多Agent系统中分布式约束优化问题

分布式约束优化问题在多Agent系统中应用十分广泛,它已经作为多Agent分布式推理的一项关键技术,既能够最优化一组分布约束,又能够在一定程度上保护Agent的信息,同时提高解决问题的效率。首先介绍分布式约束优化问题的背景及其算法的发展,对现有解决问题的一些完全算法和不完全算法作出了具体论述,通过从效率、质量、隐私等方面这些算法进行比较和分析,然后介绍在分布式约束优化问题在具体领域中的应用,最后论述分布式约束优化算法目前存在的问题及未来发展方向。     

面向应急成像观测任务的多星协同调度方法

针对应急条件下的成像观测任务,设计了多星协同调度框架,将多星协同调度问题分解为任务排序主问题和资源匹配子问题。分析了多星协同调度中的主要约束条件,以任务收益为优化目标构建问题的约束满足模型,并应用改进粒子群优化算法进行求解。详细介绍了算法中的编码、解码、移动、变异等操作,给出算法时间复杂度的计算公式。通过仿真实验,对算法的有效性进行了验证。     

确定性联合补充库存问题的模拟退火算法

对确定性需求的联合补充库存问题许多文献已有不少启发式算法,这些算法都是基于枚举方式计算。通过分析该问题,应用现代优化理论,提出一个有效的模拟退火算法,通过算例表明,该算法可得出较优的、与最优解偏差较小的可行解,可以有效地解决此类问题。     

一种多无人机协同侦察航路规划算法仿真

无人机协同侦察航路规划的算法复杂,数据量大,不易收敛。针对这些特点,采用了基于分散规划、集中调整思想的层次分解策略来确定参考航路。首先改进了粒子群优化算法,并运用该算法确定无人机的协同任务初始航路;然后给出了一种新的航路光顺优化指标,对初始航路平滑修正。仿真实验结果表明,该方法能够解决无人机的协同侦察航路规划问题,是一种效率较高的规划算法。     

随机递归算法求解车辆路径问题

车辆路径问题(VRP)是组合优化中一个典型的NP难题,对于中等规模以上的问题,目前大多采用禁忌搜索、遗传算法和模拟退火等亚启发式算法,在吸取这些算法精髓的基础上,提出了一种新的并且简洁而高效的启发式算法.计算结果表明,在27个国际标准算例中应用该算法取得了2个解优于当前最优解,其余相当接近当前最优解.需要指出的是所有这些结果是在该算法应用同一组参数得到的.     

一种求解动态多峰优化问题的Memetic粒子群算法

很多现实的优化问题往往是动态和多峰的, 这就需要优化算法既能够发现尽可能多的最优解, 同时还要追踪到这些最优解在动态环境中的变化轨迹. 为了解决这种动态多峰优化问题, 本文提出了一种Memetic粒子群优化算法. 在提出的算法中, 利用一种新的species构造方法来保证其能够发现不同最优解所在搜索区域, 利用一种适应性的局域搜索算子来增强species追踪到最优解的能力, 利用重新初始化策略来进一步改善算法在动态多峰环境中的性能. 通过对一组标准动态测试函数--移动峰问题的仿真实验来检验所提出的 MPSO算法在求解动态多峰优化问题的有效性.     

一种改进遗传算法及在多目标优化中的应用

基本遗传算法在求解大规模多目标优化问题时会出现早熟和搜索效率低等问题。针对这些问题,对基本遗传算法引入了邻域操作、自适应策略和混沌优化等多种改进策略,研究设计了一种有机结合各种改进策略的改进遗传算法流程。应用实例的仿真试验表明改进算法可行,且在求解大规模多目标优化问题时较基本遗传算法具有精度和速度优势。     

多机器人SLAM后端优化算法综述

对于移动机器人研究领域来说,现阶段研究热点是如何在全球定位系统失效的情况下同时定位与地图构建(simultaneous localization and mapping,SLAM)。对于单个机器人SLAM已经有很多解决方案,然而当转移到多机器人平台时,对于存在的问题又面临很多新的挑战。本文首先分析了多机器人SLAM,着重探讨了多机器人SLAM后端优化算法。分析了多机器人SLAM研究过程中遇到的不同问题,以及现阶段这些问题的处理算法。讨论了多机器人SLAM中扩展卡尔曼滤波、扩展信息滤波、粒子滤波、基于图优化的SLAM、地图融合等后端优化算法的研究现状,分析了算法的优缺点,并提出了未来发展的方向。     

基于神经网络动态优化的再入轨迹设计

为解决当飞行器出现破损以及飞行器受干扰时的轨迹优化问题,新一代的再入式飞行器需要有实时在线轨迹优化的能力。神经网络动态优化算法(neural dynamic optimization,NDO)的主要特点是能使神经网络逼近最优解。神经网络动态优化算法可以避免传统的间接法在求解轨迹优化问题时协态变量初值猜测问题。给出了神经网络动态优化的原理,详细介绍了优化流程。仿真结果表明神经网络动态优化算法可以很好的避免协态变量初值猜测问题,具有较强的鲁棒性,能满足实时性要求。     

基于遗传-蚁群融合算法的干扰资源分配方法

针对多部干扰机协同干扰多部雷达的干扰资源分配问题，提出一种基于遗传-蚁群融合算法的干扰资源分配算法。首先采用综合集成赋权法结合逼近理想解排序法(technique for order preference by similarity to an ideal solution, TOPSIS)对目标雷达进行威胁评估，然后建立干扰资源多约束优化分配模型，最后采用遗传-蚁群融合算法对模型进行求解。融合算法利用遗传算法快速寻找出若干组优化解，将这些优化解用于调整蚁群算法中初始信息素的分布，利用蚁群算法对问题进一步优化，从而找到最优解，提升了算法的求解精度和求解时间。仿真结果表明，融合算法的性能在收敛速度和寻优准确性等方面相较于其他算法都有了较大提升。     

