基于混合人工蜂群策略的改进DV-Hop定位算法

为了减小DV-Hop算法在无线传感器网络节点定位中的误差,提出了一种基于混合人工蜂群算法的改进算法。该算法结合了粒子群算法收敛速度快和蜂群算法搜索能力强的特性,首先通过DV-Hop算法估计锚节点与未知节点之间的距离,然后采用粒子群算法计算未知节点的初始位置,最后利用蜂群算法进行迭代求精,从而实现基于不同距离测量方法的总体优化。仿真结果表明,改进算法的定位精度较DV-Hop算法和基于粒子群的定位算法有明显改善。     

基于遗传和粒子群算法的天基资源调度策略

以提高天基资源调度效率为目标,提出一种基于遗传和粒子群算法的天基资源调度策略。将资源调度问题抽象为任务排序模型,设计适用于任务排序的十进制编码规则;通过重新定义遗传算法中选择、交叉和变异算子的进化行为以及粒子群算法的速度方向,结合遗传算法全局最优搜索、粒子群算法局部快速收敛等优点设计适用于天基资源调度的遗传-粒子群算法。通过实验验证遗传-粒子群算法能够在较短的时间内计算出全局最优解,是一种高效的天基资源调度解决方法。     

传感器网络的粒子群优化定位算法

无线传感器网络定位问题是一个基于不同距离或路径测量值的优化问题。由于传统的节点定位算法采用最小二乘法求解非线性方程组时很容易受到测距误差的影响,为了提高节点的定位精度,将粒子群优化算法引入到传感器网络定位中,提出了一种传感器网络的粒子群优化定位算法。该算法利用未知节点接收到的锚节点的距离信息,通过迭代方法搜索未知节点位置。仿真结果表明,该算法有效地抑制了测距误差累积对定位精度的影响,提高了节点的定位精度。     

车-路协同电动汽车动态无线充电的路权调度控制

在高级公路中设置无线充电专用道路,对行驶中的电动车辆进行动态无线充电,引发了交通工程领域的深刻变革.然而在最大限度的保证电动车辆充电能效的前提下,如何对这类车辆进行调度和管理,以提高行车安全和道路的通行能力是一个无法回避的关键问题.为此,本文首先建立了系统的车辆调度模型.然后提出了一种新的精英反向变异粒子群算法(Reverse Elitist Mutation Particle Swarm Optimization,REMPSO),通过与传统的粒子群和遗传算法的比对,证明了该算法的稳定性和寻优能力.然后使用这一算法对系统模型进行求解,得出充电行驶中的优化移动隔离分区.通过车-路协同为电动汽车动态无线充电的路权调度提供了一种可行的控制策略.     

基于改进粒子群算法的无线传感器网络覆盖优化

为了解决粒子群算法的无线传感器网络覆盖方法存在的容易出现局部收敛的问题,提出基于改进粒子群的无线传感器网络覆盖优化方法。分析基本粒子群算法进行无线传感器网络覆盖优化的过程,找出其存在的局部收敛问题,通过采用拟万有引力和库仑力两种拟物方案,在粒子速度进化过程中融入拟物力,对基本粒子群算法的速度修正过程实施优化,避免粒子群算法出现局部收敛问题,降低重复覆盖率,完成无线传感器网络覆盖优化。实验结果表明,改进粒子群算法具有更快的收敛效率,对无线传感网络的覆盖优化效果更好。     

基于混沌粒子群算法的多目标调度优化研究

针对当前车间调度多目标优化研究存在收敛速度慢、精度低的问题,提出了混沌多目标粒子群优化算法。在算法中,设计了一种新的叠加Logistic扰动的Tent混沌映射算子,通过该算子周期性地更新种群以保证种群的多样性;对收缩粒子群算法进行了扩展使其能够快速收敛到Pareto前沿。通过标准测试问题与实际应用对所提方法进行了验证,实验结果显示混沌多目标粒子群优化算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。     

基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法(PSO),提出了一种基于混沌搜索的粒子群优化算法(CPSO),该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明:CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

