基于混合粒子群算法的农情监测无人机路径规划

用无人机对果树病虫害进行巡航拍摄是有较大潜力的农情监测方法,本文以飞行时间最短为目标,建立了农情监测无人机路径规划的数学模型。结合遗传算法、模拟退火算法的思想,在粒子群算法中引入交叉、变异、替换操作,提出了一种混合粒子群算法来求解无人机路径规划的数学模型。实验表明,无人机路径规划数学模型可以被混合粒子群算法有效求解,且混合粒子群算法的性能优于遗传算法和模拟退火算法。     

云制造系统中基于粒子群优化的多任务调度

为解决云制造系统的同类型多任务调度问题,建立了该问题的数学模型,提出了一种离散粒子群遗传混合算法,以所有任务的总完成时间及成本最优为目标进行求解.该算法采用整数编码方法建立粒子的位置矢量与服务分配的映射关系,在采用标准粒子群算法更新粒子位置时,引入了遗传算法的交叉和变异操作思想,使用4种方法按条件"逐级叠加"的方式对粒子位置进行更新,以保证种群的多样性.算例仿真结果表明,该算法是有效的且具有较高的执行效率.     

基于改进粒子群算法的海洋钻机系统布局优化

为提高海洋钻机的工作效率和平台的空间利用率,应用改进的粒子群算法对海洋钻机系统进行布局优化研究。针对多目标、多约束的钻机系统布局优化问题,建立钻机系统布局优化数学模型,应用多目标粒子群算法直接求解,得出相应的最优解集。利用线性加权法将多目标转变为单目标进行求解分析,针对单目标粒子群算法的缺点,基于约束条件、惯性权重以及遗传算法的选择和杂交对粒子群算法进行改进,完成不同改进算法的测试实验。结果表明,在应用粒子群算法求解布局问题时将约束条件作为目标函数、单独引入遗传算法的杂交思想求解速度和精度更好。提出的基于杂交的动态惯性权重粒子群算法的布局优化问题求解性能更优,得到的优化方案符合海洋钻井作业要求且占用甲板面积较小。     

基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配

为在给定的时间内以最小代价和最大效益完成任务,建立了多无人机协同任务分配问题的多目标优化模型.采用改进的多目标量子行为粒子群优化算法求解最优任务分配方案,定义了一种从所求候选方案中选取最优分配方案的自主选择准则.对比分析多目标粒子群优化、多目标进化算法和该文算法所求的最优分配方案.仿真结果表明该文算法能够较快地求解问题,而且所求最优任务分配方案的性能优于其它三种算法.     

量子蜂群算法及其在认知频谱分配中的应用

基于人工蜂群理论和量子计算,提出一种新的离散组合优化算法——量子蜂群优化算法.该量子蜂群算法使用2种新的量子觅食行为完成整个量子蜂群的协同演进,快速找到最优的蜜源位置,通过对优化函数的测试验证其高效性.以该量子蜂群算法为基础,提出一种认知无线电频谱分配算法,与经典的遗传算法,量子遗传算法和粒子群算法等智能优化算法及敏感图论着色算法在不同的网络效益函数下进行仿真性能比较.仿真结果表明:本文提出的量子蜂群频谱分配算法均能够较好地找到最优解,优于经典的频谱分配算法和已有的智能频谱分配算法.     

面向无人机路径规划的双层多目标粒子群算法

无人机路径规划问题是一个复杂的多目标优化问题，目前常用粒子群优化算法及其变种算法来解决此类问题。本文在基于使用无人机执行物资投放任务的场景下，提出与之相应的无人机路径规划问题模型，并根据其特点分析其约束条件以及目标函数，在传统需要优化的基本目标函数之外，额外增加了等待时间与延迟时间这一对相互冲突的目标函数。然后提出一种基于分解的双层多目标粒子群优化算法(double layer multi-objective comprehensive learning swarm optimization algorithm framework based on set decomposition, MODCS-PSO/D)，该算法使用集合和概率表示粒子的速度与位置，将连续空间中的问题转化到离散空间内，然后结合综合学习策略构建双层粒子群算法，并在此基础上引入基于分解的多目标优化框架(multi-objective evolutionary algorithm based on decomposition, MOEA/D)平衡多个待优化目标，同时增加了额外的搜索策略以避免出现早熟现象。最后通过进行对比...     

