一种惯性权重动态调整的新型粒子群算法

在简要介绍基本PSO算法的基础上,提出了一种根据不同粒子距离全局最优点的距离对基本PSO算法的惯性权重进行动态调整的新型粒子群算法(DPSO),并对新算法进行了描述。以典型优化问题的实例仿真验证了DPSO算法的有效性。  

基于LMI方法的保性能迭代学习算法设计

研究基于性能的迭代学习算法设计与优化问题.首先定义了迭代域二次型性能函数,然后针对线性离散系统给出了迭代域最优迭代学习算法;基于线性矩阵不等式(LMI)方法,针对不确定线性离散系统给出了保性能迭代学习算法及其优化方法.对于这两类迭代学习算法,只要调整性能函数中的权系数矩阵,便可很好地调整迭代学习收敛速度.另外,保性能迭代学习算法设计及优化过程,可利用MATLAB工具箱很方便地求解.  

一种基于相似度的新型粒子群算法

分析了基本粒子群算法（PSO）全局搜索能力与收敛速度的矛盾,提出了粒子群相似度的概念.根据每个粒子与全局最优粒子的不同相似度,对基本PSO算法的惯性权重进行动态调整.同时提出一种根据相似度计算聚集度的方法,并根据聚集度的大小随机地对粒子重新赋值,控制粒子群的多样性,提高了全局搜索能力.典型优化问题的实例仿真验证了该算法的有效性.  

多机器人路径规划研究方法*

在查阅大量文献的基础上对多机器人路径规划的主要研究内容和研究现状进行了分析和总结，讨论了多机器人路径规划方法的评判标准，并阐述了研究遇到的瓶颈问题，展望了多机器人路径规划方法的发展趋势。  

具有能量补给的无线传感器网络分簇路由算法

提出一种具有能量补给的无线传感器网络分簇路由算法PHC。在PHC中，传感器节点通过周围环境获取能量补给。PHC综合考虑节点自身的能量起伏变化以及能量补给水平，修正了现有的簇头选择机制和非簇头节点的归属机制，使能量消耗平均分配到整个网络中。通过仿真表明，PHC在考虑了能量补给的同时，改善了无线传感器网络中能量消耗的均衡性，延长了网络的生命周期，网络中最终存活节点和整体残留能量提高了20%。  

机器人对多运动障碍物环境中方向可变运动目标的跟踪

机器人要实现对动态环境中可变方向运动目标的跟踪,必须采用动态的规划算法.本文在快速随机搜索树算法的基础上,采用滚动时间帧的思想,周期性地采集环境信息与目标运动状况,来预测未来环境中障碍物的分布情况及运动目标位置.在每个周期内用B IAS_RRT来引导机器人行走,以适应障碍物与目标运动方向的变化.仿真结果表明,该算法能有效跟踪在多运动障碍物环境中方向可变的运动目标.  

无线传感器网络中一种基于高斯马尔可夫移动模型的自适应定位方法

针对无线传感器网络, 本文提出了一种基于高斯马尔科夫移动模型的自适应定位方法. 该方法由速度调整策略、中垂线策略和虚拟斥力策略组成. 速度调整策略可以使移动锚节点根据环境的改变自动的调整它的速度. 中垂线策略对移动锚节点的轨迹进行局部调整, 保证所有未知节点获得足够的非线性锚坐标. 而虚拟斥力策略不仅可以促使移动锚节点快速的离开已定位节点, 还能使它从边界外面快速的返回监测区域. 理论分析和仿真结果表明, 提出的方法可以达到较好的性能.  

基于减法聚类的无线传感器网络分簇路由算法

在LEACH（Low-Energy Adaptive Clustering Hierarchy）算法的基础上，提出一种基于减法聚类的 无线传感器网络分簇路由算法SCC（Subtractive Clustering based Clustering routing algorithm for wireless sensor networks）．在SCC 中，簇头的选择采用减法聚类的方法，使簇头节点在节点密集处产生；在簇形成算法中，修 正了现有的非簇头节点的归属机制，将能量消耗平均分配到整个网络中．仿真实验表明，SCC 算法不但可以 得到合理的簇头节点分布，推迟第一个节点死亡时间，而且延长了网络生命周期，使节点能耗均衡．  

基于多假设跟踪的移动机器人自适应蒙特卡罗定位研究

针对移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)算法在含有对称和自相似结构的环境中容易失败的问题, 提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法. 该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类, 每簇粒子代表一个位姿假设并用一个独立的MCL算法进行跟踪, 总体上形成了一组非等权的粒子滤波器, 很好地克服了普通粒子滤波器由于粒子贫乏而引起的过度收敛问题. 同时运用该核密度树实现了自适应采样, 提高了算法的性能. 针对机器人``绑架'问题对该算法作了进一步的改进. 实验结果证明了该算法的有效性.  

数据聚类分析新方法研究

信息技术不断的进步,现实世界中需要处理的数据已由单一的数值型逐渐转变成由数值、文本、符号等类型构成的混合型数据。与现存大量的面向数值型数据的聚类算法相比,能有效处理混合型数据的聚类算法相对较少。为此,在格论基础上提出了一种适用于混合数据的聚类算法,该算法根据对象间格的覆盖数量来度量相似度,根据高覆盖数高相似度的原则选择聚类中心进行聚类。实验结果表明与其他传统聚类算法相比,新算法在不增加空间复杂度的情况下有效地提高了聚类的质量。