基于改进多粒子群的牙齿正畸路径规划

牙齿矫治路径规划是虚拟牙齿正畸系统的重要组成部分。针对多目标高维度的路径规划问题, 提出一种改进多粒子群的路径规划方法。首先,采用多粒子群对牙齿路径规划问题进行建模和设计,解决牙齿 正畸维度过高的问题;其次,考虑不同类别牙齿的生理重建难度,基于 Beta 曲线和牙弓深度优化不同粒子群 的惯性参数 w,精细化传统正畸系统的矫治过程;最后,通过修改位置更新上下限缩小路径搜索范围,减少正 畸过程中的碰撞同时优化正畸效果。实验结果表明,该方法效率比单粒子群模型整体提升了约 38%,更符合临 床正畸过程,矫治后更接近理想的正畸效果。     

基于改进粒子群优化算法的AGV全局路径规划

分析了用人工神经网络模型描述环境时,采用Sigmoid函数作为神经网络作用函数的不足之处,提出采用双曲正切函数作为神经网络的作用函数,使网络更有利于路径优化算法的寻优计算。粒子群优化（Particle Swarm Optimization,PSO）算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生“早熟”收敛,使优化陷入局部极小值。通过引入模拟退火算法、“交叉算子”和“变异算子”,提出了一种新的改进粒子群优化算法（Improved Particle Swarm Optimization,IPSO）来解决AGV全局路径规划问题。仿真结果表明,IPSO具有很强的全局寻优能力,并且收敛速度比PSO快,能够为AGV规划出理想的路径。     

含交叉项的混合二范数粒子群优化算法

针对原始粒子群优化算法（PSO）在搜索过程中容易陷入局部最优点的问题,并尽量避免破坏种群多样性,提出一种含交叉项的混合二范数粒子群优化算法HTPSO。首先,利用二范数原理计算当前粒子与个体历史最优粒子间的欧氏距离;其次,将欧氏距离引入速度迭代公式以影响社交项对粒子速度的作用,并按照一定规律随机分布惯性权重;最后,在此基础上简化粒子群算法,并将差分进化（DE）算法中的交叉算子融入该算法中,使粒子能在一定概率下与个体历史最优粒子交叉。为了验证HTPSO的性能,与利用正弦函数改进惯性权重的粒子群优化算法（SinPSO）、自适应粒子群优化算法（SelPSO）、基于自适应惯性权重的均值粒子群优化算法（MAWPSO）和简化粒子群优化算法（SPSO）在不同维度下解决8个常用基准函数,并根据T-test、成功率和平均迭代次数分析了各算法的优化结果。实验结果表明,HTPSO具有较优秀的收敛能力,且粒子运动非常灵活。     

保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够更有效地进行全局搜索。     

基于改进粒子群优化算法的移动机器人路径规划

为了实现微型足球机器人的平滑最优路径规划,提出了一种结合Ferguson样条路径描述和改进粒子群优化算法的路径规划方法。利用Ferguson样条描述移动机器人路径,将路径规划问题转化为三次样条曲线的参数优化问题,借助改进的具有速度变异的粒子群算法进行路径优化。仿真实验表明,算法可以有效进行障碍环境下机器人的无碰撞路径规划,改进的粒子群算法进行路径优化迭代80次左右即可收敛,规划路径平滑、合理,有一定的实用价值。     

基于模式优选思想改进的粒子群优化算法

针对粒子群优化算法（PSO）容易陷入局部最优值的缺点,提出一种基于遗传算法模式定理思想改进的粒子群优化算法（IPSO）．新算法改善了粒子群优化算法摆脱局部极小点的能力．对典型函数的测试表明,IPSO算法的全局搜索能力有了显著提高,特别是对多峰函数能有效地避免早熟收敛问题．将改进的粒子群优化算法用于氧化反应动力学参数的优化,计算结果表明,新算法优化结果明显优于文献报道．     

一种改进的简化粒子群算法

由于简化粒子群算法中每个粒子都采用相同的迭代公式进行进化,使得在进化后期粒子间的差异性不强,算法容易出现早熟、搜索速度慢的问题.针对上述问题,在简化粒子群优化算法的基础上,加入了混合蛙跳算法的分组思想,提出了一种蛙跳简化粒子群算法.算法将粒子群分为多组同时进行搜索,每组粒子进行若干次迭代后再重新进行分组.粒子的迭代方式在简化粒子群上增加了对各小组最优粒子信息的利用,使各小组就利用不同的迭代公式进化,保证了粒子间的差异性.分别用基本粒子群算法、简化粒子群算法、混合蛙跳算法和蛙跳简化粒子群算法(改进的算法)对4个经典函数进行测试.结果表明,改进的算法能够有效地避免早熟收敛问题,并能较大幅度地提高收敛速度和收敛精度.     

