基于安全性约束和协同禁忌优化算法的云计算工作流调度

针对现有的云计算工作流调度方法侧重于节能和可靠性等方面进行研究,忽略了安全性约束的要求,设计了一种基于协同禁忌算法的具有安全型约束的能实现云计算工作流高效调度的方法;首先,定义了云计算工作流调度的DAG图,对安全性约束进行了形式化描述,并建立了云计算工作流调度的数学模型;然后,在经典的协同禁忌算法的基础上,通过设计解的编码方式、适应度函数、变邻域结构和双禁忌表,实现对经典的协同禁忌算法进行改进;最后,定义了基于改协同禁忌算法实现对云计算工作流调度的具体算法;在云计算的仿真环境Cloud-Sim下进行实验,实验结果证明了文中方法不仅具有较快的收敛速度,而且能寻求到比其它方法更优的调度方案,能满足安全性约束要求,是一种可行实用的调度方法.     

高超声速飞行器多约束参考轨迹快速规划算法

针对多约束的高超声速滑翔飞行器的再入轨迹优化时对初值敏感的问题,提出一种参考轨迹快速规划算法。对运动方程进行了无量纲处理并引入适合优化求解的替代变量,通过纵向再入走廊和侧向制导的规划使所有过程约束和终端约束完全满足。仿真结果表明,得到的参考轨迹接近最优解,大幅缩短了后续优化工作所需的时间,具有重要的工程实用价值。     

航天飞行器在共面多轨道间的机动规划方法研究

针对同时受时间与燃料约束的航天飞行器多轨道间机动问题,研究了两类变轨机动方式四种特殊情况的边界问题.考虑机动、路径和燃料约束构建了以最短总机动时长为目标的规划模型,设计了基于改进蚁群算法的机动策略寻优算法,提出了一种满足快速机动需求的共面多轨道间机动规划方法.通过算例计算,验证了多轨道间机动规划方法的有效性,得到了在有限时间及有限燃料条件下的最优机动方案.说明了在一定范围内提升变轨速度冲量或选择非开普勒径向机动更有利于航天飞行器快速机动能力的生成.     

基于协同进化的多无人机航迹规划研究

关于多无人机航迹优化研究,针对复杂环境下多无人机(UAV)系统的航迹规划,达到摧毁目标最大化,解决不同无人机之间的协同和防撞问题,提出了一种利用合作型协同进化算法的多无人机三维航迹规划方法.利用数字地图建立了无人机安全飞行曲面,采用并行进化的方案,将每个无人机航迹规划当作一个子问题,通过协同函数和无人机间的防撞设计实现各无人机间的时间协同和空间防撞.各子种群采用自适应的进化方法,在保持多样性的同时,保证了算法收敛的快速性.仿真结果表明,算法有效实用,能快速得到各无人机的低空突防三维航迹,可为多无人机航迹优化提供手段.     

水下滑翔蛇形机器人滑翔控制的强化学习方法

研究了一种强化学习算法,用于水下滑翔蛇形机器人的滑翔运动控制.针对水动力环境难以建模的问题,使用强化学习方法使水下滑翔蛇形机器人自适应复杂的水环境,并自动学习仅通过调节浮力来控制滑翔运动.对此,提出了循环神经网络蒙特卡洛策略梯度算法,改善了由于机器人的状态难以完全观测而导致的算法难以训练的问题,并将水下滑翔蛇形机器人的基本滑翔动作控制问题近似为马尔可夫决策过程,从而得到有效的滑翔控制策略.通过仿真和实验证明了所提出方法的有效性.     

反舰导弹航路规划问题的研究现状与进展

航路规划是一种多约束多目标非线性优化问题. 对反舰导弹航路规划 (Anti-ship missile path planning, ASMPP) 问题及其方法的研究进展进行了综述. 1) 论述了反舰导弹航路规划问题领域的研究现状, 包括 反舰导弹航路规划相关名词术语的统一和规范、 对问题的界定及其定义、反舰导弹航路规划的特点; 2) 分析了反舰导弹航路规划问题模型的研究进展; 3) 分析了反舰导弹航路规划方法的研究进展, 包括 基于几何学原理的航路规划方法和基于智能优 化算法的航路规划方法; 4) 对多平台反舰导弹协同航路规划方法的研究进展进行了分析和总结; 5) 阐述了反舰导弹航路规划面临的关键问题及发展趋势.     

