科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对将连续域蚁群优化算法应用于最大似然（maximum likelihood,ML）估计中存在计算量过大的问题，提出一种基于改进蚁群优化（modified ant colony optimization,MACO）算法的最大似然方位（maximum likelihood direction of arrival,ML-DOA）估计方法．首先采用精英反向学习策略获得较优初始解群体，再结合全局跨邻域搜索和高斯核函数局部搜索对蚁群的寻优方式进行优化，扩大了算法的搜索空间并加快了收敛速度；最终得到ML估计方法的非线性全局最优解．仿真结果表明，与基于粒子群优化（particleswarm optimization,PSO）算法、蚁群优化（ant colony optimization,ACO）算法的ML估计方法相比，ML-DOA算法的收敛速度是ACO算法的4倍，计算量是ACO算法的1/3，分辨成功率高于PSO算法和ACO算法，估计误差小于PSO算法和ACO算法ML-DOA该算法以更低的计算量保持了ML算法的优良估计性能，收敛性能更优且估计精度更高.
- 出版日期2022-10-20
- 单位西安工程大学