简化粒子群优化方法的改进研究

为了有效提高粒子群优化算法的收敛速度和搜索精度,增强算法跳出局部最优,寻得全局最优的能力,提出了一种改进的简化粒子群优化算法。该算法考虑了粒子惯性、个体经验和全局经验对于位置更新影响力的不同,改进了位置更新公式,克服了粒子群优化算法收敛速度慢和易陷入局部最优的缺点。标准函数测试结果表明该改进算法的收敛速度和搜索精度有了很大的提高。     

基于适应度值优劣粒子群算法的无人机路径规划

粒子群优化算法(PSO)是一种典型的基于群体合作的搜索算法,针对传统粒子群优化算法在求解无人机路径规划问题时存在陷入局部最优和容易早熟收敛等问题,提出基于适应度值优劣粒子群算法的路径规划方法。改进的粒子群算法将避障和路径长度作为约束条件来建立目标函数,通过将整个种群中的粒子按照适应度值划分为两个部分,并且分别设计了划分后的两个部分的惯性权重,以此来提高算法的多样性和收敛性,从而进一步提高粒子群算法的寻优能力。通过仿真实验表明：与原粒子群算法相比,根据适应度值来调整算法惯性权重能够有效提高粒子群算法的多样性和收敛性。     

基于云模型的粒子群优化算法在路径规划中的应用

利用罚函数将机器人路径规划有约束优化问题转换为无约束优化问题。利用云模型既有随机性又有稳定倾向性的特性,引入基于云模型理论的自适应参数策略,构造出一种改进的粒子群（PSO）算法,并应用于机器人路径规划问题。在不同的子群采用不同的惯性权重生成方法,有效地平衡了算法的局部和全局搜索能力,提高了种群的多样性和算法的收敛速度。仿真结果对比验证了该算法的可行性和有效性,且实现简单、收敛速度快。     

基于莱维飞行的改进简化粒子群算法

基于基本粒子群算法易陷入局部最优的不足,提出一种基于莱维飞行的改进简化粒子群算法LISPSO（An Improved and Simplified Particle Swarm Optimization algorithm based on Levy flight）。简化粒子群算法舍去更新公式中的速度项,仅由位置项控制其进化方向。在简化粒子群算法SPSO（Simplified Particle Swarm Optimization）的基础上,采用带有随机性的非线性递减惯性权重动态地更新每个粒子的位置。算法又融合了基于相似度及聚集度分析的莱维飞行。粒子与最优粒子间的相似度越高,或者粒子间的聚集度越高,则粒子利用莱维飞行来重新更新位置的概率也就越大,有效地帮助粒子逃离局部最优。利用matlab语言对11个测试函数进行算法仿真,结果表明,改进的算法在求解精度和收敛速度上有显著的改善。另外,将LISPSO算法应用于求解min-max-min问题,实验结果显示,改进算法在求解效果上明显优于其他对比算法。     

一种非线性权重的自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法参数对其优化性能的影响,提出了基于非线性权重的自适应粒子群优化算法（NWAPSO）。在优化过程中,惯性权重随迭代次数非线性变化,改进的算法能使粒子自适应地改变搜索速度进行搜索,并与基本粒子群算法以及其他改进的粒子群算法进行了比较。实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势。特别对于高维、多峰等复杂非线性优化问题,算法的优越性更明显。     

