多策略融合的改进万有引力搜索算法

为解决传统万有引力搜索算法（GSA）易陷入局部最优和开发能力弱等问题,提出了一种多策略融合的改进万有引力搜索算法（MFGSA）。首先,提出动态调整引力常数G的更新策略,以增强算法的探索能力和收敛精度;其次,为保留粒子的多样性,提出了基于对称思想的粒子越界处理策略,以提高算法的收敛精度;为适应前两个策略,还引入精英思想,用最优粒子改善最差粒子位置策略,以避免算法陷入局部最优;同时,提出了自适应因子更新粒子速度和位置策略,以提高算法的收敛速度。为验证改进算法的性能,将改进算法与传统万有引力搜索算法和其他四种改进万有引力搜索算法在10个基准函数上进行了对比实验,结果表明MFGSA在收敛速度、搜索精度方面优势较大,表明MFGSA性能的优越性。     

多策略融合的改进粒子群优化算法

为解决传统粒子群算法收敛精度低、收敛速度慢和易陷入局部最优的问题,提出了一种多策略融合的改进粒子群算法。首先,设计了一种基于中垂线算法的游离粒子位置更新方法,加快了游离粒子的收敛速度;其次,设计了一种在最优粒子附近生成爆炸粒子的策略,以增强算法的寻优精度和寻优速度,为适应前两个策略,设计了一种仅依靠全局最优粒子位置的粒子速度更新策略;最后,将基于概率分层的简化粒子群优化算法的惯性权重和粒子位置更新方法用于本算法。与其他五种改进粒子群算法进行了对比实验,结果表明提出的改进算法无论是处理低维问题还是高维问题表现均具有较大优势,性能更优越。     

基于IINFO的粒子重组FastSLAM在SLAM中的研究

针对FastSLAM算法需要增加粒子数提高精度以及重采样导致的粒子多样性缺失的问题，提出一种改进INFO(向量加权平均算法)优化的粒子重组FastSLAM算法。首先，在预测粒子集时加入最新时刻的观测信息并通过INFO计算粒子适应度值，为增强INFO跳出局部最优的能力，对最优个体进行柯西变异；其次，通过改进INFO寻优能力强，收敛速度快的特性更新预测粒子集，使得在计算权重前粒子集的位姿就更接近期望值，以此提高估计精度；最后，重采样阶段将筛选后保留的粒子与剩余粒子重新组合成新的粒子，以此增加粒子多样性。仿真实验结果表明，IINFO-FastSLAM算法较FastSLAM、INFO-FastSLAM算法相比，其位姿与路标估计精度更高且鲁棒性更佳。