基于人工蜂群算法的无人机航迹规划研究

为求解航迹规划问题,引入人工蜂群(ABC)算法,并将航迹空间以网格划分,通过固定起始节点和设定最大允许航迹节点数等方法,解决了ABC算法应用于航迹规划的2个难题:航迹节点不固定和邻域构造困难,实现了将ABC算法应用于航迹规划问题.通过典型的实例仿真对算法性能进行测试,并与其他智能优化算法进行比较,结果表明:该算法不仅增加了解的多样性,有效克服了停滞行为的过早出现,而且能够加快收敛速度,得到全局最优解或近似解,是解决航迹规划和其他组合优化问题的一种有效算法.     

基于改进ACO算法的无人作战飞机航路规划设计

为了使无人作战飞机能在敌方防区内以最小的发现概率和航路代价到达目标点,提出一种基于改进蚁群算法对UCAV进行航路规划的方法;首先,根据燃油代价和威胁代价设计了目标函数,并根据敌方防区威胁源生成VORONOI图,然后通过对信息素初始化方式、蚂蚁转移规则以及信息素更新规则进行改进以优化传统的ACO算法,最后定义了使用改进ACO算法对UCAV进行航路规划的具体算法;仿真实验证明文中方法能实现UCAV航路规划,且与经典ACO算法相比,文中方法具有较快的收敛速度和较强的全局寻优能力。     

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.     

基于改进蚁群算法的多无人机航路规划研究

无人机的航路规划研究是无人机任务控制系统的关键技术,在用Voronoi图法对威胁环境建模的摹础上,提出了基于Voronoi图的多行为蚁群算法,增强了蚂蚁之间的协同性,有效解决了可行解的收敛性与多样性之间的矛盾,并对求解过程加入了方向性引导,提高了算法的求解效率.在多机协同方面,利用上述算法分同起止点与不同起止点两种情况对多机协同航路规划进行了仿真,针对得到的多条初始航路,利用协同时间指标对多初始航路进行选择.最后用三次样条方法对协同最优航路进行了平滑处理.     

基于K路径算法的多无人机协同航迹规划

对于满足无人机团队中各机同时到达目标这样一个特定的协同要求,首先采用K路径算法实现了无人机的多航迹规划,然后采用速度控制和K路径算法相结合的办法实现了各无人机之间的时间协同.对整个协同航迹规划问题,采用一种分散式求解方法,把高维优化问题分解成低维、计算量小、通讯数据少的问题.     

基于人工蜂群算法的飞机进场飞行航迹优化

基于飞机进场航迹模型、汇聚点所需到达时间(RTA)约束模型,以飞机油耗和全球增温潜势为优化目标,构建多目标优化模型。引入交叉操作和衰减因子对人工蜂群(ABC)算法进行改进,实现模型的智能求解。以A330飞机为例进行计算分析,结果表明,改进的ABC算法能满足RTA约束下的进场航迹优化需求,邻域搜索次数限制、优化子目标的权重、RTA窗口大小对优化结果有重要影响。     

基于云模型蜂群算法的无人机航迹规划

针对无人机(UAV)在复杂战场环境下的生存问题,提出了一种基于云模型的人工蜂群算法的航迹规划。在算法中引入一维正态云模型,利用云模型随机性和稳定性的特点来提高传统人工蜂群算法(ABC)的鲁棒性并避免陷入局部最优,同时引入一个新的概率选择策略来保证种群的多样性。采用改进算法来处理UAV的航迹规划问题时,首先将航迹规划问题通过建模转换成一个多维函数优化问题,然后结合云模型和ABC算法的优势,最后用UAV航迹规划任务对新算法进行测试。仿真实验验证了改进算法在解决UAV航迹规划上的可行性和优越性。     

无人飞行器航迹规划研究

航迹规划的目的是要利用地形和敌情等信息,规划出生存概率最大的无人飞行器突防轨迹。通过对航迹规划任务的仿真需求分析,对无人飞行器的航迹规划进行了研究。首先根据遍布威胁的战场环境,构造了基于威胁源的Voronoi图,得到规避威胁的航迹路线;然后采用Dijkstra算法,搜索出最优航迹路线;最后利用Visual Studio .Net 2010开发平台,在MS SQL Server 2008数据库支持下,运用Visual C# 2008编制图形化界面,设计开发了无人飞行器航迹规划仿真系统,并给出了开发结果,实现了仿真结果的图形显示,为进一步的研究航迹规划奠定了基础。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

