基于单目视觉的多种群粒子群机械臂路径规划算法

针对复杂静态背景下具有多约束条件的机械臂路径规划问题，提出一种新的基于单目视觉的多种群粒子群算法。首先，使用图像差分算法消除背景，再利用轮廓包围法找出目标物体区域，然后使用模型位姿估计法求出目标物体位置。其次，提出一种多种群粒子群算法，根据目标物体位置演化出机械臂最优角度。该算法将精英种群与子种群组成多种群粒子群，使用预选择与交互机制使算法跳出局部最优。仿真结果表明，与实际坐标对比，使用背景消除法后求出的物体位置坐标误差较小。将多种群粒子群优化算法与现有的一流演化算法对比，结果表明对不同位置的物体，该算法获得的路径平均自适应度与均方误差（MSE）最小。     

改进型粒子群优化算法求解车辆径优化问题

为了避免粒子群算法求解车辆路径问题容易陷入局部最优,提出了扫描-粒子群算法。运用扫描算法对矿点进行扫描,生成初始可行解链,将其作为粒子的初始位置代入到粒子群中搜索,得到粒子种群历史最优位置,将种群粒子最优位置逆转录生成对应的可行解链。将改进型粒子群算法用于求解郑州煤电物资供销有限公司的车辆调度问题同时将该算法与经典的粒子群算法和遗传算法做了对比实验,仿真实验结果表明,改进型粒子群算法可以更快速、更有效求得车辆路径问题的最优解。     

基于环境选择和配对选择的多目标粒子群算法

为了使多目标粒子群算法中种群粒子能够快速地收敛于怕累托最优边界,针对标准多目标粒子群算法中缺乏粒子评价标准以及种群个体历史最优值位置和全局最优值位置选择问题,提出了一种基于环境选择和配对选择策略的多目标粒子群算法.该算法在每次迭代时,采用SPEA2中的环境选择和配对选择策略及适应度值计算方法,以此来提高种群粒子之间的信息交换力度,减少标准多目标粒子群算法中大量的随机性,使种群粒子能够更快速地收敛于怕累托最优边界.经典测试函数的仿真实验结果表明,在标准多目标粒子群算法中运用SPEA2的环境选择、配对选择策略和适应度值计算方法,能够使种群粒子更快速地收敛于帕累托最优边界,验证了算法改进的可行性和有效性.     

电能表检验台体串联机械臂时间最优轨迹规划

时间最优轨迹规划有助于缩短机械臂运动时间,提高工作效率,在机械臂实际应用场景中起着至关重要的作用。针对串联机械臂点到点运动的时间最优轨迹规划问题,提出一种基于改进多种群遗传算法的最优轨迹规划方法。通过五次多项式插值对机械臂运动路径进行拟合,利用改进的多种群遗传算法对机械臂运动时间进行优化,改进之处包括：设计含有惩罚项的适应度函数,降低不满足运动学约束条件的个体被选择的概率;引入贪婪选择策略,按照比例保留父代种群优秀个体,替换子代种群较差个体;自适应调整交叉和变异概率,加快算法收敛速度。以ER-4iA机械臂为实验对象,通过仿真实验验证所提算法的可行性,并将所提算法与蚁群算法、粒子群算法、标准遗传算法和标准多种群遗传算法进行比较,结果表明所提算法具有更优的性能。     

基于精英策略粒子群算法机械臂逆运动求解

多关节机械臂空间姿态控制研究中,逆运动分析是控制的基础,由于多关节机械臂逆运动求解问题较为复杂,对其求解结果优劣性的判别比较困难.为了解决传统关节变量算法在求解过程中收敛精度不高、局部最优解过多的问题,利用精英策略搜索粒子种群中的优质粒子,提高了算法整体适应度值,避免求解陷入局部最优解.仿真实验结果表明,基于精英策略多目标粒子群算法(ETMOPSO)提高了机械臂空间姿态的求解精度,为多关节机械臂空间姿态控制提供了一种研究思路.     

