基于分布式市场机制的目标分配算法

针对超视距编队协同空战目标分配问题特点,对分布式市场机制应用于超视距编队协同空战目标分配的若干问题进行研究.首先,介绍了分布式市场机制的原理,并提出由活动的协调代理完成目标招标.然后,建立了初始状态和作战过程中的目标分配算法.另外,提出了一种新的目标函数计算方法.仿真算例和时间复杂性分析表明分布式市场机制不但能完成初始状态和作战过程中的目标分配任务,而且与利用优势矩阵完成目标分配算法相比具有更高的时间效率.     

基于距离量测的双领航多AUV协同定位队形优化分析

利用领航与跟随多自主水下航行器(AUV)间相对距离量测信息进行协同定位,可有效提高多AUV编队整体定位精度.针对多AUV编队队形对协同定位性能所造成的影响,利用Fisher信息矩阵(FIM)行列式的对数构建协同定位性能评价函数,并通过评价函数的最大化实现编队队形的优化.分析并验证多AUV编队含有两个跟随AUV及两个以上跟随AUV共圆情况下的最优队形,并利用梯度下降算法进行迭代搜索,从而获得两个以上跟随AUV不共圆情况下的优化队形.最后,通过仿真实验结果验证结论的正确性及队形优化算法的有效性.     

基于屏障控制函数的轮式机器人系统多目标分布式协同控制

受多目标优化理论的启发,针对非完整约束轮式机器人设计基于屏障控制函数的多目标协同控制算法.该方法可实现队形控制主目标、连通性次级目标以及避碰次级目标,其中将连通性保持和避碰问题建模为两个系统约束,屏障控制函数作为约束对应的惩罚函数,可解决系统有输入或状态约束的问题.通过获取的局部信息将系统状态约束转化为屏障控制函数,利用屏障控制函数的类李雅普诺夫特性对其导数引入约束,再通过保证约束集的正不变性,达到控制目标.所提出方法可有效地避免控制器在连通性约束和避碰约束边界处的频繁切换,减小机械疲劳,在理论上可进一步扩展次级目标的数目,实现多目标控制.另外,所提出的协同控制算法对编队队形没有特殊要求,适用于不同编队需求和通信拓扑情况.最后通过数值仿真验证了所提出算法在不同情况下的有效性.     

多移动机器人避障编队控制

研究多移动机器人避障优化设计,针对多移动机器人在障碍物环境下的编队控制问题,为了保持整体合理避障和控制系统的稳定性和安全性,提出一种多机器人避障编队控制策略.首先获得多移动机器人编队的队形结构模型,结合多机器人完成避障编队任务的问题描述;在此基础上引入导航函数采用一种避障编队控制算法,使移动机器人能以设定的队形运动到目标点,可保证编队运动过程中未与障碍物发生碰撞.进行仿真的结果证明,所提算法解决了多机器人编队与避障问题,并保证了闭环系统的稳定性与安全性,验证了设计方法的有效性.     

基于分布式模型预测控制的无人机编队控制

针对多四旋翼无人机编队在巡航飞行过程中队形形成和保持问题,采用分布式模型预测控制方法将该问题转化为在线滚动优化问题.建立线性时不变的编队运动模型,进而在考虑状态和输入约束,不考虑时延、外界干扰、噪声的情况下,利用领航跟随策略设计一种分布式模型预测控制器,通过引入自身和邻居的假设状态轨迹设计代价函数.其中邻居信息的交互是在有向、时不变通信拓扑结构下进行的.基于该控制器,无人机能够在跟踪目标轨迹的同时,快速形成预先设定的队形并保持队形飞行.通过引入终端等式约束保证系统稳定,进而将目标函数作为Lyapunov函数,给出编队系统渐近稳定的充分条件.最后,利用6架无人机仿真验证控制算法的有效性和优越性.     

基于反步控制的多AUV编队控制方法研究

针对自主水下机器人(AUV)集群编队任务的实际需求,本文提出了一种基于反步控制思想的多AUV编队控制算法.根据多AUV集群系统的平面Leader-Follower编队模型,推导了多AUV编队控制的数学模型和优化目标.对于积分串联型的AUV非线性系统,借鉴反步控制思想设计了一种新型的控制律函数,采用李雅普诺夫理论证明了AUV集群系统编队控制的稳定性.仿真结果表明,采用本文提出的编队控制方法,AUV集群能够较好实现队形保持与队形切换功能,算法收敛,满足实际编队控制的需求.     