多搜索策略协同进化的人工蜂群算法

针对人工蜂群算法存在的计算精度不高、收敛速度较慢的缺点,提出一种多搜索策略协同进化的人工蜂群算法.所提出的算法在引领蜂和跟随蜂进行邻域搜索时,动态调整搜索的维数以提高搜索效率,并结合人工蜂群算法不同搜索策略的特点,使其协同进化,以平衡算法的局部搜索能力和全局搜索能力.14个基准函数的仿真实验结果表明,所提出的算法能有效改善寻优性能,增强摆脱局部最优的能力.与其他一些改进的人工蜂群算法相比,具有较快的收敛速度和较高的求解精度.     

基于离子运动-人工蜂群算法的移动机器人路径规划

针对移动机器人在仓储环境下的路径规划问题,提出了一种基于离子运动的人工蜂群(IM-ABC)算法用于路径规划.该方法为提高传统的人工蜂群(ABC)算法在路径规划中的收敛速度和搜索能力,采用一种模拟离子运动规律来更新蜂群的策略.首先,在算法前期利用离子运动算法中的阴阳离子交叉搜索来更新引领蜂和跟随蜂,从而引导种群进化方向,...     

基于改进人工势场法的无人机路径规划算法

针对传统的人工势场(APF)法无法适应复杂环境而陷入局部停滞状态、路径不够平滑等不足,提出了改进的人工势场法。首先,该算法对威胁的连通性进行分析,借鉴几何拓扑学思想得到可行解域。其次,该算法在可行解域内进行航迹点预规划。预规划基于威胁分布的全局性信息,弥补人工势场法易陷入局部最小而无法找到可行路径的不足。最后,该算法改进人工势场法引力函数,通过多次迭代,并进行曲率检查以获得足够平滑的可飞路径。仿真结果表明改进算法能够满足无人机路径规划的要求,且简便可行,具有较强寻优能力及适应性。     

人工蜂群算法改进DHMM的语音识别方法

针对离散隐马尔可夫(Discrete Hidden Markov Model,DHMM)语音识别系统中LBG算法对初始码书的依赖性和易陷入局部最优解的问题,采用人工蜂群(Artificial Bee Colony,ABC)算法对语音特征参数进行矢量量化,从而得到最优码书,提出了ABC改进DHMM的孤立词语音识别方法。先提取语音信号的特征参数,然后用ABC算法中每个食物源表示一个码书,以人工蜂群进化的方式对初始码书进行迭代而获得最优码书,最后把最优码书的码矢标号代入DHMM模型进行训练和识别。实验结果表明,ABC改进的DHMM语音识别方法与传统的LBG及粒子群优化初始码书的LBG的DHMM语音识别方法相比具有较高的识别率和较好的鲁棒性。     

基于改进二进制人工蜂群算法的多用户检测器

最优多用户检测(OMD)技术可以达到理论上的最小错误概率,但已经证明它是一个非确定多项式(NP)问题。作为一种新型的群智能算法,人工蜂群(ABC)算法已被广泛用于各种优化问题,但传统二进制人工蜂群算法具有收敛速度过慢、易陷入局部最优等缺点。针对这一缺点,提出了一种改进二进制人工蜂群算法并将其用于求解最优多用户检测问题。算法简化了初始化的过程,采用单维求反的邻域搜索策略,计算量与最优多用户检测相比明显降低。仿真结果表明,提出的多用户检测方案在抗多址干扰和抗“远近”效应能力方面与传统检测方案相比,都有显著提高。     

基于中心解的改进人工蜂群算法

为了解决人工蜂群(ABC)算法在用于函数优化时所具有的局部探索能力不强、收敛精度不高的问题,提出一种基于中心解的人工蜂群算法。该算法结合中心解和当前最优候选解的优点,并将中心解引入到跟随蜂的局部变异策略中。跟随蜂采用轮盘赌的形式,选择某些适应度值较好的蜜源,在雇佣蜂中心解的基础上深度局部寻优,并在每次迭代中逐维更新蜜源每一维度的值。为了验证该算法的有效性,选择六个基准测试函数对三种算法进行仿真对比实验。与标准ABC算法和Best-so-far ABC算法相比,改进的ABC算法的求解精度有较大幅度提高,特别是对于Rastrigin函数,两种不同维数下均达到了理论最优值。实验结果表明:所提算法在收敛速度和寻优精度上都有明显改善。     

