面向深空探测任务的实数遗传编码多星任务规划算法

针对面向深空探测任务的多星任务规划问题,综合考虑卫星对目标时间窗口、卫星姿态机动以及工作能耗等约束条件,建立了面向深空探测任务的多星任务规划问题模型,针对常规01编码在进行大规模卫星任务规划时,存在的编码长度过长等问题,提出了一种基于实数编码方式的遗传算法,以求解面向深空探测的多星任务规划问题.该算法采用了一种以目标为染色体的实数编码方式,相比传统的以时间窗口为染色体的01编码方式,缩短了染色体长度,可有效提高算法的求解效率.通过仿真算例分析,验证了基于实数编码的遗传算法对求解多星任务规划问题的正确性、合理性和有效性,并将其与基于传统01编码方式的遗传算法进行对比分析,其结果表明基于实数编码方式的遗传算法在寻优能力和计算速度上具有明显优势,这为求解面向深空探测任务的多星任务规划问题提供了一种新的思路和方法.     

基于改进遗传算法的天文卫星任务规划研究

空间天文卫星任务规划是一个复杂的多目标优化问题,是为了确定空间天文卫星需要执行的观测活动,有效研究确定在轨方案.通过抽象空间天文卫星任务规划问题相关要素,建立了空间天文卫星的任务规划数学模型,并在原有多目标遗传算法的基础上,设计了基于观测窗口序列的多目标遗传算法,改进了遗传算法的编码能力,能够得到每个观测任务的观测窗口序列,提高了规划结果的灵活性和适用性.从规划仿真结果看,使用改进后的多目标遗传算法能够满足空间天文卫星任务规划的具体需求,是有效的方法.     

博弈协商策略下的多星分布式协同任务规划EI北大核心CSCD

随着星载智能水平、航天运载能力、星间通信能力的全面提升,智能化、组网化、自治化的卫星系统成为当前发展趋势,传统的集中管控方式已难以适应未来分布式卫星系统的综合管理需求.针对分布式遥感卫星系统任务规划问题,本文提出了一种博弈协商机制的多星自主分布式任务规划模型.在该模型中,每颗卫星作为“理性”个体参与任务规划,在每轮博弈中基于局部目标信息和全局交互信息,利用自适应粒子群优化算法不断更新自身的“行动”,直至达到系统平衡.仿真结果显示,分布式任务规划方法能够灵活地应对不同规模的问题场景,算法性能不会随着问题规模的增大而出现显著的下降,有效地克服了传统方法在大规模任务规划场景中优化时间激增、收敛速度慢等缺点,能高效地获取全局性能较优的规划解.     

基于改进遗传算法的反舰导弹协同任务规划

在进行协同任务规划时应同时考虑协同航路规划和任务分配这两个问题,合理选择进攻目标、确定攻击航路以及分配恰当的突击力量于突击目标。针对这一问题提出了目标分配及协同航路选择的优化模型,并且给出了编码结构;针对遗传算法存在的不足,提出了一些改进;然后采用改进的遗传算法对协同任务规划模型进行了仿真验证。仿真结果表明该方法可以有效地规划出协同航路。     

多下层分式双层规划问题的改进遗传算法

针对一类具有多个线性下层问题的分式双层规划, 提出一种基于新编码方式的遗传算法。 首先,利用对偶理论,将问题化为单层非线性规划;接着,利用下层对偶问题的可行基编码,针对任意编码个体,解出对偶变量值,使得单层规划变为线性分式规划;最后,求解产生的线性分式规划,其目标值作为个体的适应度值。 这种编码方式及适应度的计算有效提高了遗传算法的效率。 通过对4个算例的计算,验证了算法的有效性。     

基于GA的电子侦察卫星任务规划问题研究

电子侦察卫星是现代战争中获取电子情报的重要手段,在快速作战决策方面具有独特的作用.电子侦察卫星任务规划问题是一类重要的任务规划问题,涉及各种复杂的约束条件.首先通过对电子侦察卫星工作原理的分析提出了基本假设和预处理的基本方法,并建立了CSP模型,然后采用遗传算法(GA)对模型进行求解.算法针对电子侦察卫星任务规划的特点设计了符号型编码以及相应的OBC交叉算子及多点交换变异算子.最后采用所设计的遗传算法和简单贪婪算法分别对不同规模的问题进行了求解,实验结果表明算法有效地解决了针对固定目标的电子卫星侦察任务规划问题.     