基于势函数的多机器人系统的编队控制

提出了一种基于势函数的、能够有效地对多机器人系统的编队队形进行稳定性分析和分布控制的方法．文章通过选择适当的、与目标和结构相关的势函数,利用图论知识和李亚普诺夫稳定理论,设计了一种新颖的能够稳定机器人编队队形并有效跟踪目标的分布控制律,并给出了多机器人系统编队队形稳定及控制问题有解的充分条件．算例仿真说明了这种控制方法的有效性．     

多机器人编队离散模型及队形控制稳定性分析

针对包含绕心运动情况下的多机器人编队进行离散建模,并利用该模型解决保持队形期望前端始终朝着编队前进方向的控制问题.以控制多机器人编队收敛到期望的队形并镇定到预设运动规律上为目标,定义了一类通信拓扑图,基于该类图提出了一种分布式协同控制算法.给出了该控制算法下编队系统渐进稳定的充分必要条件及反馈控制参数的收敛域.证明了在该充分必要条件下可实现编队收敛到期望的队形和预设运动规律上的目标.仿真实验表明,在该算法控制下多机器人编队较好地收敛到期望队形并按预设规律运动,且过程中始终保持队形期望前端朝着编队前进方向,进而验证了该算法的有效性和正确性.     

具有通信延迟的多无人机编队飞行控制

针对固定通信拓扑下的具有时变通信延迟的多无人机(multi-UAVs)系统,在一致性协议的基础上提出了分布式的编队控制算法.利用Lyapunov-Krasovskii函数分析了时延多无人机系统的稳定性,并以线性不等式(LMI)的形式给出了系统稳定的条件.当满足稳定性条件时,编队控制算法将使系统中无人机的速度和编队队形分别渐近地收敛至期望速度和期望队形.仿真实例验证了控制算法的有效性.     

多无人机自适应编队协同航迹规划

针对多无人机(UAV)协同航迹规划中因编队队形约束而忽略部分较窄通道的问题,提出了一种基于自适应分布式模型预测控制的快速粒子群优化(ADMPC-FPSO)方法。该方法利用领航跟随法和虚拟结构法相结合的编队策略构造出虚拟编队引导点,以完成自适应编队协同控制任务。根据模型预测控制的思想,结合分布式控制方法,将协同航迹规划转化为滚动在线优化问题,且以最小距离等性能指标为代价函数。通过设计评价函数准则,使用变权重快速粒子群优化算法对问题进行求解。仿真结果表明,通过所提算法能够有效实现多无人机协同航迹规划,并可根据环境变化快速完成自适应编队变换,同时较传统编队策略代价更低。     

双向搜索机制的改进A*算法研究

针对大规模环境下传统A*算法路径寻优存在的内存占有率高、计算效率低下的问题,提出了一种改进A*算法。引入了双向搜索机制,以原始起点、终点和对向搜索所处的当前节点作为目标点进行搜索操作,使AGV的路径寻优具备更加合理的方向性;优化评价函数,改进了评价函数的传统计算方式,通过测试为评价函数选择了合适的权重系数,减少路径寻优过程中的冗余点,提升路径寻优的计算效率,节约内存占有率。为了验证改进A*算法的有效性,在Matlab平台中进行编程,在不同尺寸的含障碍栅格地图中进行了仿真。仿真结果表明：改进A*算法在路径寻优过程中所遍历的节点数量较少,搜索过程中的计算效率更高,并且可获得到达目标点的最短路径。     

基于多参数优化的多机器人图案构成的分配算法

在不同应用场景下多机器人系统的图案构成受到越来越多的关注,然而现有方法不能有效地优化在障碍物环境中的图案在线自主构成.为解决这一问题,提出一种新的基于目标匹配和路径优化的实时在线的优化算法.首先,以机器人与虚拟期望图案的距离为目标函数,建立一个多参数的图案构成模型,进而在一定的约束条件下求解得到最优的期望图案参数;其次,建立迭代控制器,使机器人在向目标点移动的过程中,可以实时在线地进行机器人与目标点的分配;然后,采用最佳避碰速度算法使机器人无碰撞地到达期望图案的目标点,完成图案构成;最后,通过在MATLAB和V-REP中的仿真实验,验证所提出方法的正确性和有效性.     