一种混合粒子群算法的贝叶斯网络优化模型

传统的粒子群优化算法通过群体中粒子间的合作和竞争进行群体智能指导优化搜索,算法收敛速度快,但较易陷入局部较优值,进入早熟状态。为了解决这个问题,提出了一种混合粒子群算法的贝叶斯网络优化模型,它可以通过当前所选择的较优解群构造一个贝叶斯网络和联合概率分布模型,利用这个模型进行采样得到更优解,用其可随机替换掉PSO中的一些粒子或个体最优解;同时利用粒子群算法对当前选择出的较优解群进行深度搜索,并将得到的最优解融入到较优解群中。分析可知,该方法可以提高算法有效性和可靠性。     

基于改进粒子群算法的无人机路径规划

针对传统粒子群算法PSO求解无人机路径规划问题时存在极易陷入局部最优的问题,在PSO算法中引入细菌觅食算法BFO的趋化操作、迁徙操作,以提高其寻优能力。首先根据无人机飞行环境建立三维高程环境模型,并使用路径长度代价、障碍危险代价和航迹高程代价来构造适应度函数;然后在分析了粒子群算法和细菌觅食算法原理及特点的基础上,给出了算法的改进方法及其具体流程。最后,通过Matlab仿真验证表明：混合算法有效改善了粒子群算法的缺陷,在进行无人机路径规划时,相比于传统PSO算法,混合算法寻优精度和稳定性有明显改善。     

线性递减的粒子群优化算法

粒子群优化算法（ PSO）是一种仿生类的全局优化算法,它借助记忆与反馈机制完成了寻优搜索。该算法受到了鸟类觅食活动的启发而得,其基本思想源于对鸟类简化社会模型的研究及行为模拟,其中的每个个体充分利用自身与群体的智能,不断地调整学习,最终得到满意解。该算法常用于求解非线性问题、组合优化问题等。因其具有易理解,易实现,控制参数少,收敛速度快等优点,该算法一经提出就吸引了广泛的关注,逐渐成为一个新的研究热点。然而粒子群优化算法也有些不足,如搜索精度不高,易早熟以及易陷入局部极值等。而且算法在搜索后期也有产生振荡现象的可能,使得算法收敛起来会较慢。所以,文中就粒子群在迭代后期所出现的振荡现象进行了研究,并作出改进,提出了一种飞行时间单调递减的粒子群优化算法。新算法改善了算法的寻优能力,减小了粒子在寻优过程中的振荡现象。     

基于亲和力的动态自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DCWAPSO),在该算法中引入亲和力的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为亲和力的函数在。每次迭代时算法可根据当前粒子群亲和力的大小动态地改变惯性权重,从而使算法具有动态自适应性。对六个典型函数的测试结果表明,DCWAPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于适应值引导的粒子群改进算法

粒子群算法是一种智能算法,被广泛用于各领域。通过比较几类常见的粒子群算法的优劣,提出了基于适应值引导的粒子群算法,以增加粒子群的多样性,从而加快收敛速度。实验结果证明,与其他算法相比,基于适应值引导的粒子算法的收敛率与收敛速度表现最佳。     

融合粒子群与改进蚁群算法的AUV路径规划算法

针对传统蚁群算法在处理自主式水下机器人AUV（Autonomous Underwater Vehicle）三维路径规划问题时存在初期寻径能力弱、算法收敛速度慢等问题,提出一种融合粒子群与改进蚁群算法的AUV路径规划算法PSO-ACO（Particle Swarm Optimization-improved Ant Colony Optimization）。基于空间分层思想建立三维栅格模型实现水下环境建模;综合考虑路径长度、崎岖性、危险性等因素建立路径评价模型;先使用粒子群算法预搜索路径来优化蚁群算法的初始信息素;再对蚁群算法改进状态转移规则、信息素更新方式并加入奖惩机制实现全局路径规划。实验表明,算法能有效提高初期寻径能力和全局搜索能力,减少收敛迭代次数并缩短搜索使用时间。     

基于GM-QPSO算法的数据库查询优化

针对量子粒子群算法解决数据库查询优化问题存在缺陷,提出一种高斯变异量子粒子群算法的数据库查询优化方法（GM-QPSO）。首先将遗传算法的变异算子引进量子粒子群优化算法,使得粒子在近似最优解附近变动提高全局搜索能力,然后将其应用于数据库查询优化问题求解,最后通过仿真实验对GM-QPSO的性能进行测试。结果表明,GM-QPSO加快了数据库查询优化求解的收敛速度,获得了质量更高的查询优化方案。