基于改进约束差分进化算法的动态航迹规划

为解决三维复杂环境下无人机动态航迹规划问题,提出一种基于改进约束差分进化算法的动态航迹规划方法,以满足对实时性及动态搜索精度的要求.首先,根据无人机航迹规划特点将其描述为包括飞行约束及威胁约束在内的约束优化问题,并构造目标代价函数和约束限制函数;其次,将广义反向学习和自适应排序变异操作引入到约束差分进化算法中,以提高算法的多样性、收敛速度和寻优精度;最后,利用自适应权衡模型对各状态下的约束限制进行处理,充分利用“精英”个体信息,实现对目标适应值的合理转换.通过仿真实验以及与3种先进约束差分进化算法比较表明:所提方法能够有效实现静态及动态威胁回避,规划出安全适航的飞行路径,实现地形跟随;相较于其他3种算法,所提方法具有寻优性能好、鲁棒性强、收敛速度快和可靠性高等优势.     

基于生物地理学优化的多UCAV协同航迹规划

研究多无人机协同路径规划问题,为了获取从起始点到达目标点,能够避开各种阻碍的最优运动路径,提出了一种基于BBO的多UCAV协同航迹规划方法.通过对地形环境、航迹表示方式进行描述,将生物地理学优化算法运用于多UCAV协同航迹规划,对约束条件及威胁进行分析,建立了UCAV航迹规划模型及多UCAV协同航迹规划模型;对BBO算法适宜度向量编码及迁徙模型进行了分析,设计了相应的优化算子;最后,构建了多UCAV协同航迹规划的求解框架,并结合BBO算法开展了相应的仿真.仿真结果表明,改进方法较好地实现了多UCAV协同航迹规划的优化.     

工程系统进度优化的协同决策方法

为解决多个承包商间的项目合作伙伴选择问题, 采用多目标规划构建工程系统进度优化的协同决策模型. 以合作博弈理论为基础, 运用主要目标法设计一种基于期望收益约束选择的模型求解方法. 算例结果表明, 所提出的方法可以在保障参与协同的承包商收益需求前提下实现工程系统进度最优, 所获得的协同方案更容易为各方接受.

     

复杂环境下基于RRT的智能车辆运动规划算法

在存在大量无规则障碍物且障碍物分布不均匀的复杂环境下,现有规划算法不能很好地解决智能车辆的运动规划问题.为此,本文提出了一种简单实用的基于RRT(快速搜索随机树)的运动规划算法——连续曲率RRT算法.该算法在RRT框架中结合了环境约束以及车辆自身的约束.它首先引入了目标偏向采样策略以及合理的度量函数,大大地提高了规划速度和质量;接着提出了一种基于最大曲率约束的后处理方法以生成平滑的且曲率连续的可执行轨迹.通过仿真实验和实车测试,证实了该算法的正确性、有效性和实用性.     

基于改进粒子群算法的移动机器人多目标点路径规划

针对移动机器人遍历多个目标点的路径规划问题,提出了一种基于改进粒子群算法和蚁群算法相结合的路径规划新方法。该方法将目标点的选择转化为旅行商问题,并利用蚁群算法进行优化,定义了每两个目标点之间的路径规划目标函数,利用粒子群算法对其进行优化。针对粒子群算法存在的早熟现象,将反向学习策略引入粒子群算法,并对粒子群算法的惯性权重和学习因子进行改进。性能测试结果表明,改进的粒子群算法能有效避免粒子早熟现象,提高粒子群算法的寻优能力及稳定性。仿真实验结果验证了新方法能有效地实现机器人的多目标点无碰撞路径规划。真实环境下的实验结果证明了新方法在机器人多目标点路径规划的实际应用中也具有有效性。     

一种障碍环境下机器人路径规划的蚁群粒子群算法

针对机器人在障碍环境下寻找最优路径问题, 提出了一种障碍环境下机器人路径规划的蚁群粒子群算法.该方法有效地结合了粒子群算法和蚁群算法的优点, 采用栅格法进行环境建模, 利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布, 以减少迭代次数, 加快算法的收敛速度; 同时利用蚁群算法之间的可并行性, 采用分布式技术实现蚂蚁之间的并行搜索, 求解精度高等优点, 求精确解. 仿真实验结果证明了该方法的有效性, 是机器人路径规划的一种较好的方法.     

基于改进PSO算法的机器人路径规划及实验

针对粒子群优化（PSO）算法存在的优化精度低以及早熟的缺点,提出一种改进的PSO算法用于机器人路径规划．根据梯度下降法中变量沿负梯度方向变化的原则,提出了改进的粒子速度更新模型．为了提高粒子的搜寻效率及精度,增加了自适应粒子位置更新系数．引入ε贪心策略设计了改进的粒子群优化算法．在部分优化测试函数上的多次试验结果表明,所提算法较其他算法模型搜索精度至少提高2倍,收敛速度也有大幅度的提升．将所提算法和改进的DC-HPSO（动态聚类混合粒子群优化）算法应用于静态障碍物下的路径规划仿真和实际试验,结果表明所提模型具有高精度、高效率、高成功率的优点．     