基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

针对多目标粒子群优化算法全局最优位置〖BP(〗(gbest)〖BP)〗选取存在的缺陷和局部搜索能力弱的缺点,提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSO-GL。首先对Sigma法进行改进,引入拥挤距离机制,不再是粒子从档案中选择全局最优位置,而是档案成员从种群中选择合适的被引导粒子,引导种群均匀快速地向Pareto前沿飞行,提高了Pareto解的收敛性和多样性;其次当种群寻优能力减弱时,引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索,以提高算法的收敛性;最后通过与其他多目标优化算法的比较,结果表明MOPSO-GL具有更好的收敛性和分布性。     

一种求解复杂多峰问题的新型粒子群优化算法研究

为提升标准粒子群算法在求解多峰复杂问题时收敛速度慢和极易陷入局部最优解等缺点, 提出一种基于球形坐标的分类学习策略粒子群算法(CLPSO-HC)。该算法给出种群运行较差粒子的确定方法, 将运行较差的粒子进行分类, 并对每类粒子给出相应的学习策略, 保证种群跳出局部最优解的能力。为减少外界扰动, 将粒子速度和位置的更新在球形坐标中进行, 提升了种群向最优解飞行的概率。对三个典型测试函数进行仿真实验, 所得结果表明CLPSO-HC相比其他几种算法有较好的收敛性。因此, CLPSO-HC可以作为求解复杂多峰问题的有效算法。     

基于多种群进化与粒子群优化混合的频谱分配算法

为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。     

粒子群优化的移动机器人路径规划算法

针对移动机器人在复杂环境下采用传统方法路径规划收敛速度慢和局部最优问题,提出了斥力场下粒子群优化（PSO）的移动机器人路径规划算法。首先采用栅格法对机器人的移动路径进行初步规划,并将栅格法得到的初步路径作为粒子的初始种群,根据障碍物的不同形状和尺寸以及障碍物所占的地图总面积确定栅格粒度的大小,进而对规划路径进行数学建模;然后根据粒子之间的相互协作实现对粒子位置和速度的不断更新;最后采用障碍物斥力势场构造高安全性适应度函数,从而得到一条机器人从初始位置到目标的最优路径。利用Matlab平台对所提算法进行仿真,结果表明,该算法可以实现复杂环境下路径寻优和安全避障;同时还通过对比实验验证了算法收敛速度快,能解决局部最优问题。     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

多种群粒子群的SDN控制器故障恢复算法

针对软件定义网络（software defined network,SDN）中控制器发生故障问题,提出了一种基于多种群粒子群算法的SDN控制器故障恢复策略。从其他正常工作的子控制器集合中挑选出能够容纳失控交换机负载的备份控制器集,将精英种群与子种群组成多种群粒子群,采用预选和交互机制演化出备份控制器的最优位置,以保证交换机与控制器之间的传播时延最小,完成失控交换机的迁移。实验结果表明,相比于现有的控制器故障恢复算法,该算法在恢复时间、控制器负载利用方面均有所提升。     

具有重组学习和混合变异的动态多种群粒子群优化算法

为解决粒子群优化算法中种群多样性与收敛性间的矛盾,提出一种具有重组学习和混合变异的动态多种群粒子群优化算法.该算法动态划分多种群并融入重构粒子作为引导因子,在增加种群多样性的同时保留优秀粒子的空间信息;在算法执行阶段对最优个体施加混合变异,基于时变概率实施反向学习策略或者邻域扰动操作,帮助粒子快速跳出局部困境,加强对附近区域内的精细搜索.基于14个多类型标准测试函数,并与其他的改进粒子群算法进行对比,验证了几种改进措施的有效性和叠加影响.为进一步探究概率性混合变异策略的敏感性,对变异方式及参数设置进行仿真实验,结果表明,所采用的极值扰动策略具有显著的优势,合理地控制学习强度可以充分发挥反向学习的作用,并给出影响参数的建议取值范围.实验结果还表明,所提出的算法能够更好地平衡种群的开发与勘探能力,提高求解精度和收敛性能.     

