基于改进粒子群算法的移动机器人路径规划方法研究

针对移动机器人传统路径规划算法效率不高、寻优能力差等问题,本文提出一种基于改进粒子群优化算法(PSO)的移动机器人路径规划方法。该方法采用神经网络训练碰撞罚函数,得到无碰撞路径,然后采用粒子群优化算法解决路径的最优问题。利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性。仿真结果表明,这种新路径规划方法是可行且有效的。     

汽包水位粒子群-PID优化控制

对循环流化床锅炉汽包水位控制系统,采用串级三冲量PID控制,应用粒子群优化算法对PID控制器进行参数整定,并获得了最优参数。仿真结果表明,与传统整定方法相比,这种参数整定方案使汽包水位控制系统具有更好的控制品质,提高了系统的静动态特性。     

面向AIS医疗应用服务的系统研究与开发

肿瘤是当前医学领域尚未完全攻克的难题,针对这一现象,提出了一种借用人工免疫系统模型,通过嵌入式技术等实现手段,探讨了利用人工智能技术治疗肿瘤病患者的方法。该思路的重点在于利用人工免疫网络具备联想、耐受与自稳等特性,通过将其以适当的方式作用于人体,达到激发人体固有免疫系统,恢复原有免疫功能、提升人体抵抗病原侵入的能力,从而达到自愈的目的。详细介绍了系统的设计方法、硬件构成和应用情况,在一定程度上为人工免疫网络的应用研究拓宽了思路。     

基于蚁群算法的电梯群控调度优化策略研究

为了研究多台电梯的群控调度问题,并根据现有电梯调度策略的不足,建立以服务间和运行能耗为优化目标函数的调度模型,提出将电梯群控调度问题转化为离散组合优化问题,并利用蚁群优化算法求解。算法在接受众多乘客的随机请求下,能根据各电梯的运行现状,将不同层的乘客请求组合分配到相应电梯进行服务的最优调度方案,优化了群控电梯的运行模式,仿真实验证明算法能大幅度减少乘客的平均侯梯时间及缩短运行路径,证明了算法的有效性。     

改进粒子群算法在支持向量机训练中的应用

训练支持向量机需要求解二次规划问题,LPSO算法对于求解含线性约束优化问题是一种直观、简单的方法。改进后的LPSO算法较好的解决了早熟收敛问题。对谷氨酸发酵过程建模的实验表明本文提出的方法训练精度高,泛化能力强。     

CAD模型表面区域分割方法

三维模型表面区域分割技术在形状分析,尤其是局部形状分析中具有重要作用,传统的表面分割方法主要针对网格模型,而机械工程中的CAD模型通常用B-rep表达.提出一种B-rep形式的CAD模型表面区域分割方法,将模型表面划分为局部凸区域、凹区域和平区域的组合,并使得分割后的区域数量最少.为提高计算效率,提出一种二步法:首先在模型面的局部凸凹性分析的基础上,快速地将模型表面分割成初始的凸区域、凹区域和平区域;然后通过区域合并的方法对分割后的区域进行组合优化,得到一个最优的分割结果.实验结果证明,该方法能有效地分割模型的表面区域.     

基于自适应蚁群优化的Ad Hoc网络路由算法

针对蚁群优化固有的搜索时间长、易陷入局部最优解的缺点,提出一种改进的基于蚁群优化的AdHoc网络路由算法.通过增加自适应因子提高路由搜索能力,充分考虑节点间的时延来改进信息的更新机制,同时对路由表做出修改,提高路由算法性能,增强算法的适应能力.经过与已有路由算法DSR和AODV的仿真比较,结果表明该算法在成功传输率和平均端到端延迟上表现了较好的性能.     

二进制粒子群算法在路径规划中的应用

全局路径规划是智能机器人的一个重要研究领域,将二进制粒子群算法应用于路径规划是一种新的尝试.提出一种机器人路径全局路径规划方法,介绍了利用改进的二进制粒子群算法进行路径规划的详细实现过程.机器人工作空间中的障碍物表示为多边形,对多边形顶点进行编号.利用二进制粒子群算法进行路径规划,粒子的长度定义为工作环境中障碍物顶点的个数,每一位为0或1表示路径是否经过该顶点.为了克服传统的二进制粒子群算法的早熟收敛问题,在改进的算法中采用了双重编码结构,并引入变异操作.最后给出仿真结果证明该方法的正确性和有效性.     

改进的蚁群算法及其在2DHP模型中的应用

为了提高蛋白质折叠问题解的质量,采用蚁群算法对蛋白质的折叠问题进行研究,并且在现有的蚁群算法的基础上成功引入了淘汰和克隆机制,使其具有更好的运算效率,并成功应用到2DHP模型中.在蚁群对最优值进行搜索的过程中,容易出现局部最优点,导致影响解的质量.为了避免计算结果收敛到局部最优点,引入了一种最大最小蚁群策略.选择测试序列进行实验,实验结果表明,该算法在保证解的质量的同时,还具有较高的效率.     

Flow shop问题的嵌套分区优化调度方法

介绍了嵌套分区算法(NP)的基本思想, 并用于求解流水作业优化调度问题. 算法用嵌套分区树来描述流水作业调度问题, 对可行域进行系统性分区, 然后集中搜索有优良解的区域. 在每一步迭代中, 算法跟踪最有希望的分区, 并结合启发式算法和邻域搜索来实现分区转移. 仿真实验表明, 该算法比单纯的启发式算法和邻域搜索有较好的寻优能力.