基于改进人工蜂鸟算法的VRV空调需求响应功率削减策略

针对夏季用电高峰时期用户对空调设定温度随意调节造成能源浪费以及需求侧对电网控制指令响应不够精确的问题，提出了一种基于功率削减的空调温度分档需求响应调控策略；以某办公建筑VRV空调为研究对象，分别建立该办公建筑空调物理仿真模型以及功耗数学模型，并对模型的准确性进行验证；提出基于不同舒适度和激励电价的VRV空调温度控制档位，构建室内机温度分档调控多目标优化模型，优化目标为调控时期空调实际功率与调控目标值的平均偏差以及负荷聚合商对用户的激励补偿费用同时最小；选取人工蜂鸟算法作为优化算法，针对该算法存在搜索速度慢、寻优精度低、易早熟收敛等缺点，在种群初始化阶段采用Hammersley序列生成更加均匀的初始种群以提高算法的收敛速度与精度，在搜索阶段采用高斯变异算子对蜂鸟位置进行扰动以进一步提升算法的探索能力。运用改进人工蜂鸟算法对模型进行求解，并与人工蜂鸟算法、粒子群算法、灰狼优化算法和鲸鱼优化算法的求解结果进行对比，以证明所提策略的有效性；实验结果表明，应用改进人工蜂鸟算法求解后的结果在保证用户舒适度的条件下最多可将功率调控精度提高83.1%并且将激励费用减小8.36%。     

基于遗传算法的数值优化约束问题的研究

针对数值优化约束中出现的大规模、多峰多态函数,含离散变量等情况下的全局优化问题,采用常规的优化方法,收敛速度较慢,求得全局极值的概率较低.提出用遗传算法的数值优化约束问题解决,通过数值仿真实验结果表明,该算法性能优于现有其它算法,它不仅可以处理线性等式约束,而且还可以处理非线性等式约束,同时提高了收敛速度和解的精度,是高效稳健的智能算法,具有很高的全局寻优能力和很快的收敛速度,对求解复杂多峰多态函数的优化约束问题具有可行性和有效性.     

基于蚁群优化的多目标社区检测算法

蚁群优化算法作为单目标优化问题,由于只有一个目标函数,通常会将解限制到特定的范围内。当优化的目标不恰当时,算法可能失效,比如分辨率限制问题。我们将多目标优化的思想与传统的用于社区检测的蚁群优化算法相结合,增加了目标函数个数,即增加了解的评价指标数目。该算法引入多目标策略,提出多目标ACO算法,该算法在一次运行过程中会产生一组Pareto最优解。并在三个真实世界网络证明该算法的有效性和准确性。     

磁共振成像重建的新算法

提出了一种高效的磁共振成像重建算法,将磁共振成像重建看作标准的线性求逆问题,基于变量分离技术重新建立线性求逆问题的目标函数,用交替最小化方法处理新目标函数的优化问题.新目标函数的优化包含两个交替的过程:一个凸的光滑函数的优化和一个凸的非光滑函数的优化.为处理非光滑函数的优化问题,引入投影算法对其求解.实验结果表明了该磁共振成像重建算法的有效性,与同类算法性比,重建的磁共振图像的均方误差(MSE)最小,重建的速度最快.     

基于响应面的概率集群优化方法

面对实际应用中的大规模优化问题,基于响应面估计的概率集群优化方法以设计变量的概率分布作为优化对象,而非直接对设计变量值进行优化,可适应连续、离散及混合的设计变量类型。采用响应面构建概率集群评估函数的近似模型,并采用置信区间方法在迭代优化过程中不断更新响应曲面以确保近似精度。实验结果表明算法对解决复杂优化问题有效。     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。     

求解大规模旅行商问题的改进大洪水算法

大洪水算法是通过模拟洪水上涨过程来进行全局寻优的启发式算法,r-opt算法是一类常用的路径改进算法.本文针对旅行商问题,提出一种将二者有机融合的改进大洪水算法,可用于快速求解大规模和超大规模的TSP问题.算法在Delphi7环境下编程实现,经过大量TSPLIB中的数据实例进行测试和验证,求解结果与已公布的最好结果误差基本都在1％以下,为困难的大规模旅行商问题提供了新的求解手段.     

基于群智能求解带约束问题的时域鲁棒优化算法

针对现有的时域鲁棒优化算法无法解决带约束的优化问题,基于群智能优化方法,提出一种求解带约束优化问题的时域鲁棒优化算法.首先,用约束条件构造罚函数,将带约束优化问题处理成为无约束优化问题;然后,采用一个分段函数作为粒子的适应度评价函数,通过竞争规则筛选粒子,设计带约束问题的时域鲁棒优化算法.以优化碳纤维原丝的性能为背景,将算法在多组参数下进行测试和对比分析,结果表明了所提出算法的有效性.进一步分析AR模型对算法性能的影响,指出预测模型的改进是提升算法性能的一个重要手段.