基于侦察蚁和觅食蚁协作的机器人路径规划算法

根据对真实蚂蚁的最新研究成果,提出了一种全新的机器入路径规划蚂蚁算法.该算法由两组侦察蚁采用最近邻侦察搜索策略相向搜索出一条较优路径,再由一组觅食蚁通过在该路径附近觅食实现对该路径的优化,从而得到一条优化的路径.计算机仿真实验结果表明,算法收敛速度提高显著,且在障碍物非常复杂的地理环境,也能迅速规划出最优或基本最优的路径,效果令人满意.     

基于移动机器人路径规划的鼠群算法

研究静态环境下机器人路径规划问题,并根据老鼠觅食行为提出一种鼠群算法.该算法引入环境因子和经验因子,每次搜索后对路径进行经验因子更新,通过迭代的方式寻找静态环境下机器人最佳路径.同时提出一种禁忌策略,有效地避免了路径死锁问题.理论分析和实验结果表明,该算法能使机器人在有较多障碍的环境下迅速找到一条优化路径,而且安全避碰,与同类算法相比具有一定的优越性.

     

克服恋食行为的PSO算法改进研究

基本粒子群优化算法(PSO)存在易陷入局部极值的缺点.为此,研究鸟群迁徙觅食中的行为习惯,以加强PSO的鸟群社会模型和对鸟群行为的模拟.在所提出的改进算法中,历史飞行速度在实际觅食中不作为判断因子,只有发生位置重复时粒子才发生变异或摄动,以此增强粒子群优化算法跳出局部最优解的能力.实验结果表明,新算法的全局搜索能力有了显著提高.

     

一种全局收敛的PSO算法及其收敛分析

在分析了速度因子对微粒群算法影响的基础上,针对以往算法的弱点,提出了一种基于Gaussian变异全局收敛的粒子群算法.该算法使用全局变异因子使粒子具有了良好的全局搜索能力,并证明了它能以概率1收敛到全局最优解.同时使用了局部变异因子,使算法在局部搜索过程中具有较高的搜索精度.典型函数优化的仿真结果表明,该算法具有寻优能力强,搜索精度高,稳定性好等优点,适合于工程应用中的函数优化问题.

     

基于搜索空间可调的自适应粒子群优化算法与仿真

针对收缩因子粒子群优化(CPSP)算法易陷入局部最优和发生过早收敛的问题.提出了基于搜索空间可调的自适应粒子群优化(APSO)算法. 该算法根据种群早熟收敛程度和个体适应值,在 算法停滞时,将全部粒子有效地划分在3 类不同的搜索空间,使种群始终保持搜索空间的多样性,易于跳出局部最优,从而有效地改善了算法后期的寻优能力.

     

动态环境下的双子群PSO算法

通过两组搜索方向相反,相互协同的主,辅子群,构造一种新的双子群粒子群优化算法.该算法扩展了种群的搜索范围,充分利用搜索域内的有用信息,在感知到环境变化时能迅速,准确地跟踪动态变化的极值.使用(Dynamic Function 1)生成的复杂动态环境对该算法进行了验证,并与Eberhart提出的动态环境下的粒子群优化算法进行了比较分析.仿真结果表明了该算法的有效性.

     

一种动态分级的混合粒子群优化算法

针对粒子群算法早熟收敛和搜索精度不高的问题,提出一种动态分级的混合粒子群优化算法．该算法采取３种级别的并行粒子群算法,分别用于全局搜索和局部搜索及二者的结合,并根据搜索阶段动态调整各种级别中并行变量的数目．在全局搜索中,将混沌机制引入算法中以增强算法的全局搜索能力;在局部搜索中,采用单纯形法对适应度最优解进行局部寻优．仿真实验表明,该算法比其他优化算法具有更好的性能．

     

动态复杂环境下的机器人路径规划蚂蚁预测算法

研究了一种新颖的动态复杂不确定环境下的机器人路径规划方法和动态避障码蚁预测算法.该方法模拟蚂蚁的觅食行为,由多组蚂蚁采用最近邻居搜索策略和趋近导向函数相互协作完成全局最优路径的搜索.在此基础上用虚拟蚂蚁完成与动态障碍物碰撞的预测,并用蚁群算法进行避障局部规划.理论和仿真实验结果均表明,即使在障碍物非常复杂的地理环境,用文中算法也能迅速规划出优化路径,且能安全避碰.     

梯度微粒群优化算法及其收敛性分析

针对标准微粒群优化算法微粒运动轨迹的收敛性进行了分析,给出并证明了微粒运动轨迹收敛的充分条件.提出一种简便的等高线图判别法,该方法能够通过参数的位置判断微粒轨迹是否收敛并衡量收敛速度.为提高算法的收敛速度,构造出一种梯度微粒群优化算法,给出并证明了该方法收敛的充分条件.仿真结果表明,梯度微粒群优化算法具有优良的搜索性能.

     

求解大规模系统可靠性问题的修正和声搜索算法

针对大规模系统可靠性问题, 提出一种修正和声搜索(MHS) 算法. 该算法修改了和声搜索(HS) 算法的搜索机制, 以当前最优解为研究对象, 随机选取不同维数进行即兴创作, 并修正步长(BW) 的调整方式, 均衡算法的全局搜索和局部搜索. 对经典的大规模系统可靠性问题进行求解, 数值结果表明, 所提出算法优于其他文献中的6 种和声搜索算法. 与最近提出的求解此类问题的各种算法进行实验对比, 实验结果表明所提出算法在整体上具有良好的优化性能.

