基于改进粒子群算法的移动机器人路径规划

由于惯性权重取值不合适和迭代后期粒子群体多样性下降,导致传统粒子算法在移动机器人路径规划研究过程中存在局部最优解问题。针对此问题提出了一种改进粒子群算法的移动机器人路径规划方法。首先建立机器人路径规划的栅格地图模型,在此基础上对传统的粒子群算法进行了改进。随后,引入了基于相似度概念的非线性动态惯性权值调整方法,从而使得粒子的更新速率能够适配寻优过程的各个阶段,并且通过引入免疫算法中的免疫信息调节机制,增加了粒子的多样性,增强了其摆脱局部最优值的能力。仿真结果表明,所提出的改进粒子群算法具有更高的最佳路径搜索能力,其综合性能显著优于传统的粒子群算法。     

基于混合粒子群算法的在线检测路径规划

针对加工中心在线检测中的路径规划问题,采用基于全局规划与局部优化相结合的策略,将光学寻优算法、遗传算法、混沌优化与基本粒子群算法结合,提出了一种新型混合离散粒子群算法,并将其用于检测路径的全局规划。首先简述了在线检测路径规划的原理及检测数据的获取,然后介绍了混合粒子群算法的原理、步骤及其流程,最后对算法进行了仿真研究,并且与蚁群算法进行了对比分析。经仿真验证,该算法具有搜索精度高、收敛速度快、稳定性好等优点,有较好的实际应用价值。     

机器人路径规划的改进粒子群-蚁群算法

针对传统蚁群算法的易陷入局部最优、求解精度低的缺点,提出了一种改进的粒子群-蚁群算法进行最优路径的求解.该算法采用具有线性递减惯性权重系数的粒子群算法进行路径预规划,由此得到蚁群算法的初始信息素分布;同时,通过在蚁群算法中引入了新的启发函数、线性递减的挥发系数和按路径长度排序的信息素增量系数,使算法的收敛速度得到提高....     

基于区域搜索粒子群算法的机器人路径规划

针对粒子群算法应用于移动机器人路径规划时存在的易早熟、易陷入局部最优等问题,提出一种基于区域搜索的自适应粒子群(region search-adaptive particle swarm optimization algorithm, RS-APSO)路径规划方法。首先,通过区域搜索算法对原始地图进行预处理,减少地图中的无效信息。其次,提出两种可变算子对惯性权重因子进行调节,对加速因子进行自适应改进,增强算法不同时期的搜索能力,利用新的加速因子使粒子快速摆脱较差区域。最后通过动态避障策略,使机器人可以安全规避移动障碍物。仿真结果表明,RS-APSO算法相较于PSO算法,平均运行时间降低了30.3%,平均迭代次数降低了43.9%,在动态环境中也能生成安全路径。     

基于改进粒子群算法的电动机器人全局路径规划

二维空间环境下电动机器人使用传统粒子群算法(particle swarm optimization,PSO)规划全局路径容易出现收敛速度慢、路径精度不达标等问题,提出一种基于改进粒子群算法(improved particle swarm optimization,I-PSO)对电动机器人进行全局路径规划。首先使用栅格法对机器人的工作环境建模,将路径长度和碰撞风险作为优化目标,然后使用粒子的适应度差值动态调节算法的惯性权重参数,优化对活动空间的整体或部分区域的探索。在算法中引入一个随机因子,增大粒子的随机性,提升最优解的质量。MATLAB仿真结果表明,与传统的PSO结果对比,提出的IPSO在算法收敛性和鲁棒性上更好,并且规划出的路径长度较短、安全性更高。     

基于改进粒子群算法的工业负荷规划研究

工业用电负荷是电网用电负荷的重要组成部分,其用电负荷的合理规划对于电网线路规划具有重要意义。建立工业用电负荷的收益模型,对不同类型的工业用电负荷进行分析,引入惩罚因子对支付的电费进行约束,提出自适应权重系数的粒子群算法进行优化寻优,求解总收益最大情况下各用电负荷的最佳用电量。通过案例分析,验证了该粒子群算法在工业用电负荷规划中的有效性,为后续的大工业负荷的规划提供了新思路。     

基于改进粒子群算法的变电站选址规划

变电站站址的选择是电网规划的重要环节,给出一种确定的变电站选址模型,该模型不仅包含了以往的变电站选址的可量化因素,还将地理信息作为惩罚因子融合入模型中,增加了变电站选址模型的实际价值.并且提出一种新的改进粒子群算法,从初始解和变量搜索方面进行了改进.算例证明所提模型和改进算法正确、有效,其规划结果科学、可行.     

基于改进粒子群算法的变电站选址规划

变电站站址的选择是电网规划的重要环节,给出一种确定的变电站选址模型,该模型不仅包含了以往的变电站选址的可量化因素,还将地理信息作为惩罚因子融合入模型中,增加了变电站选址模型的实际价值。并且提出一种新的改进粒子群算法,从初始解和变量搜索方面进行了改进。算例证明所提模型和改进算法正确、有效,其规划结果科学、可行。     

群智能算法在路径规划中的研究及应用

在移动机器人控制系统中,路径规划技术占据了重要地位,因为它决定了机器人在运动避障过程中的高效性和准确性。于是与路径规划有关的算法渐渐成为了学者专家们研究的热点。随着科学技术的不断成熟以及应用领域的不断拓展,面临的将是更加复杂多变的运动环境,因此群智能算法的出现给未来创造了更多的可能性。以蚁群算法、人工蜂群算法、人工鱼群算法、入侵杂草算法为主线,分别介绍了它们的理论分析和应用,然后针对各自的缺陷进行了相应的改进,并分析了改进后的算法在鲁棒性、稳定性、求解精度等方面的优化效果。     

改进粒子群算法的无功优化

通过对传统梯度算法和粒子群算法的研究,提出了将梯度算法和粒子群算法(GPSO)相结合的梯度粒子算法.建立了无功优化的数学模型,将梯度粒子算法运用到无功优化中,通过算例验证,梯度粒子算法能够获得更好的全局最优解,此表明该算法运用到实际中将有利于在线电力系统无功优化.     

