利用蚁群算法求解机器人路径规划问题

本文利用蚁群算法的求解思想,对机器人路径规划问题进行了详细的分析,设计了一种用于求解机器人路径规划问题的蚁群算法。通过仿真实验与文献中的算法进行了比较,结果表明该算法得到的最优解要优于文献中的算法,进而证明了该算法在求解机器人路径规划问题的可行性。     

UWB定位算法在煤矿井下的应用研究

针对传统的定位技术难以在煤矿井下应用的问题,文章提出了一种基于超宽带UWB技术的POCS测距和定位算法,建立了该算法模型,详细介绍了该算法的原理及其实现。仿真结果验证了该算法在煤矿井下应用的可行性。     

基于分组的启发式SAT新算法——DC&DS算法

目前提高求解SAT问题完全算法的计算效率问题已成为挑战性研究问题。提出了一种基于启发式分组的SAT完备算法。启发式分组策略将一个全局搜索问题,转为局部搜索问题。并将该策略引入到结合BDD与SAT算法的形式验证中,与一般的启发式SAT算法相比,该算法在求解速度和求解问题的规模等方面都明显地改进了,实验结果表明了该算法的可行性和有效性。     

基于免疫粒子群优化的最小属性约简算法

把求决策表最小属性约简问题归结为一个0 1组合优化问题，为该问题定义了合理的粒子适应度函数，提出了一种把免疫接种、免疫测试机制与二进制粒子群算法相结合的混合算法用于求解该问题。对UCI数据表的实验结果表明该算法在获得更优解的同时,仍具有较快的运算速度。多种算法的比较结果表明了该算法的有效性和可行性。     

智能交通中的高效多准最短路径混合算法*

针对智能交通系统（ITS）中求解多条准最短路径的问题,提出了一种混合算法。该算法以Floyd算法和A*算法为基础,主要运用遗传算法来求解多条准最短路径。实验的结果表明了该混合算法的可行性和比其他算法的高效性。     

同一尺寸货物三维装箱问题的一种启发式算法

给出了集装箱装载同一尺寸长方体货物问题的一种启发式算法.该算法解决了许多三维装箱算法计算量大、排列不规则等缺点,同时用计算机编程实现该算法,并与国内主要装箱软件作了对比,最后给出了该算法的可行性与优势.     

基于种群个体可行性的约束优化进化算法

提出一种新的求解约束优化问题的进化算法.该算法在处理约束时不引入惩罚因子,使约束处理问题简单化.基于种群中个体的可行性,分别采用3种不同的交叉方式和混合变异机制用于指导算法快速搜索过程.为了求解位于边界附近的全局最优解,引入一种不可行解保存和替换机制,允许一定比例的最好不可行解进入下一代种群.标准测试问题的实验结果表明了该算法的可行性和有效性.     

基于决策图贝叶斯优化进化算法的图K-划分算法

图K-划分问题是一种组合优化问题,可以归结为NP难题.针对该问题本文提出了一种基于决策图贝叶斯优化算法(Bayesian Optimization Algorithm with Decision Graphs,简称DBOA)的图K-划分,该算法利用新的编码和解码方法以及适当的适应度函数来求解图K-划分问题.仿真结果表明了该算法的可行性和有效性.     

全局优化的神经网络方法

提出了一种解全局优化问题的神经网络模型, 并分析了该模型的收敛性与可行性. 然后, 给出了一个算法, 严格地证明了该算法对优化问题的任意给定的初始点, 都能收敛到它的一个全局极小点. 最后的仿真结果表明, 该算法是有效的.     

基于思维进化的蚁群算法

为了改善基本蚁群算法易陷入局部最优从而导致算法过早停滞的缺陷,提出了一种基于思维进化的蚁群算法,阐述了该算法的原理和具体实施方案。选取旅行商问题作为算法的仿真实例,通过对仿真实例进行计算和结果比较,验证了该算法的有效性和可行性。     

机载雷达组网多站测角被动跟踪轨迹优化研究

研究多观测器轨迹优化控制问题,由于多站测角被动跟踪系统运行存在误差,用机载雷达组网的可移动传感器采集信息,可对雷达载体轨迹优化进行研究,利用控制雷达载体的飞行轨迹可有效解决跟踪目标的弱观测性及估计器的稳定性。为了改善传统轨迹优化算法容易陷入早熟收敛和局部最小的问题,提出一种模拟退火(Simulated Annealing,SA)和粒子群优化(Particle Swarm Optimization,PSO)算法的混合优化方法(SA-PSO)。在给出了角度信息的适应度函数表达式基础上,结合模拟退火算法的局部搜索能力和粒子群优化算法的全局搜索能力,提高优化算法的收敛速度、精度以及全局搜索能力。实验证明,改进的混合算法对雷达载体轨迹优化有效,并减小对机动目标的被动跟踪误差。     

