针对动态目标的多无人机协同组合差分进化搜索方法

针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.     

基于改进蚁群优化算法的自动驾驶多车协同运动规划

当前面向多辆自动驾驶汽车的协同运动规划方法能有效保证运行车辆与障碍物及其他车辆之间避免发生碰撞并保持安全距离,但车辆间的在线协同与规划能力仍有待提升。为实现多辆自动驾驶汽车在运动过程中的协同控制,提出一种基于改进蚁群优化算法的多车在线协同规划方法。以空间协同与轨迹代价为优化目标,构造多目标优化函数,确保了多车行驶过程中的协同安全性与轨迹平滑性。将多目标优化函数引入蚁群优化算法的信息素更新过程中,根据自动驾驶车辆数量产生多个种群,使得种群之间相互独立的同时为每辆自动驾驶汽车规划可行路线。最终对蚁群优化算法中的挥发因子进行自适应调整,提升了算法全局搜索能力及收敛速度。实验结果表明,该方法能使多辆自动驾驶汽车在运动过程中保持协同控制并规划出无碰撞路线,相比于基于人工势场和模型预测的协同驾驶方法在复杂道路场景下车辆间的协同效果更好且适应性更强。     

基于滤子混合协同进化算法的无功优化

混合整数非线性规划问题存在于大量工程和管理中,针对此问题提出一种滤子混合协同进化算法.利用滤子技术代替罚函数处理约束条件,采用混合编码和由差分进化算法与遗传算法异构的种群协同解决混合整数变量问题,引入基于平均熵和Logistic混沌初始化增加算法鲁棒性,利用自适应缩放因子和精英交流学习策略构成策略协同,与种群协同耦合,以提高算法搜索能力.以IEEE30节点测试系统进行无功优化为例,仿真结果表明所提出的算法具有全局搜索能力和有效性.     

参数化运动模型和PSO的自主车运动规划方法

自主地面车辆在障碍物环境下的运动规划问题是一个包含非完整约束条件的全局优化问题。针对该优化问题,提出了一种基于参数化运动模型和改进粒子群优化算法的运动规划方法。该方法将车辆运动模型解耦为参数化弧长-曲率模型和速度模型,并采用混沌映射方法对粒子群优化算法进行了改进,将改进的粒子群优化算法应用于弧长-曲率模型中的参数优化问题。仿真结果证明了该方法的有效性,是自主地面车辆运动规划的一种较好方法。     

粒子群分形进化算法

在传统粒子群优化(PSO)算法的基础上,提出粒子群分形进化算法(FEPSO).FEPSO利用分形布朗运动模型中的无规则运动特性模拟优化目标函数未知特性,隐含的趋势变化模拟优化目标函数极值变化的总趋势,从而克服个体过于随机进化和早熟的现象.与传统的PSO算法相比,文中算法中每个粒子包含分形进化阶段.在分形进化阶段,粒子在解的子空间以不同的分形参数进行分形布朗运动方式搜索解空间,并对其分量进行更新.仿真实验结果表明,该算法对大部分标准复合测试函数都具有较强的全局搜索能力,其性能超过国际上最近提出的基于PSO的改进算法.     

一种基于差异演化的协同粒子群优化算法

提出一种协同进化PSO算法,用于保持粒子种群的多样性并避免发生“早熟”的问题．该方法采用两个不同的分群;其中分群一的粒子采用标准PSO算法进行搜索寻优,分群二的粒子采用差异演化算法进行搜索和寻找最优解．在搜索过程中,如果标准PSO算法的适应度变化率低于一个阈值,则按照黄金分割率用分群二中的若干优势粒子取代分群一中的劣势粒子．用所提出的PSO算法和标准PSO算法对4种常用函数进行优化．结果表明,该粒子群优化算法比标准粒子群优化算法更容易找到最优解,而且优化效率和优化性能明显提高．     

一种基于和声搜索的动态交叉粒子群算法

针对粒子群优化算法(PSO)在优化多维问题时容易陷入局部最优的问题,提高其全局搜索能力和拓展能力,提出了一种基于和声搜索的动态交叉粒子群算法.引入动态交叉操作,使得粒子在更新速度时实现共享有效信息,保证粒子进化过程中的种群多样性,提高全局搜索能力.结合和声搜索(HS)的随机搜索能力提出了HS-DCPSO,利用和声搜索的自适应调整参数音符调节概率PAR和间隔调整带宽bw来提高粒子群的拓展能力.通过多个基准函数对所提出的HS-DCPSO算法进行仿真测试,并与HS、PSO及多种改进的粒子群算法对比,验证所提出的HS-DCPSO算法具有较强的全局搜索能力和局部拓展能力,并且算法时间复杂度相比传统PSO增加不明显.     

基于粒子群优化的时间最优机械臂轨迹规划算法

根据机械臂运动学约束,提出了关节空间基于粒子群优化(PSO)的时间最优3-5-3多项式插值轨迹规划算法,解决了由于多项式插值轨迹规划具有阶次高、没有凸包性质等缺点,难以应用传统优化方法进行优化的问题.粒子群算法结构简单、参数易调整的特点弥补了多项式阶插值的缺点.直接在优化目标空间搜索,巧妙地避免了粒子群计算构造自变量和因变量的映射,降低了搜索维数,简化了计算.在优化过程中,采用两个适应度函数之间切换的开关控制,使各段插值尽快收敛于运动学约束内.通过与传统3-5-3多项式插值的运动位置、速度、加速度曲线对比,证明该方法运行时间更短,稳定性和流畅性更好.     

多空间协同进化的自然计算方法

在自然计算方法中,种群规模大,计算复杂度高;种群规模小,容易陷入局部最优.本文提出多空间协同进化(Multispace Coevolution,简称MSC)的自然计算方法,该方法适用于各种基于种群进化的优化算法,不依赖于算法进化的具体步骤,具有普适性.在传统的生物种群进化的基础上,将大种群分解为个数有限的小种群,部分小种群组成进化空间,另一部分构成指导空间,两个空间拥有不同的功能,指导空间通过特定的信息传递方式将经验概括信息传递到进化空间,从而使整个种群协同进化.将该策略分别应用到粒子群优化算法(PSO)和遗传算法(GA)中,并与标准粒子群算法、遗传算法以及目前主流的针对大规模问题进行优化的7个算法对比,在高维测试函数中,结果表明,寻优性能方面新的种群进化算法相比其他算法提高80%左右,具有普适性.     

基于精英协同的多种群分布估计算法

针对传统分布估计算法局部搜索能力弱,易陷入早熟收敛的问题,在分布估计算法的基础上引入精英策略并采用划分子种群独立进化的方式,提出一种基于精英协同的多种群分布估计算法。该算法混合了两种后代产生的策略:一种是进化过程采用精英协同操作用于进行局部搜索并开辟出新的搜索空间,另一种是采用划分子种群独立进化方式保证种群间个体的多样性。基准测试函数实验结果表明,该算法在收敛性和多样性方面均表现出明显优势。