基于模拟退火遗传算法的土地利用结构优化模型

将模拟退火方法引入遗传算法中,对多参数问题进行优化。该算法克服了SGAs的过早收敛的问题以及算法易陷于局部极小点的问题,使得搜索沿着全局最优方向进行。将该算法应用于解决土地资源优化分配的问题中,优化结果同样具备上述特点。参3。     

一种求解连续空间优化问题的改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。     

粒子动力学演化算法及其在求解SOP上的应用

根据粒子输运理论中粒子相空间能量最小原理和熵增法则提出一类粒子动力学演化算法，并在数据实验中用该算法求解了一些传统演化算法难于求解的单目标优化问题(SOP)，比如求解凸函数和多峰函数等最小优化问题。由于这种新的动力学演化算法能使几乎所有的个体参加杂交和变异，因此，与传统的演化算法相比，该方法不仅能较快速地求解线性和非线性优化问题，而且还能容易地求出达到最优解的多个坐标点。     

基于Tent映射的混沌混合粒子群优化算法

为改善基本粒子群优化算法的寻优性能,通过算法混合,在粒子群优化算法中逐步引入优进策略和混沌搜索机制,以加强粒子群的局部寻优效率和全局寻优性能。并将粒子分为两类,分别执行不同的进化机制,实现协同寻优,从而构建为一种新的混沌混合粒子群优化算法。标准测试函数的仿真优化结果表明,该混合算法对较大规模的复杂问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准粒子群优化算法以及遗传算法等单一的随机搜索方法。     

动态武器目标分配问题中策略优化的改进算法

动态武器目标分配(Weapon Target Assignment,WTA)中的目标选择策略问题可以通过建立马尔可夫决策过程(Markov decision processes,MDP)模型进行研究,但目前尚无有效求解此类较大规模的MDP问题中最优策略的算法.通过分析动态WTA问题的MDP模型特点,给出了求解该问题最优策略的改进算法.该算法主要在初始策略选取规则、策略改进规则以及最优策略的判断准则等方面进行了改进.该算法具有计算量小,节省内存,并可得到最优解等优点.最后,通过算例将该算法与传统算法进行了比较.改进算法可以用于解决较大规模的动态WTA中的策略优化问题.     

遗传算法在离散变量优化问题中的应用研究

针对实际应用中大量存在的离散变量优化设计问题,研究了利用一般连续变量方法进行离散变量优化设计的不足。结合离散变量优化问题与遗传算法的特点,提出离散交叉算子和离散变异算子,使遗传算子真正在离散空间中进行搜索。基于线性搜索思想提出离散引导算子以提高遗传算法的局部寻优能力,将种群逐步向离散极值点进行引导,实现算法的快速离散寻优。通过对两个实际离散变量优化设计问题的应用研究,验证了本方法解决离散变量优化设计问题的有效性。     

一种信赖域遗传算法

针对信赖域方法求解多峰值优化不能收敛到全局最优的问题,提出了一种信赖域遗传算法,该算法将遗传算法和信赖域方法进行了结合。利用了遗传算法繁殖算子的随机性和信赖域方法求解二次优化问题的高效性,该算法能够克服信赖域方法的缺点同时能够有效求解一类欺骗性问题。最后证明了算法的收敛性,通过数值试验说明了算法的有效性。     

求解带约束函数优化的两级自适应遗传算法

针对带约束的非线性函数优化问题 ,提出一个两级自适应遗传算法。根据待优化函数和约束构造拉格朗日对偶函数 ,在下级对给定的拉格朗日乘子 ,用遗传算法搜索变量的最优解 ;在上级针对拉格朗日对偶函数 ,用遗传算法搜索拉格朗日乘子的最优解。采用自适应的方法 ,根据个体的适配值和种群的适配值统计特性确定交叉概率和变异概率。计算结果表明 ,该算法是有效的。     

Quantum-inspired ant algorithm for knapsack problems

The knapsack problem is a well-known combinatorial optimization problem which has been proved to be NP-hard. This paper proposes a new algorithm called quantum-inspired ant algorithm (QAA) to solve the knapsack problem. QAA takes the advantage of the principles in quantum computing, such as qubit, quantum gate, and quantum superposition of states, to get more probabilistic-based status with small colonies. By updating the pheromone in the ant algorithm and rotating the quantum gate, the algorithm can finally reach the optimal solution. The detailed steps to use QAA are presented, and by solving series of test cases of classical knapsack problems, the effectiveness and generality of the new algorithm are validated.     

基于遗传算法的RLV再入轨迹优化设计

飞行器再入轨迹优化是一类最优控制问题。传统的优化方法存在初始值敏感问题。利用小生境技术和精英方法改进适应值共享拥挤遗传算法,并将其用于RLV再入轨迹优化设计。以终端时间固定的空间最小控制能量再入轨迹和终端时间自由的平面最小热载再入轨迹为例,详细讨论了遗传算法用于再入轨迹优化设计所需要解决的一些关键问题。仿真结果表明提出的方法能够较快地搜索到全局最优解,对初始猜测值不敏感,能够方便用于RLV的再入轨迹方案选择和优化设计。