多阶段自适应蝙蝠-蚁群混合群智能算法

针对蝙蝠算法在优化过程中未充分利用蝙蝠间搜索信息交互影响的不足,借鉴拟态物理学中的作用力规则,基于阶段性搜索策略将搜索过程分为两个阶段,分别构造符合算法阶段性搜索特点的作用力规则,提出多形态作用力蝙蝠算法,并利用Benchmark函数对所提算法与标准蝙蝠算法、变异蝙蝠算法、标准微粒群算法、两阶段微粒群算法进行性能对比测试,结果表明,所提算法具有更好的寻优能力.针对标准蚁群算法在离散空间优化时信息素更新机制单一、容易早熟收敛的不足,结合蚁群的实际社会活动提出多阶段自适应信息素机制蚁群优化算法,并在算法出现长时间停滞时,引入混沌算子使算法跳出早熟收敛,更好地发挥蚁群算法的优势,相对于标准蚁群算法、引入差分进化算法交叉变异机制的混合微粒群算法、基于动态局部搜索蚁群算法,所提算法在旅行商问题中具有更高的寻优精度、更好的稳定性.为综合不同群智能算法的优势,针对多形态作用力蝙蝠算法全局搜索能力强、收敛速度快,多阶段自适应信息素机制蚁群优化算法局部精细化能力强的特点,将两种算法串行混合,提出了多阶段自适应蝙蝠-蚁群混合群智能算法.最后,通过液压系统可靠性优化和串-并联多态系统可靠性优化实例,验证了所提混合群智能算法的有效性.     

应用混合遗传蚁群算法求解柔性车间调度问题

将遗传算法和蚁群算法结合用于作业车间调度.该方法利用了遗传算法快速随机的全局搜索能力和蚁群算法并行分布式正反馈机制,同时避免了蚁群算法因初始信息素缺乏收敛速度慢及遗传算法因缺少反馈机制容易陷入局部最优的缺陷.仿真计算结果验证了该方法的有效性.     

基于改进蚁群算法的移动机器人路径规划研究

传统的蚁群算法在移动机器人路径规划过程中,在加速算法收敛时易陷入局部最优问题,针对此问题提出了一种新型蚁群算法的移动机器人路径规划方法。首先建立了机器人路径规划数学模型,在此基础上对传统的蚁群算法进行了改进,将环境中局部的机器人路径信息引入到蚁群信息素的初始化和路径选择概率中,提高了蚁群算法的收敛速度并防止算法早熟。通过引入交叉操作并对蚁群算法中参数进行调整,避免了算法陷入局部最优。仿真结果表明,所提方法能够明显提高最佳路径搜索能力,整体性能优于传统蚁群算法。     

基于混合遗传算法的连采机减速器试验模态参数识别

针对经典遗传算法在复杂空间上局部搜索能力较弱,易过早陷入未成熟收敛,并在接近最优解时,由于优化压力较小导致搜索效率低等问题,在传统遗传算法群体进化中引入拉马克学习机制,构造基于拉马克学习机制的局部搜索算子,建立起混合遗传算法模型.两种算法相互融合,使学习的优势得到发挥,提高局部深度搜索能力并加快了全局收敛速度.将其应用于连采机减速器试验模态参数识别中,结果证明了混合遗传算法的有效性和准确性.     

基于符号函数的自适应遗传算法的研究与应用

交叉概率和变异概率的选择是决定遗传算法行为和性能的关键,直接影响算法的收敛性.自适应遗传算法在前期收敛速度缓慢,而且容易陷入局部最优.针对此局限,本文提出了基于符号函数的自适应遗传算法,将交叉算子与变异算子控制在期望区间内变化,增强了全局搜索能力,提高了收敛速度.最后进行了仿真实验,通过比较两个优化实例,验证了本文所提出算法的有效性,且符合工程实际需要.     

基于改进蚁群算法的移动机器人路径规划研究

为了提高机器人路径规划算法的收敛速度和收敛精度,提出了基于改进遗传算法的机器人路径规划方法。介绍了栅格建模方法,分析了传统蚁群算法原理。提出了蚂蚁相遇策略提高了算法搜索效率,提出了蚂蚁回退策略避免陷入U形陷阱,设置了信息素感应阈值扩大了算法前期的搜索范围,改进了信息素残留方法使蚁群能够记忆最优路径,提出了信息素自适应调整方法,兼顾了算法前期的大范围搜索和后期的快速收敛。经仿真实验验证,相比于传统蚁群算法,改进算法具有更快的收敛速度、更优的规划结果,且改进算法的蚁群轨迹更加集中至最优解附近。     

基于改进自适应遗传算法的点焊机器人TSP路径规划

基于TSP问题建立焊点路径数学模型。同时为改善遗传算法自身收敛速度慢问题,采取适应度计算评估、适应度比例选择步骤;为了提高计算速度与避免局部最优缺陷,采用自适应交叉、变异算子,以及加入进化逆转步骤操作来提升算法全局计算和搜索能力。最后利用RobotStuidio仿真软件建立点焊工艺加工站,进一步检验算法在实际编程中的应用。     

机构综合的混沌搜索自适应入侵遗传算法研究

将生物系统中"入侵"的概念引入遗传算法,提出机构综合排斥二周期点优化求解的一种基于混沌搜索自适应入侵遗传算法.该算法动态地引入入侵种群,并利用混沌搜索产生入侵个体.入侵种群的扩散使优良基因得以在个体中传播,优化了种群的基因构成,能够促使种群跳出局部最小,并向全局优化方向进化,从而有效避免了遗传算法的早熟现象.将该算法应用排斥二周期点优化求解,实例表明该算法具有较快的收敛速度和较强的寻优能力,能够快速求出机构综合问题非线性方程组全部解.     

简单差异演化算法及其在装配公差优化中的应用

差异演化算法是一种基于群体差异的演化算法,具有良好的优化性能,但是对于高维复杂函数,算法易早熟收敛.为此,在对算法参数以及关键算子分析的基础上,提出了自适应缩放因子及突变因子两个概念,进而提出了简单差异演化算法(A Simple Differential Evolution Algorithm)SDE.首先将缩放因子按照进化代数进行递减,一方面为了减少用户参与程度,另一方面为了平衡算法的收敛速度与全局搜索能力;其次在研究交叉算子的基础上,引入了灾变因子,使群体中的部分个体在进化过程中不进行交叉操作,而直接与父代个体进行竞争,简化了差异演化算法的步骤.仿真实验结果与工程应用实例表明,SDE算法在收敛速度和全局搜索能力方面得到了较好的平衡,不仅保证了算法的收敛速度,而且具有较好的全局搜索能力.     

基于蚁群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤。为了有效解决传统摄像机标定算法中的多参数和计算费时费力等问题,提高摄像机标定的精度和速度,首次将蚁群遗传算法应用于摄像机标定中。方法初期采用遗传算法过程生成信息素分布,后期利用蚁群算法正反馈求精确解,最后用优化后的BP神经网络来进行摄像机标定,充分发挥遗传算法的全局搜索能力和蚁群算法的正反馈收敛优势。