基于云模型蜂群算法的无人机航迹规划

针对无人机(UAV)在复杂战场环境下的生存问题,提出了一种基于云模型的人工蜂群算法的航迹规划。在算法中引入一维正态云模型,利用云模型随机性和稳定性的特点来提高传统人工蜂群算法(ABC)的鲁棒性并避免陷入局部最优,同时引入一个新的概率选择策略来保证种群的多样性。采用改进算法来处理UAV的航迹规划问题时,首先将航迹规划问题通过建模转换成一个多维函数优化问题,然后结合云模型和ABC算法的优势,最后用UAV航迹规划任务对新算法进行测试。仿真实验验证了改进算法在解决UAV航迹规划上的可行性和优越性。     

基于流体扰动计算的无人机三维无碰撞航路规划

针对三维多架无人机(UAV)入侵的情况,提出一种基于流体扰动计算方法与交互多模型(IMM)算法相结合的无碰撞航路规划算法.首先将流体扰动计算方法用于三维单机入侵情况下的无碰撞航路规划,并简要分析该方法的特点.然后将改进的流体扰动计算方法运用到三维多机入侵的情况,并采用机动目标多模型跟踪算法对机动入侵机进行跟踪并对其未来运动态势进行预测,再结合滚动优化思想在线调整影响系数,在无人机性能约束要求下对避撞航路进行实时的局部优化,最终规划出一条三维可飞行的无碰撞航路.仿真结果表明,该算法能够规避多架入侵机,航路平滑可飞,满足实时性要求.     

基于优化粒子群算法的无人机航路规划

针对粒子群优化(PSO)算法的无人机(UAV)航路规划问题,引入惯性权重和自然选择对粒子群算法进行优化,以提高基本粒子群算法收敛速度,防止陷入局部最优.算法分析惯性权重对粒子群算法的影响,进而调整惯性因子,提高算法的搜索能力;利用自然选择的便利性和规律性等特点,更新粒子群算法的粒子;同时通过对无人机的可行航向进行限定,缩小搜索范围.仿真实验表明:基于粒子群优化算法的无人机航路规划不仅缩短了最优航路,而且提高了搜索速度.     

利用三次样条改进蚁群算法的无人机航路规划

针对无人机在二维平面自动飞行中转弯角度过大、路径规划困难的问题,研究了蚁群算法在复杂环境下航路规划中的应用,利用链接图简洁的特点建立空间模型,对无人机的飞行环境和航迹代价进行了描述,并结合三次样条插值函数与蚁群算法,提出了改进蚁群算法,对无人机飞行路径进行优化,并给出算法软件流程。利用MATLAB进行了仿真实验,得出了最优的航路,算法具有较好的稳定性和鲁棒性,对轨迹中不可飞的尖角进行了平滑处理,使得航路为曲线轨迹,满足无人机工作的性能要求,减少无人机在飞行中的代价损耗,验证了该优化算法在无人机航路规划中的可行性。     

基于粒子群算法的无人机航路规划与建模仿真

研究无人机航路规划问题,解决基本粒子群算法易陷入局部最优、收敛速度慢长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提出了一种基于改进粒子群算法的无人机航路规划方法.在无人机航路规划建模过程中,如果粒子失活,该算法对其进行相应的变异与微调,重新激活粒子,保证了粒子群体在进化过程中具有较强的活力,能够快速逃逸出局部极值点,这样就以较快收敛速度找到最优航路.最后用改进的粒子群算法对无人机任务航路进行了仿真,仿真结果表明,相对于基本粒子群算法,该方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高.该算法是一种有效的无人机航路优化算法.     

基于改进流体扰动算法与灰狼优化的无人机三维航路规划

针对复杂地形环境下的无人机三维航路规划问题, 提出一种基于改进的扰动流体动态系统与灰狼优化理论的混合航路规划算法. 构建改进的扰动流体动态系统数学模型, 通过修正初始汇流得到扰动流场, 流场流线即可看作规划航路, 能有效避免驻点、局部陷阱等问题. 通过模拟灰狼群体的等级制度和捕食策略, 并引入个体记忆功能和优胜劣汰选择规则, 对障碍物反应系数进行寻优. 仿真结果表明, 规划出的三维航路平滑、可飞, 具有良好的避障特性.