     

一种基于GPU加速的细粒度并行蚁群算法

为改善蚁群算法对大规模旅行商问题的求解性能,提出一种基于图形处理器(GPU)加速的细粒度并行蚁群算法.将并行蚁群算法求解过程转化为统一计算设备架构的线程块并行执行过程,使得蚁群算法在GPU 中加速执行.实验结果表明,该算法能提高全局搜索能力,增大细粒度并行蚁群算法的蚂蚁规模,从而提高了算法的运算速度.

     

基于变异精密搜索的蜂群聚类算法

针对K-means 聚类算法过度依赖初始聚类中心、局部收敛、稳定性差等问题, 提出一种基于变异精密搜索的蜂群聚类算法. 该算法利用密度和距离初始化蜂群, 并根据引领蜂的适应度和密度求解跟随蜂的选择概率P;  然后通过变异精密搜索法产生的新解来更新侦查蜂, 以避免陷入局部最优; 最后结合蜂群与粗糙集来优化K-means. 实验结果表明, 该算法不仅能有效抑制局部收敛、减少对初始聚类中心的依赖, 而且准确率和稳定性均有较大的提高.

     

一种改进的全局粒子群优化算法

为了改善粒子群优化算法的优化性能, 提出一种改进的全局粒子群优化(IGPSO) 算法. 该算法基于开采能力和搜索能力相均衡的思想提出全局邻域搜索策略和扰动策略, 使算法减少陷入局部极值的可能性, 同时以一定概率对全局最优粒子进行摄动操作, 加快算法收敛. 与其他智能算法相比较, 测试结果从寻优精度、收敛速度和非参数统计显著性方面验证了IGPSO 算法的有效性.

     

一种精英退火微粒群算法

提出一种针对部分较优微粒进行退火操作的精英退火微粒群算法.在退火操作中,结合Logistic方程的特点设计了一种新的错位调整方式,对当前已知最优区域重点搜索.该算法能增强算法的探索和开发能力,避免计算量过度增加.典型测试函数结果显示,该方法可同时提高算法的搜索速度和搜索精度.将基于该方法的PID控制器应用于发电机电压调节系统(AVR)计算结果表明,该PID控制器可以获得更为满意的控制性能指标.

     

铝液配载问题建模及混合遗传算法优化

针对电解铝生产过程中电解槽调配及出铝调度问题, 在建立数学模型分析基础上, 设计一种混合策略优化算法. 通过引入人工经验排出特例, 利用遗传算法完成优化. 以出铝路径为优化适应度函数, 利用交叉算子调配电解槽铝液组合, 利用变异算子改变槽装车路线. 最后通过某铝厂电解槽3 组数据优化实例表明了所提出方法的有效性.

     

多目标混沌差分进化算法

将差分进化算法用于多目标优化问题,提出了多目标混沌差分进化算法(CDEMO).该算法利用混沌序列初始化种群,并用混沌备用种群进行替换操作.该操作不仅起到了维持非劣最优解集均匀性的作用,而且增强了算法的搜索功能.对CDEMO的性能进行研究,数值实验结果表明了CDEMO的有效性.

     

卫星搜索移动目标问题中的目标运动预测方法研究

目标运动参数未知给移动目标搜索计划编制引入了不确定性,降低了卫星的侦察效能.为了降低不确定性和优化卫星的搜索方案,在采用贝叶斯规则对目标概率分布更新的基础上,提出一种基于高斯分布的目标转移概率密度函数,并给出相应的转移计算方法.采用最大发现概率和与最大覆盖作为搜索策略,建立移动目标搜索仿真场景.结果显示,该方法能够减少卫星搜索计划制定过程中的不确定性,降低了搜索的盲目性,提高了卫星的效能.

     

基于离散时间最优控制的航空发动机装配序列规划

为实现航空发动机维修差错的控制,采用基于优先约束关系的装配子网对发动机部件装配序列建模. 在给定的装配评价准则下,将装配序列规划问题转化为最优变迁激发序列问题. 引入离散时间的 Pontryagin最小值原理(DTPMP),将极小化哈密顿函数这一全局优化的必要条件作为求解零部件装配序列的启发信息 .为避免潜在死锁,给出了最优变迁激发序列算法. 最后对最优装配序列规划算法的分析显示,该算法有多项式时间的复杂度.

     

基于GA的网络最短路径多目标优化算法研究

针对现有基于遗传算法(GA)优化的网络最短路径算法存在优化目标单一,遗传编码质量低,搜索策略间平衡性差$适应度分配效率与灵活性较低等问题,建立一种多目标优化最短路径自适应GA模型.提出了优先级编码和优先级索引交叉算子,引入了遗传算子参数的模糊控制机制和基于自适应加权的适应度分配方法.实验结果表明,该算法的准确性和稳定性高,复杂度合理,实现了对网络设计优化中多目标最短路径问题的高质量求解.

     

基于梯度算法的支持向量机参数优化方法

首先介绍最近出现的参数优化方法,概括了高效率的参数优化算法应具备的若干特点 .然后提出了一种新的支持向量机参数优化方法.该方法先在局域内用混沌优化搜索局域最优点,再将此最优点作为梯度方向,通过改变局域范围跳出局部寻优区域. 该方法降低了对性能函数连续且可微的要求,收敛速度快,最终优化解与支持向量机的参数初始值无关.最后,通过仿真实验表明了该方法具有更高的分类和回归准确率.