一个新的动态约束因子PSO算法

根据带约束因子PSO算法,推导出认知因子c1、社会因子c2和惯性权重w之间应满足的关系.提出新的DCF-PSO算法,随着其中的惯性权重非线性递减,动态调整c1和c2值.通过Benchmark验证了改进后算法的高效性能.实验结果表明,算法表现优异.     

基于正态分布衰减惯性权重的粒子群优化算法

针对粒子群优化(particle swarm optimization,PSO)算法无法在提高收敛速度的同时避免早熟的缺陷,提出基于正态分布衰减惯性权重粒子群优化(normal distribution decay inertial weight particle swarm optimization,NDPSO)算法.以正态分布曲线作为惯性权重的衰减策略曲线,通过引入控制因子对粒子的位置进行改善,使得NDPSO算法能很好的在优化过程中平衡全局搜索和局部搜索能力.使用8个标准函数测试分别对粒子群优化(particle swarm optimization,PSO)、线性权重衰减粒子群优化(linear decay inertial weight particle swarm optimization,LDWPSO)、指数权重衰减粒子群优化(exponential decay weight particle swarm optimization,EXPPSO)、收缩因子粒子群优化(constriction factor particle swarm optimization,CFPSO)、高斯分布衰减惯性权重粒子群优化(Gaussian decay inertial weight particle swarm optimization,GDIWPSO)、基于动态加速度系数的粒子群优化(particle swarm optimization based on dynamic acceleration coefficients,PSO-DAC)、性权重自适应粒子群优化(inertia weight adaptive particle swarm optimization,简称PSO-LH)算法以及NDPSO算法进行仿真,分析他们的收敛速度和收敛精度.结果表明,NDPSO算法不管在单峰函数问题还是多峰函数问题上,总体性能都优于其他算法.     

一种动态改变权重因子和交叉率的混沌差异演化算法

针对非凸、多峰及非线性函数优化难的问题,在差异演化(DE)算法的基础上进行了改进,提出了一种动态改变权重因子和交叉率的混沌差异演化算法(CDDE).在该算法中引入进化速度因子和聚集度因子.权重因子被表示为聚集度因子的函数,交叉率被表示为进化速度因子的函数.在每次迭代时利用聚集度因子动态改变权重因子,利用进化速度因子动态改变交叉率,从而使算法具有动态自适应性.引入混度变异算子,利用混沌的随机性和遍历性使算法具有较强的跳出局部最优值的能力.通过对3个典型函数的测试表明,CDDE算法收敛速度明显好于DE,收敛精度得到了提高.     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以...     

一种动态调节惯性权重的粒子群算法

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种动态调节惯性权重的粒子群算法.该算法对惯性权重引入随机因子并基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,平衡了算法的全局搜索与局部搜索能力,提高了算法的收敛精度.为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及动态调节惯性权重的粒子群算法在不同维度下进行测试比较.结果表明:提出的动态调节惯性权重的粒子群算法在寻优精度和成功率方面都有所提升,算法性能更具优越性.     

种群分类粒子群改进算法研究

针对粒子群算法在陷入局部最优时难于跳出的缺陷,提出一种改进的粒子群算法.该算法首先利用粒子适应值的统计规律对粒子进行分类,对属于不同类别的粒子采用不同的进化模型,对于利用完全模型进化的粒子,采用动态调整学习因子的方法,从而大大提高了算法的优化效率和优化精度.通过反复实验分析,得出学习因子随着进化推进的最优变化规律,并给出了学习因子的最佳函数表达式.仿真结果表明,利用改进的PSO算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的PSO算法在性能上有本质的提高.     

基于改进粒子群算法的无人船全局路径规划研究

针对传统粒子群算法(Particle Swarm Optimization, PSO)在全局路径规划过程中存在搜索路径不合理、容易陷入局部最优解等问题,提出了一种PSO-ABC(Particle Swarm Optimization-Artificial Bee Colony Algorithm)融合搜索算法。首先,提出惯性权重自适应更新与动态学习因子策略,使得粒子能够随着迭代次数的变化而更新惯性权重与学习因子,提高算法的寻优能力和收敛速率;其次,提出粒子拥挤度因子的概念,增强算法跳出局部极小值的能力;最后,引入人工蜂群算法中的跟随蜂和侦察蜂思想,提高融合算法的全局搜索能力。设置4种不同的障碍物环境进行仿真实验,实验结果表明,改进的融合算法相较于3种对比算法路径规划速度快且路径短,提高了算法搜索路径的成功率,其综合性能显著优于传统的粒子群算法。     

一种无人机俯仰角控制PID参数的优化方法

为改善飞机俯仰角控制系统的动态性能及稳态精度,对小型无人机的俯仰角通道采用PID控制器进行控制.针对传统PID控制器容易整定不良的缺点,采用遗传算法(GA)和粒子群算法(PSO)相结合的方式对PID的参数进行整定,并对PSO的惯性权重采用先减后增的方式进行动态调整.利用Matlab/Simulink对改进遗传算法及传统遗传算法进行了仿真.仿真结果表明改进遗传算法能有效改善系统的动态性能及稳态精度.     