     

优化蚁群算法在无人机航路规划中的应用

研究无人机航路规划问题,采用基本蚁群算法易陷入局部最优、搜索时间长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提高速度和系统品质特性,提出了一种基于改进蚁群算法的无人机航路规划方法.算法前期采用了保留最优解和自适应航路点选择策略对路径进行优化,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛,提高了搜索效率.采用改进的蚁群算法对无人机任务航路进行仿真,仿真结果表明,改进方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高,证明是一种有效的无人机航路优化方法,可为实际应用提供参考.     

基于改进遗传蚁群算法的无人机航路规划

研究无人机航路,要在有限的时间内规划出最优路径.因此航路规划问题本质是多约束条件下函数求极值的优化问题,为了避免局部最优、减少计算时间是目前航路规划的关键技术.针对常用的规划算法存在收敛速度慢且易陷入局部最优这-问题,提出了一种改进的遗传蚁群算法.遗传算法阶段给出了一种小变异和引入新种群算子,维持了较优种群的多样性,蚁...     

基于贝叶斯网络和蚁群算法的航路优化

为了提高无人机（UAV）的作战效率和生存概率,在UAV执行任务前,必须为其设计高效的飞行航路。采用将贝叶斯网络模型威胁强度评估算法与蚁群算法相结合的航路规划方法,根据UAV航路规划问题的特点对蚁群算法进行改进。仿真结果表明,该方法能更好地满足实时战场需要,得到良好的优化航路。     

基于改进蚁群算法的无人机动态航路规划

研究无人机航路规划,针对基本蚁群算法易于陷入局部最优、规划航路耗时长的问题,对基本蚁群算法进行了改进;引入航路点的动态自适应选择策略和信息素挥发因子动态自适应调整准则,有效克服了基本蚁群算法的不足,并对规划出的航路进行了平滑处理,使其更加满足无人机实际飞行需求;通过仿真分别规划出无人机在静态威胁和动态威胁中的航迹,仿真结果表明,与基本蚁群算法和遗传算法相比,改进的蚁群算法在两种飞行环境中均能规划出较优的航路。     

基于分段搜索策略的改进蜂群算法

针对基本人工蜂群算法在解决优化问题时收敛速度不够快、易陷入局部最优的缺陷,提出一种改进蜂群算法.该算法采用“分段搜索”方式对食物源进行贪婪更新,以提高食物源更新的成功率;同时,招募所有观察蜂选择当前最优食物源,以实现对最优食物源的充分优化.对经典测试函数反复实验的结果表明,改进算法计算结果稳定,与基本蜂群算法相比,加速收敛效果非常明显,全局搜索能力显著提高,运行时间大大缩短.     

基于神经网络与改进ABC算法的瓦斯预测研究

人工蜜蜂群(ABC)优化算法具有较强的全局搜索能力。在标准算法的基础上,参考粒子群优化算法,加入当前全局最优解对算法的有益引导;当观察蜂在引导蜂所在食物源附近搜索时,引入混沌搜索机制,改善局部搜索性能。利用改进的ABC算法,以网络训练的最小方差F为优化指标,优化神经网络的连接权值。优化后的神经网络用于瓦斯预测,取得了良好的效果。     

Nonlinear CSTR control system design using an artificial bee colony algorithm

This paper proposes a novel controller design method based on using artificial bee colony (ABC) algorithms for an unstable nonlinear continuously stirred tank reactor (CSTR) chemical system. Such CSTR process is highly nonlinear and its dynamic is significantly dominated by system parameters. It is a good challenge to access the controller design performance when the controller is applied in the CSTR control system. The commonly used proportional–integral-derivative (PID) controller is taken into account in this study, and tuning three PID control gains is carried out by the artificial bee colony algorithm. With the use of the optimal ABC algorithm, PID controller gains can be derived suitably by means of minimizing the cost function given in advance. Finally, several control operations are provided to confirm the feasibility and effectiveness of the proposed method. We also discuss the influence of algorithm initial conditions on the control performance with many different tests.     

