基于改进粒子群算法的移动机器人路径规划方法研究

针对移动机器人传统路径规划算法效率不高、寻优能力差等问题,本文提出一种基于改进粒子群优化算法(PSO)的移动机器人路径规划方法。该方法采用神经网络训练碰撞罚函数,得到无碰撞路径,然后采用粒子群优化算法解决路径的最优问题。利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性。仿真结果表明,这种新路径规划方法是可行且有效的。     

粒子群算法求解任务可拆分项目调度问题

首先针对任务可拆分的项目调度问题,提出一种带有局部搜索的粒子群算法LSPSO;然后采用基于任务排列的粒子表示方法,将遗传算法中的定位交叉引入粒子的更新过程中,并采用局部搜索技术对更新后的粒子进行改进;最后对Patterson测试集中110个问题实例进行了测试,实验结果表明,算法LSPSO具有较快的速度,所给出的调度方案较优.     

汽包水位粒子群-PID优化控制

对循环流化床锅炉汽包水位控制系统,采用串级三冲量PID控制,应用粒子群优化算法对PID控制器进行参数整定,并获得了最优参数。仿真结果表明,与传统整定方法相比,这种参数整定方案使汽包水位控制系统具有更好的控制品质,提高了系统的静动态特性。     

二进制粒子群算法在路径规划中的应用

全局路径规划是智能机器人的一个重要研究领域,将二进制粒子群算法应用于路径规划是一种新的尝试.提出一种机器人路径全局路径规划方法,介绍了利用改进的二进制粒子群算法进行路径规划的详细实现过程.机器人工作空间中的障碍物表示为多边形,对多边形顶点进行编号.利用二进制粒子群算法进行路径规划,粒子的长度定义为工作环境中障碍物顶点的个数,每一位为0或1表示路径是否经过该顶点.为了克服传统的二进制粒子群算法的早熟收敛问题,在改进的算法中采用了双重编码结构,并引入变异操作.最后给出仿真结果证明该方法的正确性和有效性.     

基于进化采样的粒子滤波算法

在粒子滤波算法中, 重采样的引入有效地改善粒子退化现象, 但同时也导致了粒子多样性减弱问题的产生. 本文给出了一种基于进化采样的改进粒子滤波算法. 该算法在重采样过程后, 首先根据马尔可夫链蒙特卡罗(Markov-Chain-Monte-Carlo, MCMC) 技术和遗传算法中的模拟二进制交叉原理生成候选粒子, 并利用适应度函数完成对于其权重的度量. 然后结合当前时刻的重采样粒子构建候选粒子集, 进而提升了重采样后粒子的多样性, 最终依据粒子自身的权重实现粒子的优选. 仿真结果表明: 该算法可有效地提高     

基于微粒群算法的非线性系统建模方法研究

针对非线性系统多模型自适应控制中的模型覆盖问题,提出一种基于微粒群算法的多模型建模方法.首先,对非线性系统定义了基于混合逻辑模型的多模型描述,建立了非线性系统的混合线性多模型;然后,基于微粒群优化算法对非线性系统进行优化建模,在保证建模准确性的同时采用最少的子模型逼近非线性系统;最后,通过一个仿真算例表明了该建模方法的有效性.     

基于粒子群的CDMA功率和速率联合控制算法

提出了基于效用函数的CDMA网络下行链路的功率和速率联合控制最优化算法.在这类算法中,效用函数为非凸函数,经典的最优化理论很难解决这类问题.将粒子群优化方法应用于算法的非凸性设计,并通过仿真算例证明了该算法能有效解决非凸优化问题,且可保证系统的公平性.     

基于单片机的在线颗粒分析仪智能控制系统设计

针对国内粉末生产过程中粒度分布检验的滞后性,提出了在线颗粒分析仪智能控制系统设计。通过控制采样速度和喂料速度实现样品的在线分析,并实现分析数据的实时采集和传输,实现在线监控。实验结果表明,该系统测试范围达到4-300μm,可持续工作8小时,延时小于1分钟,测试准确度,重复性均达到在线控制的需要。     

RBF神经网络的混合微粒群学习算法

在分析RBF神经网络的结构特点基础上, 定义一个布尔向量L作为网络的结构参数, 与原来RBF神经网络的隐节点参数集一起构成了新的RBF网络隐节点参数集{c,σ, L}, 并给出了一个新的RBF网络输入输出关系表达式;采用一种混合协同微粒群算法同时对RBF网络拓扑结构和隐层节点参数进行优化设计,并将输出线性参数集分离后采用最小二乘法进行优化设计,简化了优化空间,加速了算法的收敛速度.     

PSO算法在含一阶导数变分问题中的应用

变分问题是一个研究泛函极值的经典数学问题,寻求变分问题的直接解法具有重要的理论和现实意义.鉴于PSO算法在极值问题中的广泛应用,利用分段Hermite插值.建立了求解含一阶导数的变分问题优化模型,构造出了适应度函数,从而使得PSO算法成功应用到变分问题的求解当中.数值实验结果表明了方法的可行性,同时也拓展了PSO算法的应用领域.