基于Cross-EKF定位的多机器人协作围捕策略研究

针对目前多机器人协作围捕过程中收敛速度慢、稳定性差、定位精度低的问题,提出一种新的围捕策略.设计出Cross-EKF定位算法,对目标位置的后验估计协方差进行交叉计算,以取得最小协方差区域.以区域边缘点到均值中心最大距离为半径,构建收敛圆,将对动态点的收敛扩展为对动态面的收敛.实验结果表明,系统能快速平稳地收敛该圆,从而实现对目标的精确围捕,该方法具有较高的实用价值.     

移动机器人路径规划强化学习的初始化

针对现有机器人路径规划强化学习算法收敛速度慢的问题,提出了一种基于人工势能场的移动机器人强化学习初始化方法.将机器人工作环境虚拟化为一个人工势能场,利用先验知识确定场中每点的势能值,它代表最优策略可获得的最大累积回报.例如障碍物区域势能值为零,目标点的势能值为全局最大.然后定义Q初始值为当前点的立即回报加上后继点的最大折算累积回报.改进算法通过Q值初始化,使得学习过程收敛速度更快,收敛过程更稳定.最后利用机器人在栅格地图中的路径对所提出的改进算法进行验证,结果表明该方法提高了初始阶段的学习效率,改善了算法性能.     

求解不等圆Packing问题的一个启发式算法

求解具有NP难度的圆形packing问题具有很高的理论与实用价值.现提出一个启发式方法,求解了货运中常遇到的矩形区域内的不等圆packing问题.此算法首先将待布局圆按半径大小降序排列,然后用占角动作来逐个放置.通过试探性地放入一个或多个待布局圆,给出了占角动作的度以及更全局的有限枚举策略来评价占角动作的优度.在放置每一个圆时,以贪心的方式选取当前具有最大优度的占角动作来放置.最后用测试算例验证了算法的高效性.     

融合主题和视觉特征的图片拼贴画合成方法

为辅助设计师进行图片拼贴画艺术创作,提出一种融合主题和视觉特征的图片拼贴画合成方法.给定容器图片和素材图片集,将容器图片划分为若干子区域;并使用圆填充算法及Delaunay三角剖分算法生成子区域的Voronoi图,得到补丁集;之后,计算主题-颜色相似性矩阵,进行素材图片与补丁之间的映射;最后,使用颜色线性融合方法进一步优化拼贴画视觉效果.在保留图片视觉特征的同时,该方法亦能保证容器和素材之间具有相似的主题信息.与市面流行拼贴画制作软件的对比实验表明,该方法合成的图片拼贴画能取得更好的视觉效果,在数字媒体和装饰领域中均有着潜在的应用价值.     

基于贪心算法和模拟退火算法的软硬件划分

软硬件划分是嵌入式系统设计过程中一个关键环节,已经被证明是一个NP问题。针对目前算法在进行大任务集下的软硬件划分时计算复杂度高、不能快速收敛,且找到的全局最优解的质量不佳等问题,提出一种基于贪心算法和模拟退火算法相融合的软硬件划分方法。首先将软硬件划分问题规约为变异的0-1背包问题,在求解背包问题的算法基础上用贪心算法构造出初始划分解;然后,对代价函数的解空间进行合理的区域划分,并基于划分的区间设计新的代价函数,采用改进的模拟退火算法对初始划分进行全局寻优。实验结果表明,与目前已有的类似改进算法相比,新算法在任务划分质量和算法运行时间两个方面的提升率最大可达到8%和17%左右,具有高效性和实用性。     

一种基于线性函数逼近的离策略Q(λ)算法

将函数逼近用于强化学习是目前机器学习领域的一个新的研究热点.针对传统的基于查询表及函数逼近的Q(λ)学习算法在大规模状态空间中收敛速度慢或者无法收敛的问题,提出一种基于线性函数逼近的离策略Q(λ)算法.该算法通过引入重要性关联因子,在迭代次数逐步增长的过程中,使得在策略与离策略相统一,确保算法的收敛性.同时在保证在策略与离策略的样本数据一致性的前提下,对算法的收敛性给予理论证明.将文中提出的算法用于Baird反例、Mountain-Car及Random Walk仿真平台,实验结果表明,该算法与传统的基于函数逼近的离策略算法相比,具有较好的收敛性;与传统的基于查询表的算法相比,具有更快的收敛速度,且对于状态空间的增长具有较强的鲁棒性.     