基于当前最优解的分段搜索策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的局部搜索能力差、收敛精度低的缺点,提出了一种基于当前最优解的分段搜索策略的人工蜂群算法。该算法中跟随蜂利用由全局当前最优解和个体当前最优解引导的局部搜索策略逐维进行变异,并采用基于“分段思想”的局部搜索策略对蜜源进行贪婪更新,以提高蜜源的更新效率,从而提高了人工蜂群算法的局部搜索能力。6个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

基于改进的蜂群算法求解专有路径保护设计优化问题

针对光网络故障恢复资源利用的优化问题,采用改进的蜂群算法（IABC）来求解专有路径保护设计优化问题。由于采蜜机理的蜂群算法全局寻优能力较弱,引入禁忌表机制,增强算法搜索全局最优解的能力,并改进蜂群算法的交叉算子,增强算法的收敛速度。通过实验仿真。结果表明与传统的ABC算法相比,IABC能算法大大地提高计算效率,针对较复杂网络资源优化的NP问题提供有效的可行性实施方法。     

基于改进ABC的LSSVM氧化还原电位预测研究

针对氧化还原电位对于生物氧化提金预处理过程的控制和优化具有重要作用,提出了一种基于改进的ABC算法优化最小二乘支持向量机的预测方法;该算法是在标准人工蜂群算法的基础上,通过引入欧氏距离,使得在一定邻域内观察蜂采用不同于雇佣蜂的搜索策略;采用改进的ABC算法优化最小二乘支持向量机的参数,取得最优解并赋予最小二乘支持向量机进行预测;以新疆某金矿的生产数据进行仿真研究,结果表明:基于改进的ABC算法优化的最小二乘支持向量机具有较高的预测精度,该方法能使模型取得较好的预测效果。     

A modified ABC algorithm for the stage shop scheduling problem

Stage shop problem is an extension of the mixed shop as well as job shop and open shop. The problem is also a special case of the general shop. In a stage shop, each job has a number of stages; each of which includes one or more operations. As a subset of operations of a job, the operations of a stage can be done without any precedence consideration of each other, whereas the stages themselves should be processed according to a preset sequence. Due to the NP-hardness of the problem, a modified artificial bee colony (ABC) algorithm is suggested. In order to improve the exploitation feature of ABC, an effective neighborhood of the stage shop problem and PSO are used in employed and onlooker bee phases, respectively. In addition, the idea of tabu search is substituted for the greedy selection property of the artificial bee colony algorithm. The proposed algorithm is compared with the traditional ABC and the state-of-the-art CMA-ES. The computational results show that the modified ABC outperforms CMA-ES and completely dominates the traditional ABC. In addition, the proposed algorithm found high quality solutions within short times. For instance, two new optimal solutions and many new upper bounds are discovered for the unsolved benchmarks.     

An upgraded artificial bee colony (ABC) algorithm for constrained optimization problems

Artificial bee colony (ABC) algorithm developed by Karaboga is a nature inspired metaheuristic based on honey bee foraging behavior. It was successfully applied to continuous unconstrained optimization problems and later it was extended to constrained design problems as well. This paper introduces an upgraded artificial bee colony (UABC) algorithm for constrained optimization problems. Our UABC algorithm enhances fine-tuning characteristics of the modification rate parameter and employs modified scout bee phase of the ABC algorithm. This upgraded algorithm has been implemented and tested on standard engineering benchmark problems and the performance was compared to the performance of the latest Akay and Karaboga’s ABC algorithm. Our numerical results show that the proposed UABC algorithm produces better or equal best and average solutions in less evaluations in all cases.     

基于新型人工蜂群算法的分布式不相关并行机调度

针对考虑预防性维修的分布式不相关并行机调度问题,提出了一种新型人工蜂群算法(ABC)以最小化最大完成时间.为了获得高质量的计算结果,该算法将整个种群划分为1个引领蜂群和3个跟随蜂群,跟随蜂有自己的蜜源且采用新方式跟随引领蜂, 4种蜂群运用彼此各异的搜索策略产生新解以增强种群多样性,提出一种新策略处理侦查蜂的搜索,并利用优化数据更新整个种群.通过大量仿真实验验证了新型ABC在求解所研究问题方面的有效性和优势.     

用改进的人工蜂群算法设计AVR系统最优分数阶PID控制器

分数阶PID控制器（FOPID）是标准PID控制器的一般形式.与PID控制器相比,FOPID有更多的参数,其参数整定也更复杂.本文提出一种基于环交换邻域和混沌的人工蜂群算法（CNC-ABC）,用于FOPID控制器的参数整定.CNC-ABC算法由于应用了环交换邻域,增加了解的搜索范围,从而能加快人工蜂群算法的收敛速度;同时利用混沌的遍历性使算法跳出局部最优解.用CNC-ABC算法优化AVR系统的FOPID控制器的参数.仿真结果表明,CNC-ABC算法整定的FOPID控制器比其它FOPID及PID控制器有较好的性能.