一种求解双目标旅行商问题的进化算法

双目标旅行商问题是经典TSP问题的扩展和延伸,具有很强的实际研究意义。本文在多目标进化算法NS-GA-Ⅱ的基础上设计了一种双目标进化算法以求解该问题。其中,提出了按需分层的非支配前沿集分层方法,混合了爬山法以提高局部寻优能力．采用了类OX的杂交算子和逆转变异等遗传算子。实验结果表明,提出的方法比NSGA—Ⅱ具有更好的运行效率及更好的求解结果。     

混合算法求解多目标平衡旅行商问题

平衡旅行商问题(balanced traveling salesman problem, BTSP)是旅行商问题(traveling salesman problem, TSP)的变化模型,是另一种组合优化问题,可在汽轮机(gas turbine engines, GTE)等的优化问题中得到应用,但BTSP模型只能对含单个旅行商一个任务的优化问题建模,不能同时对含多个旅行商多任务的问题进行建模和优化.基于此,首次提出了一种多目标平衡旅行商问题(multi-objective balanced traveling salesman problem, MBTSP)模型,可建模含多个旅行商多任务的优化问题,具体可应用在含多个目标或个体的实际问题,例如含多个GTE的优化.相关文献的研究已证实,伊藤算法和遗传算法(genetic algorithm, GA)在求解组合优化问题中具有较好的性能,因此,应用混合伊藤算法(hybrid ITO algorithm, HITO)和混合遗传算法来求解MBTSP问题.HITO通过蚁群算法(ant colony optimization, ACO)来产生基于图的概率生成模型,再用伊藤算法的漂移和波动算子对该图模型进行更新,从而得到MBTSP的最优解.对于混合遗传算法,第一个用贪心法对遗传算法进行改进,命名为贪心法遗传算法(genetic algorithm with greedy initialization, GAG),第二个用爬山算法优化遗传算法,称之为爬山法遗传算法(genetic algorithm by hill-climbing, GAHC),最后一个为模拟退火遗传算法(genetic algorithm with simulated annealing, GASA).为了有效验证该算法,使用小尺度到大尺度的不同规模MBTSP问题的数据进行实验,结果表明：混合算法在求解MBTSP问题是有效的,并表现出不同的特点.     

求解多目标旅行商问题的混合遗传算法

一般TSP问题是单目标的,只追求一个性能指标：所走路径最短。然而对于具体的TSP问题,实际中常常需要考虑：路程最短、时间最少、费用最省、风险最小等等多方面的因素。设计了贪婪的复合变异算子（GCM）,引入隔代爬山法算子来提高多目标TSP问题的搜索能力。实验结果表明该算法是有效的。     

基于MATLAB的蚁族算法求解旅行商问题

目前求解旅行商问题效果最好的混合算法是最大最小蚂蚁算法和局部搜索算法,本文对蚁群算法的仿真学原理进行概要介绍,蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能多目标优化算法,通过蚁群觅食过程中最短路径的搜索策略,给出基于MATLAB的蚁群算法在旅行商问题中的应用,并通过实例仿真结果表明,此算法有一定优越性。     

最大最小目标的多旅行商问题求解

研究一类多旅行商问题,对所有旅行商所走的环路,寻求最大长度最小化.设计了一种新的局部搜索算子,该算子既能进行一条环路的优化,也能对两条环路进行重组优化,与现有的局部搜索算子相比,在计算成本相当的条件下,其寻优能力更好;以该算子为基础,提出了“搜索-选优-变异-搜索”的迭代策略,按此策略设计了竞争搜索算法.在公开的数据集上进行了实验,与近期文献相比,计算结果有所改进.     

一种求解旅行商问题的进化多目标优化方法

为了克服传统小生境(Niching)策略中的参数设置难题,提出一种求解旅行商问题的进化多目标优化方法:建立以路径长度和平均离群距离为目标的双目标优化模型,利用改进非支配排序遗传算法(NSGAII)进行求解.为了在全局探索能力与局部开发能力之间保持平衡,算法中采用一种使路径长度相同的可行解互不占优的评价策略,并通过一种新的离散差分进化算子和简化的2-Opt策略生成候选解.与已有算法的数值试验结果比较表明,求解旅行商问题(TSP)的改进非支配排序遗传算法(NSGAII-TSP)能够更好地保持种群多样性,从而克服局部最优解的吸引并具有更鲁棒的全局探索能力.通过借助特殊的个体评价策略,所提出的算法可以更好地进行全局优化,甚至同时得到多个全局最优解.     