基于混沌粒子群优化的图像相关匹配算法研究

该文将混沌优化搜索技术应用于粒子群优化算法（PSO）,提出了一种基于混沌搜索的粒子群优化算法（CPSO）,该算法利用了PSO算法的收敛快速性和混沌运动的遍历性、随机性等特点,采用混沌初始化粒子初始位置,在运行过程中根据粒子群适应度的方差来自适应混沌更新粒子位置。几种典型函数的测试结果表明：CPSO提高了对多维空间的全局搜索能力,并可以有效避免早熟现象。将该方法用于图像相关匹配算法,提出了一种新的基于CPSO的图像相关匹配算法。实验结果证明该方法对解决噪声情况下的图像匹配问题十分有效。     

WSNs布局的粒子进化的多粒子群优化策略

在粒子进化的多粒子群算法基础上,提出了一种无线传感网络节点布局的优化策略.该策略通过多个粒子群彼此独立地搜索解空间,提高了算法的寻优能力,有效地避免了"早熟"问题,提高了算法的稳定性.仿真实验表明,与传统的粒子群算法相比,该算法有效覆盖率由75.36%提高到80.96%,收敛速度提高了19.4%.因此粒子进化的多粒子群优化策略具有比传统的粒子群算法更好的优化效果.     

解决全局优化问题的粒子群进化算法

针对复杂全局优化问题,提出一种粒子群进化算法(PSOEA)。针对粒子群算法容易陷入局部最优等缺点,设计一个新的变异算子,使得粒子能够在整个空间进行搜索,同时保证了算法的收敛性。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于全局优化问题,算法寻优性能优良,特别是对于超高维优化问题,该算法能获得更高精度的解。     

自恢复蒙特卡罗定位算法

机器人定位技术作为智能机器人领域的重要技术,是机器人进行自主规划和导航的重要前提。为解决机器人运动过程中的绑架问题,在蒙特卡罗定位(Monte Carlo localization, MCL)算法的基础上,提出了基于激光雷达似然域模型的定位可靠度评判算法以及基于惯性导航单元的定位自恢复模型。定位可靠度评判算法对机器人是否发生绑架问题进行判定,当发生绑架问题后,首先基于惯性导航单元的测量数据进行位姿预估计,然后基于预估计的位姿构建粒子重分布模型,最后进行粒子滤波得到重定位的结果,达到了对机器人绑架判定和自恢复定位的目的。经过实验测试和对比,该算法可以对绑架问题进行高效的判断,具有更高的恢复效率和准确度。     

基于时空混合图卷积网络的机器人定位误差预测及补偿方法

工业机器人作为智能制造的重要载体,在大范围复杂任务中具有巨大潜力。但是,定位精度低且难以控制的问题阻碍了机器人在高精度任务的进一步推广。为了提升机器人作业精度,该文提出一种基于时空混合图卷积网络的机器人定位误差预测及补偿方法。首先通过设计图关系编码模块、时空混合特征解码模块,构建基于图卷积网络的机器人位姿误差预测模型;然后,针对传统迭代补偿方法中机器人逆解次数多导致效率低的问题,该文将定位误差补偿问题转化为优化问题,并利用遗传算法同时对位置和姿态进行误差补偿;最后,通过拉丁超立方抽样方法获得训练集,实现机器人定位误差预测模型的训练,并通过实验验证了定位误差预测的准确性以及补偿的效果。     

基于智能机器人仓储物流系统的设计探讨

随着我国科学技术的不断更新与发展,机器人技术的发展取得了质的飞跃。当前,机器人技术已经在各行业中得到了广泛的应用,将其应用到智能仓储物流中,可以大大提高智能仓储物流的工作效率。为了更全面地了解智能机器人在仓储物流系统中的应用要点,文中对仓储物流系统设计的要点进行了详细探讨,并对智能机器人的应用要点进行了深入研究。     

基于智能审核的无线网规划设计审核平台研究

为提升无线网资源建设管理效率和水平,提出一种基于智能审核算法的无线网规划设计审核平台应用。通过信息化技术手段,实行对LTE站点等无线网资源全生命周期各阶段数据的动态采集,建立标准化、规划化的建设审核流程,并结合智能审核算法,有效解决了无线网尤其是LTE网络建设过程中存在的“四超”等问题。该平台在多个省份进行了应用,具有较高的应用价值。     