基于改进鲸鱼优化算法的WSN覆盖优化

针对无线传感器网络在随机部署移动节点时,存在分布不均匀导致的覆盖率较低的问题,以网络覆盖率最大化为目标建立网络覆盖优化模型,提出一种基于改进鲸鱼优化算法(IWOA)的网络覆盖优化策略;首先,采用量子位Bloch球面坐标编码初始化种群,提升种群多样性,扩展搜索空间的遍历能力;其次,提出一种基于步长改进的位置更新方式,平衡算法的全局探索和局部搜索能力;最后采用莱维飞行,对个体进行扰动更新,提高跳出局部最优的能力。仿真结果表明,将改进后的鲸鱼优化算法应用在WSN覆盖优化中,与标准鲸鱼优化算法和其他文献中的算法相比,有效减少了传感器节点冗余,表现出更快的收敛速度和更高的覆盖率,进而改善网络监测质量,延长网络生存时间。     

一种新型无约束优化方法的研究

提出了一种新型无约束全局优化方法。主要是从当前常用算法的优化过程中总结出共性—反馈特性,然后利用反馈控制系统来实现这种优化特性。在这种智能计算系统中,将无约束优化问题的目标函数作为控制对象,将PID控制器作为一种优化算法。由于传统PID方法容易达到局部极小点,提出了多系统并行PID优化方法。最后采用基准函数对此优化算法进行测试,并与几种不同类型的改进优化算法进行对比,数值实验结果验证了此种算法的有效性。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

基于随机自适应粒子群算法的电力系统无功优化

无功优化是保证电力系统安全经济运行的有效手段,是提高电力系统电压质量的重要措施之一。本文首先介绍无功优化的一般数学模型,然后重点分析粒子群优化算法的组成结构与工作原理,进而提出一种改进的粒子群优化算法。该算法采用随机自适应策略,能够对当前所产生的局部最优值进行变异,再重回粒子群算法中搜寻全局最优值,从而可以有效改善传统粒子群算法求解电力系统无功优化问题时存在的收敛精度不高、容易陷入局部最优等不足,一定程度上提高了粒子群算法的寻优能力。最后,通过在IEEE 30节点上进行仿真实验比较,结果表明该算法是可行和有效的,达到了提高供电质量、降低线损的目的。     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

优化复杂函数的粒子群-鸽群混合优化算法

针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。     

智能优化算法及其在打浆优化中的应用

提出了一种遗传算法与神经网络技术相结合的智能优化算法,实现打浆过程的优化控制;首先针对打浆过程中系统的非线性、工艺参数间关系的不确定性,对打浆过程采用神经网络建立输入与输出之间的非线性模型,再利用遗传算法对控制参数寻求决策变量优化求解;通过改进遗传算法的交叉、变异算子等,使算法在优化过程中能有效地保持种群的多样性,防止种群过早收敛、局部收敛的现象,以实现打浆全局最优控制;实践表明,该智能优化算法,在满足打浆前后性能指标的同时明显降低了打浆能耗,是解决过程控制优化问题的可行之路。     

局部敏感哈希图像检索参数优化方法

随着大数据时代的到来,如何及时准确地处理海量的图像、视频等多媒体数据已成为相关领域新的挑战。局部敏感哈希算法在处理高维图像特征数据时表现出了良好的性能,使其成为了近年来的研究热点。针对图像检索算法参数的优化选择问题,提出了一种局部敏感哈希图像检索参数优化方法。首先建立面向图像检索的局部敏感哈希算法的性能优化模型,给出其参数优化所对应的非线性最优化问题的一般形式,并且定义了新的优化目标函数;然后分析图像数据间的距离分布规律,发现了求解上述参数优化问题的快速方法;最后结合数值微分和二分查找提出相应的局部敏感哈希参数优化算法。实验结果表明,该方法可以大幅降低算法的复杂度,提高运行效率,同时保持较高的精确值和召回率的调和均值F_1。     

基于改进粒子群优化算法的PID控制器参数优化

针对PID控制器参数整定问题,提出一种基于改进粒子群优化算法的优化方法。该方法在实数编码及设定参数搜索空间的基础上,采用基于指数曲线的非线性惯性权值递减策略,以较大幅度地提高算法的收敛速度和精度;嵌入基于差分进化算法变异算子的局部搜索策略,以有效提高粒子个体的适应性和群体的多样性,改善解的质量,同时增强算法全局空间探索和局部区域改良能力的平衡。仿真结果表明,该方法与传统和智能算法相比较,所得到的控制器参数能够使控制系统获得更好的动态响应特性和满意的控制效果。