改进遗传算法的路径规划研究

本文在遗传算法的基础上,对TSP问题进行了讨论,并对传统求解方法进行了改进,加入了贪婪算法,仿真结果说明了算法的有效性。并就同样是基于遗传算法的避障路径问题进行了探索。TSP系统广泛用于公交车交通线路安排、旅游景点行程安排等,具有较高的实用价值。     

提高卫星服务寿命的任务规划方法研究

基于组网卫星协同工作规划可提高复杂任务处理的基础上,本文探索降低规划风险,提高卫星服务寿命的卫星任务规划方法.从提高卫星服务寿命角度,建立用于描述资源使用期望的目标规划模型;建立卫星任务规划模型,在任务方案与资源使用中考虑了规划风险要素,并将资源使用目标模型引入到任务规划模型中,以期在规划中同时优化卫星服务寿命要素;基于邻域贪心扩展改善遗传禁忌求解算法,并运用分布并行技术提高工程实用性;利用STK提供基础仿真数据,对模型与算法进行了验证.     

多处理器系统任务规划问题的改进遗传算法

在多处理器系统中,寻求一个有效的并行任务设计安排使得整个执行时间达到最小是至关重要的环节.本文在详细阐述分割式遗传算法(PGA)用来解决任务规划问题的基础上,对其进一步改进.实验表明,改进的PGA算法,提高了算法收敛速度和效率,能够得到期望的规划结果.     

针对选址问题的一种遗传算法改进探究

选址问题是现代地理信息资源配置的重要研究领域之一,通用性强、鲁棒性高的遗传算法可以较好地解决这类问题。常用方法是使用二进制编码的遗传算法对栅格数据地图进行选址。为克服二进制编码的标准遗传算法在解决选址问题过程中易陷入早熟的缺点,在研究了使用不同算子、引入观测概念这两大类解决标准遗传算法陷入早熟问题的方法后,针对选址问题的特点,选择了引入多样性测度与应用小生境技术对遗传算法进行改进,并深入探究了引入多样性测度与应用小生境技术后,遗传算法解决选址问题的过程中准确性、在线性能函数、离线性能函数的改善;接着提出了进一步改进小生境技术的方法,使得遗传群体中的每一个个体都参与遗传操作,并且避免了两个相同的个体参与交叉操作的情况。最后通过地图选址实验,将改进的小生境遗传算法与多样性测度结合,成功提高了遗传算法的性能。     

基于传统遗传算法的改进排爆机器人路径规划研究

针对传统遗传算法进化速度慢、容易陷入局部最优点等缺陷,提出了改进 后新的路径规划算法。在判断路径中,基于闵科夫斯基原理对障碍物进行扩展;在构造路径 中基于可视图原理进行改进,构造机器人的真正可行区域;在最短路径中对遗传算法中种群 的初始化,个体的编码方法等问题做了详细的研究,并在选择算子中引入相似度的概念,大 大扩大了初始种群的范围,避免进入局部最优点。最后通过仿真实验验证了此算法的可行性。     

基于改进遗传算法的AGV路径规划

为解决基本遗传算法在规划AGV运行路径时存在早熟收敛的问题,对基本遗传算法进行改进优化。用模拟退火法进行种群选择,提高种群的差异性;改进交叉、变异算子自整定策略和精英策略,提高算法的收敛速度;在适应度函数中加入路径曲折度、路径繁忙度和车辆负重度等多个规划指标,使规划出的路径更符合实际。将优化后的算法与基本遗传算法进行比较,仿真结果表明,改进后算法在AGV路径规划中具有高效性。     