混沌PSO分析及其在船舶设计中的应用

分析了不同混沌序列的数值分布特点,凭借其良好的对可行域的遍历性质,将混沌映射引入粒子群优化算法当中,应用混沌粒子群求解有约束优化问题。在分析了约束条件性质的基础上,提出通过控制约束条件进而控制可行域的主要分量以提高混沌粒子群的搜索效率,并借助于混沌映射的遍历性解决部分非关键条件未被采用的问题。通过对标准测试函数的数值实验表明,基于改进tent映射和logistic映射的混沌粒子群在计算时间与搜索效率上与基本粒子群相比具有较大优势。将改进的混沌粒子群应用于某内河双桨船型的主尺度决策中,通过对最佳船型要素的多次搜索测试表明,此方法的搜索可靠性较高。     

基于改进粒子群算法的UAV航迹规划方法

结合当前无人机集群发展趋势,针对航迹规划算法和策略问题开展研究,在分析经典粒子群算法和传统航迹规划方法基础上,提出了一种基于改进粒子群算法的航迹规划方法,将无人机航迹规划分为整体航迹规划和节点间航迹规划两部分,针对两部分对于搜索速度和解的精度的不同需求,结合环境模型及约束条件,分别设计粒子群航迹规划算法的评价函数;对于节点间粒子群航迹规划,通过设计分段式惯性权重调整公式改进粒子群算法,在保证了算法的搜索速度的同时,提高了航迹规划解的精度。通过仿真验证了该方法的正确性和可行性,横向对比其他算法策略分析了该方法的优越性。最后在算法自主实时性方向上对于后续的工作开展提出了期望。     

粒子群算法在PERT网络优化问题中的应用

针对项目工程PERT网络计划的费用一优化问题,本文提出了一种改进的粒子群算法。该算法引入了可行性优先的约束处理技术,不需要罚因子,对问题依赖小。仿真实验表明了该算法的可行性和有效性。     

一种新的变维粒子群路径规划算法

针对传统粒子群路径规划不能根据不同环境调节路径节点数、搜索效率低、甚至在一些地形下得不到可行解的不足,提出一种基于变维粒子群的路径规划算法.通过动态改变粒子的维度,控制路径节点数目并调整节点分布,加快了算法收敛速度.在需要沿障碍物迂回才能通过的复杂障碍物的情况下,采用一次位置记忆的避障算法得到无障碍路径.仿真结果表明,该算法可获得较优的路径且收敛速度较快.     

Interactive Self Improvement Based Adaptive Particle Swarm Optimization

One of the most familiar stochastic heuristic search algorithm is Particle swarm optimization (PSO), which is motivated by social behavior of animals like birds, fishes, and so forth. The significant advantages of PSO algorithm are simple structure and limited parameters to be used. Among the parameters, inertia weight is considered as the most crucial one in PSO which brings trade-off between the characteristics of exploitation and exploration. A novel Interactive Self-Improvement based Adaptive PSO (ISI-APSO) method that traits better searching efficiency and accuracy than the traditional particle swarm optimization is proposed. More precisely, it can achieve faster convergence speed while on global search over the entire search space. The simulation results show that the performance of our proposed ISI-APSO is substantially improved than other heuristic algorithms in terms of the search efficiency and convergence speed.     

基于hp自适应伪谱法的空间机器人路径规划

针对空间机器人运动过程中基座姿态产生较大扰动的问题,基于hp自适应高斯伪谱法提出了一种以基座所受反作用力矩最小为目标函数的空间机器人路径规划方法.首先,综合考虑空间机器人运动过程中存在的关节角度约束、关节角速度约束、控制力矩约束及初始状态和终端状态约束等约束条件,将空间机器人路径规划问题看成满足一系列约束条件和边界条件并实现特定性能指标最优的最优控制问题.其次,结合hp自适应高斯伪谱法（hp-AGPM）与非线性规划技术,求解带有边界约束和路径约束的优化控制问题,得到满足约束且性能指标最优的空间机器人运动轨迹.最后,以平面2自由度空间机械臂为例对所设计方法进行仿真验证,并与其他伪谱法进行对比分析.仿真结果表明：本文算法能在10.6 s的时间内规划出满足各约束条件且容许偏差低于10^-6的最优运动轨迹,并且在计算速度和配点数量上都优于其他伪谱法.     

基于混沌麻雀搜索算法的无人机航迹规划方法

针对无人机(UAV)航迹规划求解计算量大、难收敛等问题,提出了一种基于混沌麻雀搜索算法(CSSA)的航迹规划方法.首先,建立二维任务空间模型与航迹代价模型,将航迹规划问题转化为多维函数优化问题;其次,采用立方映射初始化种群,并使用反向学习策略(OBL)引入精英粒子,增强种群多样性,扩大搜索区域范围;然后,引入正弦余弦算...