基于改进教学算法的无人机航路规划

针对传统教-学优化（TLBO）算法进行航路规划时收敛速度慢、容易陷入局部最优的问题,提出一种自适应交叉教-学优化（AC-TLBO）算法。首先,该算法令传统教-学优化（TLBO）算法的教学因子随着迭代次数而发生变化,提高算法的学习速度;其次,当算法可能要陷入局部最优时,加入一定的扰动,使算法尽可能地跳出局部最优;最后,为了进一步提升算法的收敛效果,在算法中引入遗传算法的交叉环节。利用传统教-学优化（TLBO）算法、自适应交叉教-学优化（AC-TLBO）算法和量子粒子群优化（QPSO）算法进行无人机航路规划,仿真结果表明,在10次规划中,自适应交叉教-学优化（AC-TLBO）算法有8次找到了全局最优路径,而传统教-学优化（TLBO）算法和量子粒子群优化（QPSO）算法分别只找到了2次和1次;而且自适应交叉教-学优化（AC-TLBO）算法的收敛速度高于另外两种算法。     

基于改进人工蜂群的核模糊聚类算法

针对核模糊C均值（KFCM）算法对初始聚类中心敏感、易陷入局部最优的问题,利用人工蜂群（ABC）算法的构架简单、全局收敛速度快的优势,提出了一种改进的人工蜂群算法（IABC）与KFCM迭代相结合的聚类算法。首先,以IABC求得最优解作为KFCM算法的初始聚类中心,IABC在迭代过程中将与当前维度最优解的差值的变化率作为权值,对雇佣蜂的搜索行为进行改进,平衡人工蜂群算法的全局搜索与局部开采能力;其次,以类内距离和类间距离为基础,构造出适应KFCM算法的适应度函数,利用KFCM算法优化聚类中心;最后,IABC和KFCM算法交替执行,实现最佳聚类效果。采用3组Benchmark测试函数6组UCI标准数据集进行仿真实验,实验结果表明,与基于改进人工蜂群的广义模糊聚类（IABC-KGFCM）相比,IABC-KFCM对数据集的聚类有效性指标提高1到4个百分点,具有鲁棒性强和聚类精度高的优势。     

基于Spark的人工蜂群改进算法

针对人工蜂群（ABC）算法求解组合优化问题时效率低的问题,提出了基于Spark云计算框架的并行ABC改进算法。首先,将蜂群划分为子蜂群并将蜂群构造为弹性分布式数据集,子蜂群使用广播机制交换优秀个体;然后,采用一系列转换算子,实现蜜蜂寻找解过程的并行化;最后,用万有引力质量计算代替轮盘赌概率计算,减少计算量。通过旅行商问题（TSP）求解说明了算法的可行性。实验结果表明：对比标准ABC算法,所提算法加速比最大达到3.24;对比未改进的并行ABC算法,该算法收敛速度提高约10%。所提算法在复杂问题求解方面优势更加明显。     

基于人工蜂群算法的轨道交通列车行车间隔优化

轨道交通运营组织作为轨道交通运营企业管理的核心,在降低企业运营成本、提升服务水平和旅客出行效率方面起着非常重要的作用。提出一种基于人工蜂群（ABC）优化算法的列车行车间隔优化策略,在考虑运营企业和旅客各自利益的基础上,以列车发车间隔为决策变量,建立旅客平均候车时间最小和列车等候时间最大的双目标非线性规划模型。采用ABC算法对模型进行优化求解,结合京津城际铁路某日不同时段客流基础数据进行仿真,实例验证了所提算法和模型的有效性。     

基于K-means的改进人工蜂群聚类算法

针对K-means聚类算法对初始聚类中心敏感和易陷入局部最优解的缺点,提出一种基于K-means的人工蜂群(ABC)聚类算法。将改进的人工蜂群算法和K-means迭代相结合,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过基于反向学习的初始化策略,增强了初始群体的多样性。利用非线性选择策略,改善了过早收敛问题,提高了搜索效率。通过对邻域搜索范围的动态调整,提高了算法收敛速度,增强了局部寻优能力。实验结果表明,该算法不仅克服了K-means算法稳定性差的缺点,而且具有良好的性能和聚类效果。