面向多起点均衡多旅行商问题的进化算法

为解决多起点均衡多旅行商问题,分析问题的特点,从优化旅行商的起点、最小化所有旅行商总路程和维持各旅行商路径均衡的角度出发,提出一种基于改进交叉、变异操作的遗传算法。根据均衡多旅行商问题的优化目标,构建新型评价函数,设计双染色体编码方式。在此基础上,引入改进的三交换启发式交叉操作并设计双变异策略。在经典旅行商问题的测试集TSPLIB上,与其它求解多旅行商问题的进化算法进行对比,验证算法的有效性。     

混合算法求解着色瓶颈旅行商问题

基于着色旅行商问题(colored traveling salesman problem, CTSP),给出了一种适用性更加宽泛的组合优化问题模型：着色瓶颈旅行商问题(colored bottleneck traveling salesman problem, CBTSP).CBTSP可建模含有部分重合工作区域的规划问题,譬如有合作任务和单独任务的人员与车辆的路线规划,此类问题由于目标函数与旅行商问题不一样,因此不能够用CTSP模型来建模.由于CBTSP属于NP难问题,对于规模大的此类问题,自然启发式算法是个合适的选择.基于此,提出了一种自然启发式算法求解CBTSP,该算法是基于伊藤过程的粒子群算法(particle swarm optimization, PSO)、模拟退火算法(simulated annealing, SA)和遗传算法(genetic algorithm, GA)的混合算法(PSGA).PSGA首先用二重染色体编码来构建问题的解,然后运用遗传算法的交叉操作进行更新,其中交叉长度由伊藤过程的活动强度来控制,而活动强度由粒子半径和环境温度来决定.为了充分验证算法的有效性,使用小尺度到大尺度不同规模的数据进行实验,通过广泛的实验与分析表明:PSGA求解CBTSP问题的求解质量要优于对比算法.     

多目标旅行商问题竞争决策算法

竞争决策算法是在分析大自然生物世界特别是人类的各种竞争机制和决策原理的基础上,利用竞争造就优化、决策左右结果的特性来到达优化目的的新型寻优算法。给出了用竞争决策算法求解多目标旅行商问题的算法,经过大量数据测试和验证,获得了较好的结果。     

混合算法求解旅行商问题

该文分析了改进粒子群优化算法和回溯法各自的优缺点,将改进后的粒子群优化算法和回溯法相结合求解旅行商问题．保证了算法的快速收敛和全局收敛能力,仿真实验表明两种算法结合弥补了粒子群算法全局搜优能力不足问题。     

一种改进的移动机器人轨迹跟踪迭代学习方法

通过对轮式移动机器人轨迹跟踪优化问题的研究,提出了一种适应性强、收敛速度快且跟踪误差小的迭代滤波学习控制方法,充分发挥了迭代学习控制和Kalman滤波算法的优势,通过引入状态补偿项和设计新的迭代学习增益矩阵对迭代学习律进行了改进。改进的迭代学习控制能够更快速、更精确、更有效地跟踪期望的圆轨迹。采用离散的Kalman滤波器对干扰和噪声进行滤波,抑制了干扰和噪声对轨迹跟踪的影响,使该控制算法更适合于工程应用。计算机实验和仿真表明该方法具有较好的轨迹跟踪能力。     

基于迭代学习控制的移动机器人轨迹跟踪控制

为提高移动机器人对特定轨迹的重复跟踪能力,提出了采用开闭环PD型迭代学习控制算法对移动机器人进行轨迹跟踪控制的方法。建立了包含外界干扰的非完整约束条件下的轮式移动机器人运动学模型,给出了系统的控制算法和控制结构。仿真结果表明,采用开闭环PD型迭代学习控制算法对轨迹跟踪是可行有效的,收敛速度优于其他迭代学习算法。     

基于卡尔曼滤波的移动机器人运动目标跟踪

提出了一种基于卡尔曼滤波的运动目标快速跟踪算法。针对复杂背景下彩色运动目标跟踪问题,采用基于颜色特征和形状特征相结合的方法进行目标识别。利用卡尔曼滤波器的预测功能,预测运动目标在下一帧中的位置,将图像全局搜索问题转换为局部搜索,提高了系统的实时性。实验结果表明:该算法满足移动机器人运动控制的实时性要求,实现了对运动目标的快速跟踪。     