一种优先级扫描的Dyna结构优化算法

不确定环境的时序决策问题是强化学习研究的主要内容之一,agent的目标是最大化其与环境交互过程中获得的累计奖赏值.直接学习方法寻找最优策略的算法收敛效率较差,而采用Dyna结构将学习与规划并行集成,可提高算法的收敛效率.为了进一步提高传统Dyna结构的收敛速度和收敛精度,提出了Dyna-PS算法,并在理论上证明了其收敛性.该算法在Dyna结构规划部分使用优先级扫描算法的思想,对优先级函数值高的状态优先更新,剔除了传统值迭代、策略迭代过程中不相关和无更新意义的状态更新,提升了规划的收敛效率,从而进一步提升了Dyna结构算法的性能.将此算法应用于一系列经典规划问题,实验结果表明,Dyna-PS算法有更快的收敛速度和更高的收敛精度,且对于状态空间的增长具有较强的鲁棒性.     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

自适应偏好半径划分区域的多目标进化方法

偏好多目标进化算法是一类帮助决策者找到感兴趣的Pareto最优解的算法.目前,在以参考点位置作为偏好信息载体的偏好多目标进化算法中,不合适的参考点位置往往会严重影响算法的收敛性能,偏好区域的大小难以控制,在高维问题上效果较差.针对以上问题,通过计算基于种群的自适应偏好半径,利用自适应偏好半径构造一种新的偏好关系模型,通过对偏好区域进行划分,提出基于偏好区域划分的偏好多目标进化算法.将所提算法与4种常用的以参考点为偏好信息载体的多目标进化算法g-NSGA-II、r-NSGA-II、角度偏好算法、MOEA/D-PRE进行对比实验,结果表明,所提算法具有较好的收敛性能和分布性能,决策者可以控制偏好区域大小,在高维问题上也具有较好的收敛效果.     

多阈值划分的连续AdaBoost人脸检测

连续AdaBoost算法要求对样本空间进行划分,传统的等距划分无法体现正负样本各自的分布规律.对基于连续AdaBoost算法的人脸检测方法进行了改进,结合离散AdaBoost中弱分类器的阈值选取策略,通过多重最优阈值选择方法实现了样本空间的合理划分.在MIT-CBCL数据库上的实验结果表明,改进后的方法比等距划分和连续AdaBoost算法检测率提高0.5%和2%,错误率降低0.15%和0.27%,算法收敛速度更快.     

一种混沌编码的粒子群优化算法及其应用

研究粒子群优化算法.传统的粒子群算法采用实数编码,收敛速度慢.为了提高收敛速度,提出了一种混沌编码的粒子群优化算法.混沌编码作为一种全新的数学编码方式,更能准确地表达编码对象的多样性,将混沌编码应用到粒子群优化算法中,使算法在初期的搜索区域更大,更快找到全局最优解.把混沌编码的粒子群算法与BP算法相结合用来优化神经网络.利用混沌编码的粒子群算法快速找到全局最优位置的邻域,然后再用BP算法进行局部寻优,收敛到全局最优位置.仿真结果证明混沌编码的粒子群神经网络比实数编码的粒子群神经网络分类收敛速度更快,验证了算法的有效性.     

一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中, 采用粒子最大适应值和最小适应值的指数函数来动态调整 算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。     

基于禁忌搜索的启发式算法求解圆形packing问题

求解具有NP难度的圆形packing问题具有很高的理论与实用价值．现提出一个有效的启发式方法，求解了货运中常遇到的矩形区域内的不等圆packing问题．此算法首先将圆按给定的优先级分组，然后逐组地用拟物拟人法放置圆，并且在整个过程中利用了禁忌搜索法的思想，通过禁止重复前面已做的工作，使搜索能有效地逃离局部极小值的陷阱，提高了搜索效率．实验结果表明，提出的算法是一个高效的实用求解算法．     

一种按基因重要度收敛的进化算法

提出基因重要度的概念,通过实验证明基因重要度对于单变量边缘分布算法(Unvaried Marginal Distribution Algo-rithm,UMOA)收敛的重要性.由此提出一种基于基因重要度的进化算法.该算法首先对组成染色体的各基因进行重要度排序,随后对重要度大的基因先进行收敛操作,每次收敛当前重要度最大的基因,直到所有基因全部收敛.实验数据表明,本算法的收敛速度更快,而且更容易求出满意解.     