粒子群优化算法在桁架优化设计中的应用

粒子群优化(PSO)算法是近年来发展起来的一种基于群智能的随机优化算法,具有概念简单、易于实现、占用资源低等优点.为了解决有应力约束和位移约束的桁架的尺寸优化问题,将PSO算法应用于桁架结构的尺寸优化设计.首先介绍了原始的PSO算法的基本原理,然后引入压缩因子改进了PSO算法,并提出合理的参数设置值.对几个经典问题进行了求解,并与传统的优化算法和遗传算法进行了比较.数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的尺寸优化设计.     

超冗余移动机械臂的逆运动学快速求解

为了快速并精确地求解一类冗余移动机械臂(MM)运动学的优化逆解,提出了一种基于遗传信
赖域算法和解析解法相结合的运动学求逆方法. 首先使用解析解法求出机械臂逆解关于移动
车运动参数的表达式,据此表达式引入关节最佳柔顺性准则确定信赖域算法的目标函数;然
后用遗传信赖域算法快速求解此只包含移动车运动参数为自变量的目标函数的最优化问题,
据此求出运动学逆解. 仿真算例表明,该方法能快速求出精确和优化的运动学逆解.     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法.利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络.针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路.利用改进的蚁群算法学习神经网络,为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点.应用实例表明了该方法的有效性,提高了机器人逆运动学求解的速度和精度.     

二维非稳态对流扩散方程反问题的混沌粒子群算法

为了求解二维非稳态对流扩散方程的参錾反问题,利用有限元方法给出其正问题的求解,将结果作为附加条件,结合混沌局部搜索算法的优点,提出了一种改进的混沌粒子群优化算法．数值模拟结果表明此方法所得到参数反演的数值解与真解误差很小,目标值达到10^-4,精度较高．     

基于时间冲击最优的TBM换刀机器人轨迹规划

为了提高隧道掘进机(TBM)换刀机器人的工作效率,减小换刀过程中的运动冲击,提出基于改进型粒子群优化(PSO)算法的轨迹优化方法.采用位姿分离法与关节变量最小策略,对冗余关节机器人进行运动学分析.利用所求的逆解,将目标轨迹由笛卡尔空间映射到关节空间.针对每个关节使用5次NURBS曲线构造冲击连续的关节轨迹,以时间冲击最优构造目标函数,采用改进型PSO算法求解出最优时间序列,完成对轨迹的优化.通过对特定的换刀任务进行轨迹规划,得到各关节的优化轨迹.优化结果表明,提出的轨迹规划方法可以为换刀机器人各关节提供理想的轨迹,具有较强的轨迹跟踪能力.利用5次NURBS插值法与改进型PSO优化算法,可以保证轨迹的时间最短与冲击最小,提高了运行的效率与平稳性.     

Planar Serial Manipulator Motion Synthesis

This paper deals with the universal serial manipulator on the inverse kinematics problem of plane type,the fast working space solution method,and the obstacle avoidance path planning method. With the vector projection as the main constraint condition of the target,it proposes a general form of the inverse kinematics solution which does not depend on the robot configuration of freedom degree. By identifying the target vector direction maximum and minimum workspace boundary and determining the destination vector by thick search on the workspace boundary method,an expressing method of the polar coordinate form of work space is then introduced. Finally,according to the form of plane trajectory planning for obstacle avoidance problem,the method of solving the inverse kinematics solution of the concave and convex forms of the safe obstacle avoidance area is improved. The simulation results verify that the proposed method has feasibility and generality.     

基于旋量理论的串联机器人逆解子问题求解算法

为了提高串联机器人逆运动学的求解效率,明确逆解的几何意义,提出基于旋量理论的逆运动学子问题求解算法.该子问题描述为“绕3个不相交轴旋转（其中2个轴线平行,且与第3个轴异面）”.以6自由度串联机器人“钱江一号”为例,通过旋量理论及指数积(POEs)方程来建立运动学模型,给出该新型逆运动学子问题的求解方法.将整体逆运动学问题分解为该类子问题和其他已知的Paden-Kahan逆运动学子问题来联合求解.通过实例验算证明,该逆运动学子问题的求解方法高效可靠,具有明显的几何意义,能够满足机器人的强实时系统控制要求.     

空间分割微粒群算法

提出了一种适用于高维数值优化问题的空间分割微粒群算法。该算法通过将整个搜索空间分割成若干子空间,在这些子空间上利用嵌入零搜索算子的微粒群算法进行优化。实验结果表明该改进微粒群算法可以有效地解决高维数值优化问题。     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

基于粒子群优化算法的功率倒置阵列

针对功率倒置阵列采用最小均方(LMS)算法不能兼顾收敛速度和稳态误差的问题,以及采用递归最小二乘(RLS)算法运算量增大,实现复杂等缺点,提出采用时变适用度函数的粒子群优化(PSO)算法．通过引入可变的惯性因子、可变的最大速度、选择机制等操作,自适应调整阵列权系数来寻找最优权值．将此算法应用于功率倒置阵列中能有效地生成零陷抑制干扰．     

水文模型参数优选的改进粒子群优化算法

针对标准粒子群算法的早熟收敛问题,提出了一个提高算法性能的改进途径,即引入动态改变惯性权重策略和混沌思想,在两个方面同时改进以提高粒子群算法的收敛速度和克服局部极值的能力.对两个函数进行寻优测试表明,改进后的粒子群算法收敛速度、精度以及全局搜索能力均优于标准粒子群算法.最后将提出的改进粒子群算法应用于新安江模型进行参数优选,应用结果表明,该算法具有较强的可行性与实用性.