自适应粒子群算法求冗余机械臂逆运动学解

以正向运动学方程为基础，冗余机械臂逆运动学解问题转换为等效最小值问题，提出一种自适应粒子群算法求解该问题。为了保持粒子群的活力，在算法内引入弹射操作。如果粒子满足设定自适应判别函数，粒子将按概率被从当前位置发射到较远区域。为了配合弹射操作，提出一种新的粒子优劣的判断机制，使得粒子可以被弹射飞出可行域。数值实验表明，算法具有较强的全局搜索能力和较快的搜索速度，是求解冗余机械臂逆运动学解的一种有效方法。     

基于定期竞争学习的多目标粒子群优化算法

为提高种群的多样性和算法的收敛性，提出一种基于定期竞争学习机制的多目标粒子群算法。该算法将多目标粒子群算法和竞争学习机制相结合，即每隔一定迭代代数便使用一次竞争学习机制，很好地保持了种群的多样性；同时，该算法不需要全局最优粒子的外部存档，而是从当前代种群中选取一部分优秀的粒子，再从这些优秀的粒子中随机选取一个作为全局最优粒子，能够有效提升算法的收敛性。将提出的算法与基于分解的多目标粒子群算法（MPSOD）、基于竞争机制且快速收敛的多目标粒子群（CMOPSO）算法、参考向量引导的多目标进化算法（RVEA）等8个算法在21个标准测试函数上进行了比较，结果表明，所提算法的帕累托（Pareto）前沿更加均匀，在世代距离（IGD）上会更加小。     

基于阈值筛选的室内定位优化算法

针对室内超宽带（Ultra-Wide Band, UWB）的定位技术在复杂遮挡的环境下定位效果不好、定位不精确的缺陷,本文提出一种在Chan算法的基础上对粒子群算法进行优化的混合算法定位方法。首先利用Chan算法求出定位标签初始估计位置坐标,并在非视距（NLOS）环境下通过设置阈值θ以对Chan算法计算出的位置坐标进行筛选;将已知的基站接收到的距离差与用Chan算法求出的标签位置信息求出的不同基站间的距离差做差值和,若差值和小于该阈值则直接输出位置坐标,反之则将位置坐标作为粒子群算法的初始值,通过迭代优化不断追踪个体极值和局部极值,更新个体的位置和速度,寻找到全局最优解再进行输出。仿真结果与实际场地实验结果表明,与单一算法相比,本文提出的混合定位算法在非视距环境下的定位精度可提高27%~31%;收敛速度快,算法复杂度低,满足室内定位的要求。     

基于混沌知识迁移的多种群粒子群文化算法

在已有的多种群粒子群文化算法知识迁移策略中,迁移知识不一定能反映优势区域中的较优点.为提高知识迁移效率,在知识迁移机制中引入混沌搜索策略,提出一种多种群粒子群文化算法的混沌知识迁移策略.它利用混沌序列对迁移单元进行深入探索,以提高迁移知识的有效性;根据进化代数动态调整知识迁移间隔,从而在进化前期维持种群的多样性,在进化后期加速种群收敛.数值计算结果表明,该算法可以有效提高进化收敛速度,帮助子种群跳出局部较优解.     

基于局部协同与竞争变异的动态多种群粒子群算法

针对粒子群算法在处理复杂优化问题时,出现多样性较差、收敛精度低等问题,提出了基于局部协同与竞争变异的动态多种群粒子群算法(Dynamic Multi-population Particle Swarm Optimization Based on Local Cooperative and Competitive M utation,LC-DM PPSO).LC-DM PPSO算法设计了一种局部协同的方法,该方法划分种群成多个子种群,划分后的子种群再通过非支配排序、差分变异的方法选择出一对领导粒子.同时,对粒子的更新方法进行改进,让各个目标优化更加均衡,增强LC-DM PPSO算法的局部搜索能力,提高收敛精度.在LC-DM PPSO算法中,为了防止出现"早熟"收敛的情况,引入竞争变异来增加种群多样性.最后,通过选择一系列标准测试函数将LC-DM PPSO算法与3种进化算法进行比较,验证所提算法的有效性.实验结果显示,所提算法的多样性和收敛性比其他3种进化算法更好,优化效果更佳.     

一种快速多种群的粒子群多模优化算法

针对粒子群多模优化问题中存在的易早熟、收敛速度慢及寻优精度低等问题,提出了一种快速多种群的粒子群多模优化算法。首先采用动态半径及种群划分策略,避免了多种群区域重叠问题;然后引入拓扑机制,使种群内粒子在速度上保持同步,以群落为单位在解空间上飞行,加快进化速度;同时增加种群之间的交流,在多样性和快速收敛之间达到平衡;最后采用随机权重、异步变化因子及种群淘汰策略,提高算法的搜索能力和学习能力。通过几个典型测试函数的实验结果表明,该算法具有较好的多模态寻优率,在收敛速度和精度等方面均有提高。