结合区域信息的双抑制FCM聚类图像分割

针对抑制式模糊C均值聚类算法在进行图像分割时出现的收敛性能较差和像素错误分割问题,提出一种结合区域信息的双抑制模糊C均值聚类图像分割算法。对图像进行初始区域划分,针对不同的区域,提取其区域信息;利用区域信息构建修正因子,实现对模糊隶属度的初次抑制;将区域信息和数据自身的分布特性相结合,利用指数函数构建抑制因子的自适应选取公式,实现对模糊隶属度的二次抑制,进一步提高收敛性能。实验结果表明,该算法可以改善像素易错分现象,提高了收敛性能。     

一种基于十五阶的FastICA改进算法

快速独立分量分析（FastICA）因其收敛速度快而被受关注,但存在初始值选取不当可能导致算法的收敛速度减慢甚至不收敛的问题。针对基本牛顿迭代FastICA算法对初始值选择比较敏感的缺点,以最大化负熵为目标函数,引入十五阶牛顿迭代的修正形式对FastICA算法的核心迭代过程进行改进,改进算法的收敛性不再依赖于初始值的选择,而且具有更快的收敛速度。将改进算法应用到仿真实验,实验结果显示,改进算法在分离效果相当的前提下,迭代次数更少,收敛速度更快,而且收敛速度更加稳定。     

基于反向学习的群居蜘蛛优化WSN节点定位算法

针对启发优化算法在WSN节点定位问题中定位精度不高和收敛速度较慢的缺陷,提出基于反向学习的群居蜘蛛优化WSN节点定位算法.为减少前期随机搜索,所提出算法首先通过Bounding-box方法得到未知节点可能存在的区域,在该区域初始化启发个体,并将加权中心反向学习策略与群居蜘蛛群优化算法相结合,求解未知节点估计位置,提高算法全局搜索能力.仿真结果表明,相比于传统算法,所提出算法收敛速度更快,节点定位精度更高.     

多变量系统辅助模型多新息随机梯度辨识方法

针对多变量输出误差系统的模型辨识问题,借助辅助模型思想推导出其随机梯度辨识算法;由于该算法的收敛速度慢,为了提高收敛速度,将算法中的新息向量扩展成新息矩阵,得到基于辅助模型的多新息随机梯度辨识算法;辅助模型多新息算法使用新息矩阵对参数进行校正估计,该新息矩阵不仅包含了当前时刻的新息向量,还包含过去多个时刻的新息向量,因而,与辅助模型随机梯度算法和增广随机梯度算法相比,该算法具有更快的收敛速度;一个二输入二输出的仿真例子证明了所提出的算法的确具有更快的收敛速度.     

带启发性变异的粒子群优化算法

粒子群优化算法(PSO)是一种群体智能计算方法,该算法精度高,收敛速度快,但在优化多峰函数的时候容易陷入早熟.加入启发性变异机制,可以在不破坏原算法高速收敛性质的同时,扩展算法的有效搜索区域.经过13个经典函数的测试证明,带启发性变异的粒子群优化算法(HMPSO)速度比原算法速度更快,精度更好,且不容易陷入局部最优.与其它带变异的粒子群优化算法相比,该算法收敛更快,在一些问题上有一定的精度优势.     

基于注意力模型的混合学习算法

为了解决传统BP(back-propagation)算法收敛速度慢,训练得到的网络性能较差的问题,在借鉴生理学中"选择性注意力模型"的基础上,将遗传算法与误差放大的BP学习算法进行了有机的融合,提出了基于注意力模型的快速混合学习算法.该算法的核心在于将单独的BP训练过程划分为许多小的切片,并对每个切片进行误差放大的训练和竞争淘汰机制的选择.通过发现收敛速率较快的个体和过滤陷入局部极值的个体,来保证网络训练的成功率和实现快速向全局最优区域逼近的目的.仿真结果表明,该算法有效地解决了传统BP算法中由于初始权值的随机性造成的训练失败问题,并能有效解决饱和区域引起的后期训练缓慢问题,在不增加网络隐层节点数的情况下,显著地提高了网络的收敛精度和泛化能力.这将使神经网络在众多实际的分类问题上具有更广泛的应用前景.