理性遗传算法及其在运动规划中的应用

为提高理性遗传算法遗传信忠的完备性、算法全局收敛性以及算法的整体结构，给出了一个更一般化的理性算子和算法结构，证明了算法的全局收敛性．理论分析和在运动规划问题中的应用结果验证了理性遗传算法的有效性．     

A genetic algorithm approach for the cutting stock problem

In this paper, a genetic algorithm approach is developed for solving the rectangular cutting stock problem. The performance measure is the minimization of the waste. Simulation results obtained from the genetic algorithm-based approach are compared with one heuristic based on partial enumeration of all feasible patterns, and another heuristic based on a genetic neuro-nesting approach. Some test problems taken from the literature were used for the experimentation. Finally, the genetic algorithm approach was applied to test problems generated randomly. The simulation results of the proposed approach in terms of solution quality are encouraging when compared to the partial enumeration-based heuristic and the genetic neuro-nesting approach.     

An active learning genetic algorithm for integrated process planning and scheduling

In traditional approaches, process planning and scheduling are carried out sequentially, where scheduling is done separately after the process plan has been generated. However, the functions of these two systems are usually complementary. The traditional approach has become an obstacle to improve the productivity and responsiveness of the manufacturing system. If the two systems can be integrated more tightly, greater performance and higher productivity of a manufacturing system can be achieved. Therefore, the research on the integrated process planning and scheduling (IPPS) problem is necessary. In this paper, a new active learning genetic algorithm based method has been developed to facilitate the integration and optimization of these two systems. Experimental studies have been used to test the approach, and the comparisons have been made between this approach and some previous approaches to indicate the adaptability and superiority of the proposed approach. The experimental results show that the proposed approach is a promising and very effective method on the research of the IPPS problem.     

最大团问题的改进遗传算法求解

最大团问题是组合优化中经典的NP完全问题,该问题的枚举算法只适用于求解中小规模的图。提出了基于遗传算法的最大团问题求解算法,引入概率模型指导变异产生新的个体,并结合启发式局部算法搜索最大团。经算例测试,获得了较好的效果。     

An enhanced genetic algorithm for automated assembly planning

Automated assembly planning reduces manufacturing manpower requirements and helps simplify product assembly planning, by clearly defining input data, and input data format, needed to complete an assembly plan. In addition, automation provides the computational power needed to find optimal or near-optimal assembly plans, even for complex mechanical products. As a result, modern manufacturing systems use, to an ever greater extent, automated assembly planning rather than technician-scheduled assembly planning. Thus, many current research reports describe efforts to develop more efficient automated assembly planning algorithms. Genetic algorithms show particular promise for automated assembly planning. As a result, several recent research reports present assembly planners based upon traditional genetic algorithms. Although prior genetic assembly planners find improved assembly plans with some success, they also tend to converge prematurely at local-optimal solutions. Thus, we present an assembly planner, based upon an enhanced genetic algorithm, that demonstrates improved searching characteristics over an assembly planner based upon a traditional genetic algorithm. In particular, our planner finds optimal or near-optimal solutions more reliably and more quickly than an assembly planner that uses a traditional genetic algorithm.     

基于改进遗传算法的狭窄空间路径规划

针对室内或地下等狭窄而复杂环境下的移动机器人全局路径规划,提出了一种基于Dijkstra算法的改进遗传算法路径规划策略,以解决传统遗传算法在狭窄环境下难以有效初始化的问题。首先借助Dijkstra算法得出基准路径,然后以此基准路径为基础,通过改进的编码方式与搜索空间进行初始种群的编码,最后通过遗传算法获得最优路径。提出了全局通行度和路径安全度的概念,用来评估当机器人不可视为质点时的环境状态与路径优劣。仿真实验结果表明,与传统遗传算法和人工势场法相比,本方法在保证路径距离较短的情况下,能使路径安全度提高50%以上,或者将时间复杂度降低一半以上,表明了所提方法的实用性和有效性。