融合佳点集机制的动态搜索烟花爆炸搜索算法

为了克服烟花爆炸搜索算法容易早熟的弱点,提高其求解性能,提出一种融合佳点集变异机制的动态搜索烟花爆炸算法。首先为了提高算法的求解精度,每一次迭代过程均针对当前最佳个体执行动态随机搜索,加强对当前最佳的局部搜索。另一方面,当种群的拥挤程度超越设定的阈值λ时,除保留10%的优秀个体外,其余个体基于佳点集机制进行重新初始化,帮助种群摆脱局部最优的约束。最后,在6个Benchmark函数上的实验表明,该算法能快速收敛、克服早熟,并且具有较佳的鲁棒性。     

基于随机搜索树法的机械臂视觉伺服研究

在当今的工业应用中,机械臂完成某一特定作业任务的基础是进行轨迹规划。针对单纯基于图像的视觉伺服(the image-based visual servoing,IBVS),不能直接对相机或机械臂的运行轨迹进行控制,容易造成跟踪目标脱离视野、机械臂与工作空间障碍物相碰撞的问题,本文提出了三维随机搜索树算法(the three-dimensional Rapidly-exploring Random Trees algorithm,3D-RRT)实现机械臂的轨迹规划,将轨迹规划与视觉伺服相融合,使机械臂在跟踪移动过程中,满足图像视野范围限制和空间障碍物约束问题。在MATLAB平台建立算法仿真实验,结果表明三维随机搜索树算法(3D-RRT)可以较好解决基于图像的视觉伺服(IBVS)中存在的问题。     

基于改进人口迁移算法的输电网扩展规划

输电网扩展规划是一个非常复杂的大规模组合优化问题,对比提出了一种改进人口迁移算法的求解方法.标准人口迁移算法在求解过程中搜索容易陷入局部最优解和后期收敛时间较长等问题,针对以上缺点,对算法的迭代初始化、种群生成策略以及参数设置进行了改进,将遗传算法的最优保留思想引入到算法中,提高了算法搜索全局最优解的能力与收敛到最优解...     

蚁群算法在齿轮减速器可靠性优化设计中的应用

人工蚂蚁算法是受到人们对自然界中真实的蚂蚁群体行为的研究成果的启发而提出的一种基于种群的模拟进化箅法，属于随机搜索算法的一种。最早由意大利学者M.Dorigo等人提出，在充分利用蚂蚁群体搜索食物的过程     

混合排名映射概率和混沌搜索的ABC算法

针对由于人工蜂群算法(Artificial Bee Colony algorithm,ABC)采用直接映射概率选择食物源而引起收敛速度慢、陷入局部最优等问题,提出一种混合排名映射概率和混沌搜索的人工蜂群算法((Artificial Bee Colony algorithm based on Hybrid rank mapping probability and Chaotic search,ABC-HC))。首先,利用目标函数值的排名来获取选择食物源的排名映射概率,并提出计算排名映射概率的两种方法;然后,在观察蜂阶段,融合这两种计算概率的方法,即不同的搜索阶段采用不同的排名映射方法计算食物源选择概率,构造基于混合排名映射概率的人工蜂群算法,以便能够维持种群的多样性避免陷于局部最优;最后,在侦查蜂阶段,使用混沌搜索替代随机搜索以便进一步提高收敛速度,最终获得较好的全局最优解。对10个标准测试函数进行仿真,结果表明,ABC-HC算法不仅提高了收敛速度,而且更能跳出局部最优,有效地找到全局最优解,优于标准的ABC算法和进化算法。     

融合边缘检测和递归神经网络的视频表情识别

为有效解决传统视频人脸表情识别通常只关注单张视频帧的空间特征,而忽略了相邻帧之间隐藏的时间特征的问题,提出一种结合边缘检测和递归神经网络的视频表情识别方法,利用梯度边缘检测准确地提取输入图像的纹理信息,同时提出一种分片交叉LSTM结构,提取出图像序列中隐藏的时空特征。实验在CK+和MMI视频库上进行,在OCNN-RNN网络中分别取得88.4%和69.7%的识别率,在GCNN-RNN网络中分别取得89.8%和73.6%的识别率,最终使用提出的加权随机搜索方法融合GCNN-RNN和OCNN-RNN两个网络之后,分别取得了94.6%和79.9%的识别率,均优于单流网络算法,证明了所提算法的有效性。     

基于混合差分进化算法的并行机批处理调度问题研究

考虑到实际生产中产品多、批量小的特点,建立了一种带工艺约束的并行机批处理调度优化模型。为解决调度中的分批问题,提出了一种新的基于产品需求量的批量划分方案及批量染色体编码方式,采用两级差分进化算法来解决批量划分和批次调度问题;针对标准差分进化算法收敛速度慢、易出现早熟现象等问题,引入动态随机搜索和随机变异的局部搜索策略,以增强标准差分进化算法的局部搜索能力。测试算例及调度实例的仿真结果表明,该算法能有效地提高算法收敛速度,平衡其全局搜索和局部探索能力。     

基于改进 RRT ∗ 算法的智能轮椅全局路径规划研究

现实环境中智能轮椅大多数处在复杂场景下工作,其自主导航时对路径安全性等要求较高。 渐进最优随机搜索树 RRT ∗ 算法 基本满足移动机器人最优路径规划,但由于智能轮椅本体较大,容易与环境较近接触,因此可对环境模型进行膨胀并定义不同搜索步 长,使其规划出的路径远离障碍物。 其次为保证用户在使用智能轮椅导航时能够获得更高的舒适性,更高效的到达目的地,而借用启 发式约束采样思想和人工势场中引力场思想修剪此算法规划时的冗余节点,从而减小系统运行内存,随后结合轮椅的最小转弯半径, 提出最小段路径曲率约束策略和三次 B 样条曲线算法对路径进行平滑处理,使其更加适合轮椅行驶。 最终在 MATLAB 和 Gazebo 仿真 平台对改进前后算法对比实验,并将本文算法应用与智能轮椅实体上,试验结果表明,该算法能够有效解决智能轮椅全局路径规划问 题,能够明显提升全局路径规划效率,具有一定安全性,可为其移动机器人领域提供有效参考。