基于粒子群-差异进化混合算法的电力系统无功优化

针对传统粒子群算法中收敛速度快但易于陷入局部最优等特点,将差异进化算法与粒子群算法相结合,提出了一种粒子群-差异进化混合算法。该算法在粒子寻优过程中除跟踪个体极值和全局极值外,还跟踪粒子差异进化产生的第三个值;同时,当粒子在某一维上的速度小于给定值时,将重新初始化该维度粒子速度。建立了无功优化数学模型,并将合算法应用到无功优化中。通过MATLAB编程对IEEE-30节点系统进行优化计算,并与遗传算法和粒子群算法比较,结果表明本文提出的算法应用于无功优化拥有较快的收敛速度和全局寻优能力,具有广阔的发展前景。     

基于改进蛇优化算法的无人机路径规划研究

为提高无人机在复杂山区环境中飞行的可靠性和安全性,提出了一种改进蛇优化算法的无人机路径规划方法。首 先,结合数字高程信息和复杂地形威胁构建了无人机环境模型和山峰威胁模型;其次,提出改进蛇优化算法,将传统蛇优化算 法与元胞自动机进行融合用于无人机路径规划,并引入小生境技术和最优局部抖动,避免算法陷入局部最优,提高全局搜索 能力;最后,在3种场景下进行仿真实验验证所提方法的有效性。实验结果表明,所提方法在3种复杂场景下平均路径长度分 别为2.201、1.801 和2.187 km, 平均收敛时间为14.8、13.9和14.9 s, 与其他路径规划算法相比具有良好的优越性,且所生 成的路径对真实无人机运行具有良好的实际效果。     

改进二进制粒子群优化算法在配电网络重构中的应用

配电网络重构是一个非常复杂的大规模组合优化问题.网络重构中,能否得到有效解,即保证辐射状网络,是一个很关键的问题.对电网拓扑进行简化,配合破圈法更新粒子,得到100%的有效解,大大提高了计算速度.提出一种应用于配电网络重构的改进二进制粒子群优化算法,并结合禁忌搜索算法,使PSO算法跳出局部最优化陷阱,改善了算法的搜索效果,加快了寻优速度.最后对IEEE 69节点系统进行计算,并与相关文献结果进行对比,表明本文改进算法具有快速、高效的全局寻优能力.     

基于改进型粒子群算法的扩张状态观测器

为了解决自抗扰控制器核心模块的参数难以整定的问题,提出了利用改进型粒子群算法的扩张状态观测器设计方法。研究了扩张状态观测器的数学模型,分析了影响观测信号跟踪精度的因素,给出了待定参数设计方法的具体步骤。该设计方法选择改进后的适应度函数作为性能优化指标,增加了惯性系数的自适应性,并引入速度钳制以防止陷入局部最优。最后通过计算和仿真实验分析,验证了所提方法的正确性和鲁棒性,对解决自抗扰控制器中其他模块的待定参数整定问题具有一定的意义。     

改进二进制粒子群优化算法在配电网络重构中的应用

配电网络重构是一个非常复杂的大规模组合优化问题。网络重构中,能否得到有效解,即保证辐射状网络,是一个很关键的问题。对电网拓扑进行简化,配合破圈法更新粒子,得到100％的有效解,大大提高了计算速度。提出一种应用于配电网络重构的改进二进制粒子群优化算法,并结合禁忌搜索算法,使PSO算法跳出局部最优化陷阱,改善了算法的搜索效果,加快了寻优速度。最后对IEEE 69节点系统进行计算,并与相关文献结果进行对比,表明本文改进算法具有快速、高效的全局寻优能力。     

基于改进蚁群算法的无人机三维航迹规划

针对传统蚁群算法在无人机三维航迹规划中,存在早期盲目搜索、收敛速度慢、易陷入局部最优等问题,本文提出了一种改进蚁群算法。该算法利用空间位置初始化信息素分布并设定浓度阈值,增强了蚁群早期搜索的方向性,避免了算法陷入局部最优;设计兼顾距离因素和方向因素的启发函数,改善了航迹规划质量;采用自适应挥发因子控制信息素的挥发,提高了算法的收敛速度。通过两组实验表明,该算法相比传统算法规划的航迹平均长度均减少18.6%,平均迭代次数分别减少63.3%和78.7%,平均拐角次数分别减少62.5%和42.3%。     

基于改进学生心理优化算法的无人机路径规划

针对标准学生心理优化算法(student psychology based optimization,SPBO)在解决无人机路径规划中遇到的搜索能 力欠缺、陷入局部最优等问题,提出一种改进学生心理优化算法的无人机三维路径规划。首先,为增强无人机的局部搜索能 力,引入人为划分小组和分层学习方式,对学生心理优化算法中的学生群体进行更新处理。其次,为解决无人机陷入局部最 优问题,借鉴蜜獾算法(honey badger algorithm,HBA)中的挖掘搜索机制来跳出局部搜索。最后,通过 MATLAB仿真实验 结果表明,改进学生心理优化算法(ISPBO)的平均路径长度减少了0.1275 km、代价平均值降低了1.94%和标准差减少了84.07%,验证了ISPBO具有更强的寻优能力和更好的稳定性。