基于改进涡流搜索算法的外骨骼迭代学习控制

为提升康复外骨骼机器人的步态跟踪性能,提出一种基于改进涡流搜索算法的迭代学习控制方法。首先针对传统迭代学习控制抗扰性差和控制信息缺失问题,引入PD控制器、自适应遗忘因子、误差过渡曲线和控制信息搜索等策略,改进迭代学习控制律;其次,基于多种策略对涡流搜索算法进行改进,提出了一种改进涡流搜索算法,改进后的算法可优化迭代学习控制的PD参数;最后进行行走实验,将提出的迭代学习控制方法与现有的同类算法进行仿真和数值比较,并测试了扰动情况下的跟踪性能。实验结果表明,所提方法的误差更小,跟踪性能更强。该算法改进了迭代学习控制的不足,具有较强的抗扰性能,保证了使用时的稳定性。     

基于迭代学习的农业车辆路径跟踪控制

由于农作物的播种、收获、除草和农药化肥喷洒具有周期性的特点,农业车辆在执行农田作业时具有较强的重复性. 基于迭代学习控制（Iterative learning control,ILC）方法研究农业车辆的路径跟踪问题,建立了农业车辆的两轮移动机器人运动学模型,设计了车辆路径跟踪的迭代学习控制算法,并基于压缩 映射方法理论上证明了算法的收敛性. 研究表明,迭代学习控制可有效利用农业车辆运行的重复信息,实现车辆期望路径有限区间内的高精度完全跟踪控制. 仿真示例验证了本文方法的有效性.     

提高轮式移动机器人性能的AKF 和滑模相结合控制方法

针对轮式移动机器人在实际工作中不可避免地受到环境因素影响的问题,采用Sage-Husa自适应卡尔曼滤波对带有白噪声的参考轨迹进行估计,以提高测量信息的真实性;同时在速度控制的基础上,考虑机器人动力学模型及其外界干扰,利用滑模控制思想设计出具有渐近收敛性的力矩反馈控制规律来跟踪滤波后的估计值.仿真结果表明,该控制方法能有效抑制测量噪声和外界干扰的影响,快速跟踪任意参考轨迹.     

极坐标下基于迭代学习的移动机器人轨迹跟踪控制

为提高自主移动机器人对一类特殊轨迹的重复跟踪能力,在极坐标下建立了3轮全向移动机器人的运动学模型,结合离散时域下对轨迹跟踪问题的描述方法,采用开闭环P型迭代学习控制算法,并在给定条件下证明了其收敛性,随着迭代次数的增加,该算法能够有效改善动态不确定环境中系统的稳定性与收敛的快速性。通过将仿真结果作用于实际动态系统的初始控制输入,从而在实际环境下能以较少的迭代过程来获取控制律。实验结果表明,在仿真环境下机器人可以较好地跟踪玫瑰曲线,在实际机器人测试中,机器人能够较好地跟踪期望轨迹,从而证实了该方法对提高自主移动机器人轨迹跟踪能力的可行性与有效性。     

任意初态下的工业机器人迭代学习控制

对迭代初值为任意值的工业机器人轨迹跟踪控制系统,提出了一种基于滑模面的非线性迭代学习控制算法,使机器人轨迹能快速、精确跟踪上期望轨迹.基于有限时间收敛原理,构建了关于机器人轨迹跟踪误差的迭代滑模面,在滑模面内,机器人轨迹跟踪误差在预定时间内收敛到零.设计了基于滑模面的迭代学习控制算法,理论证明了随着迭代次数的增加,处于...     

非线性迭代学习算法在机器人上肢康复中的应用

针对上肢康复机器人轨迹跟踪控制中存在的患者痉挛扰动非线性及不确定性问题, 结合康复机器人系统执行具有重复性的特点以及迭代学习算法特有的性质, 提出一种非线性迭代学习控制算法, 改进了机器人常用的线性动力学控制系统, 使得在模型信息不精确以及只有角度信息可测的情况下, 也能获得良好的轨迹跟踪性能; 应用Lyapunov 稳定性理论和LaSalle 不变性原理证明了闭环系统的全局渐近稳定性. 仿真结果表明, 所提出的非线性迭代学习控制具有良好的控制性能.

     

基于模糊CMAC的移动机器人轨迹跟踪控制

针对受非完整约束的移动机器人的轨迹跟踪问题,提出了一种基于模糊CMAC的轨迹跟踪控制策略。该策略利用模糊CMAC神经网络逼近移动机器人动力学模型的非线性和不确定,同时与速度误差结合起来构成力矩控制器,并用滑模项来补偿不确定性扰动对系统的影响。李亚普诺夫稳定性定理保证了系统的稳定性和跟踪误差的渐近收敛,仿真结果进一步验证了所提方法的有效性。