基于超宽带阵列与里程计的多机器人相对定位

精准的相对定位是实现多机器人协作与编队控制的关键。在弱全球定位系统(GPS)的室内环境中，视觉或激光雷达(LiDAR)通过特征匹配的方式确定机器人间相对位置，但在非视距环境下难以工作。针对这一问题，该文提出一种基于多超宽带(UWB)节点的移动机器人相对定位方法。首先，利用每个机器人携带的多个UWB节点构成UWB阵列，通过非线性优化实现移动机器人间相对姿态估计。为进一步提升估计精度，利用里程计对非线性优化结果进行约束，通过图优化算法对滑动窗口内的相对位姿与里程计进行优化，保证了算法的实时性。然而，图优化过程中难以确定相对位姿估计的误差，对定位结果影响较大。因此，利用粒子滤波融合里程计和滑动窗口优化后的相对位姿，进一步提升相对姿态估计的精度。实验结果表明，该方法在12×6 m的室内环境中，能够达到0.312 m的平均定位误差以及4.903°平均角度误差，且具有良好的实时性。     

移动送料机器人地图构建与运动控制研究

移动机器人的地图构建与运动控制是智能移动机器人进行自主导航的基础。针对工业装配生产线的不同工位需要送料的需求,本文以一台轮式差速移动送料机器人为研究对象,利用激光雷达作为传感器,搭建一个装配生产线,设计、实现了基于ROS的移动送料机器人的地图构建与运动控制策略。利用slamgmapping算法包,实现了机器人在特定装配生产线环境下的同时定位与地图构建;在主程序代码中利用状态机的机制,实现了机器人到达指定工位的运动控制。实验结果表明,该算法和运动控制策略可以满足在所搭建的装配生产线中进行定位和运行。     

基于改进灰狼优化算法的DV-Hop定位算法

针对无线传感器网络节点DV-Hop定位算法由于节点分布不均,距离估计不准确,导致定位精度较低的问题,提出了一种基于改进灰狼优化算法的DV-Hop定位算法,采用先进的灰狼优化算法以寻找最优值的方式得到未知节点、坐标。同时,为进一步提高优化算法的寻优能力,克服可能出现局部最优的情况,将优化算法与免疫算法相结合,提高优化算法中灰狼种群的多样性,进而提高对最优解的搜索能力,达到提高定位精度的目的。实验结果表明,相对于普通的DV-Hop定位算法和普通的灰狼优化算法,改进之后的定位算法精度更高。     

基于openmv的无人机定点降落视觉识别技术研究

无人机广泛应用于军事、农业、交通运输等方面,具有巨大的应用潜力和广阔前景。受电池能量密度和能量利用效率等因素的制约,无人机机载电池没有足够的续航能力,发挥不了最大优势。为提高无人机的飞行续航能力,采用无线充电基站对无人机进行充电。为达到无线充电的最大充电效率,需要实现无人机精确降落。为了实现无人机的定点降落,提高定点飞行能力,提出了一种GPS和视觉识别相结合定点降落方法。首先通过pixhawk飞控模块配合M8N模块来进行GPS定位,使无人机到达充电基站附近,然后通过再启用视觉辅助(openmv)实现较精准的降落。实验结果表明,无人机能够准确识别充电基站从而实现定点降落。     

多传感器技术工业机器人的应用分析

随着信息技术的不断发展，多传感器技术得到了广泛应用，其在工业机器人领域中发挥着重要作用。多传感器技术的应用价值主要表现在精准定位与检测、环境感知与安全保障以及任务规划与执行优化等方面。然而，在应用多传感器技术的过程中，也存在成本较高、技术门槛较高以及系统集成困难等不足之处。为了克服这些限制，需要加强技术研发，提高工作人员素质，并加强系统集成，进一步提高多传感器技术在工业机器人领域中的应用效果。     

GWO与ABC的混合优化算法及其聚类优化

灰狼优化算法（Grey Wolf Optimizer,GWO）和人工蜂群算法（Artificial Bee Colony,ABC）是两种流行且高效的群智能优化算法.GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法（Hybrid GWO with ABC,HGWOA）.首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题.