率成分的分析方法。
常见的谱分析方法有功率谱密度分析和相关函数分析。
功率谱密度分析可以用来分析信号在不同频率上的能量分布情况，通过功率谱密度分析可以得到信号的频谱图。
相关函数分析则是通过对信号进行自相关操作，得到信号的相关函数，从而分析信号在不同频率上的相关性。
李晓峰教授的研究成果李晓峰教授是我国著名的随机信号分析专家，他在随机信号分析领域做出了许多重要的研究成果。
随机信号分析随机信号是在时间或空间上具有随机性质的信号，其数学模型采用随机过程来描述。
随机信号的分析是信号与系统理论中的重要内容，其应用广泛涉及通信、控制、电力系统等领域。
本文将从随机信号的基本特性、常见的随机过程以及随机信号分析的方法等方面进行阐述。
随机信号的基本特性包括：平均性、相关性和功率谱密度。
首先，平均性是指随机信号的统计平均等于其数学期望值。
随机信号的平均性是通过计算信号在一定时间或空间范围内的平均值来描述的。
其次，相关性是指随机信号在不同时刻或不同空间位置上的取值之间存在一定程度的相关性。
相关性可以描述信号之间的相似度和相关程度，常用相关函数来表示。
最后，功率谱密度是用来描述信号在频域上的分布特性，它表示了随机信号在不同频率上所占的功率份额。
随机信号的常见模型主要有白噪声、随机行走、随机震荡等。
其中，白噪声是指功率谱密度在整个频率范围内均匀分布的信号，其在通信领域中应用广泛。
随机行走模型是一种随机过程，它描述了随机信号在不同时刻之间的步长是独立同分布的。
随机震荡模型是一种具有振荡特性的随机过程，常用于描述具有周期性或周期性变化的信号。
对于随机信号的分析方法，主要包括时间域分析和频域分析两种。
时间域分析是通过观察信号在时间上的波形和变化规律来分析随机信号的特性，常用的方法有自相关函数和互相关函数等。
频域分析是将信号转换为频率域上的功率谱密度来分析信号的频谱特性，常用的方法有傅里叶变换和功率谱估计等。
在实际应用中，随机信号的分析对于信号处理和系统设计具有重要意义。
在通信系统中，随机信号的噪声特性是衡量系统性能的关键因素之一，因此通过对随机信号的分析可以有效地优化通信系统的传输质量。
此外，在控制系统和电力系统中，随机信号的分析也能帮助我们进行系统建模和性能预测，从而实现系统的稳定性和可靠性。
综上所述，随机信号的分析是信号与系统理论中的重要内容，其对于各个领域的应用具有重要的意义。
通过对随机信号的基本特性、常见的随机过程以及分析方法的了解，可以为我们深入理解和应用随机信号提供帮助。