基于粒子群优化算法的协同空战导弹目标分配

为了取得协同空战的最佳攻击效果,在协同攻击的过程中进行导弹-目标最优分配是一种有效的解决方法。首先运用作战效能和运筹学理论建立多目标协同攻击的导弹-目标最优分配模型,其次在分析基本粒子群优化算法特点的基础之上提出了一种改进粒子群优化算法,其中的主要改进有3点:惯性权自适应调整、粒子速度与位置自动更新以及优化策略改进。然后将该改进粒子群优化算法应用于协同空战导弹-目标最优分配问题的迭代求解。仿真结果表明所采取的改进策略加快了算法的收敛速度,提高了粒子的局部求解精度与全局寻优能力,并且与基本粒子群算法、遗传算法相比较,该改进粒子群优化算法能够更加快速、有效地求出多目标协同攻击的导弹-目标分配最优解。     

采用离散粒子群算法的网格任务安全级调度

针对异构网格环境中任务调度问题对所面临的安全性研究不足,在考虑了保密性、完整性和真实性等安全性因素的情况下,构造了相应的安全效益函数;依据网格节点的历史行为特点,提出了节点的信誉度动态评估策略;基于行为特点提出了一种离散粒子群算法,由此建立了任务安全级调度新模型.算法基于安全调度的离散空间特征给出了粒子的位置表示方法,从而克服了连续空间解决离散问题所造成的解空间冗余问题.采用分步计算和修改粒子位置的方式重新定义了粒子进化方程,避免了进化过程中速度之间的相互干扰问题.为了防止算法陷入局部最优,引入了均匀扰动速度.实验结果表明,与基于连续空间的粒子群算法和遗传算法相比,所提算法具有较快的收敛速度、较短的调度长度和较高的安全性能.     

离散粒子群优化算法在流水作业调度问题中的应用

通过引入随机向量, 改进离散粒子群算法DPSO的更新方程, 提出一种离散的粒子群优化算法MDPSO, 并将其应用于调度问题的求解. 实验结果表明, 该算法优于传统的时序分解算法和遗传算法.     

求解带约束投资组合模型的量子粒子群算法

针对量子粒子群算法(QPSO)在迭代后期出现种群多样性缺失和容易陷入局部最优的问题,提出了一种基于交叉操作的改进算法;在改进算法中,考虑了粒子的历史最优位置和次优位置,用以扩大粒子的搜索范围;同时,将遗传算法的交叉操作运用到位置的更新中,以增加种群的多样性,进而提高算法的收敛性;在性能测试中,将改进算法与原始的量子粒子群算法、基于差分进化的QPSO和基于黑洞探索的QPSO在收敛精度和鲁棒性方面进行了比较;最后,运用改进算法对一类具有投资数量限制的投资组合问题进行了求解,并与遗传算法、粒子群算法和标准的量子粒子群算法的寻优结果进行了对比。     

基于改进DPSO非退出故障下多无人机任务规划

针对非退出故障下多无人机协同任务规划问题,提出了一种基于混合策略改进的离散粒子群算法。该方法首先采用Sobol序列进行种群初始化,提高解空间的覆盖率;然后,提出非线性时变策略,加快算法的收敛速度;并引入柯西算子,增强离散粒子群算法的搜索空间;同时,还提出自适应交叉学习策略,丰富种群多样性,进而提升算法的全局寻优能力。综合改进的离散粒子群算法不仅加快了收敛速度,并且解的最优性也得到了提高。此外,运用三次样条插值算法进行无人机航迹规划,最后,将改进算法在三维空间中进行无人机故障前后的对比仿真实验,结果表明所设计的算法具有显著的寻优有效性,为部分无人机发生轻微故障后,多机协同执行任务规划的问题提供了理论依据。     

车辆分时租赁模式高峰时段用户预约分配模型

租车高峰时段难以合理为用户分配车辆是分时租赁运营商面临的主要问题.针对车辆分时租赁模式下的用户预约分配问题,在对主要影响因素进行分析的基础上,提出了以运营商收益最大化为目标的用户预约分配优化模型,并设计遗传算法对模型进行求解.基于对仿真场景的假设将模型与算法应用于仿真算例中,算例结果表明:遗传算法适用于求解所提出的优化模型,通过对模型求解可以得到租车高峰时段运营商最大收益及相应的最优用户预约分配方案,并且通过比较分析得出模型所得收益优于传统预约分配方法,验证了模型和算法的可行性与实用性.     

区域覆盖的多机协同探测任务分配策略

为满足战场环境下对兴趣区域进行覆盖探测的任务需求,提出了一种基于区域覆盖的多无人机协同探测任务分配策略。首先通过最小圆覆盖法确定无人机在兴趣区域中的目标航迹点,其次进行多机协同任务规划,在目标分配模型的基础上进一步建立时间分配模型,然后利用改进灰狼算法对任务分配模型进行求解,最终实现资源优化分配决策方案的获取。仿真结果表明,所提算法相比其他算法具有更快的收敛速度,能够更加有效地解决区域覆盖探测资源优化分配问题。     

基于Species机制的多目标遗传算法

多目标优化算法设计正在成为当前进化算法领域的一个研究热点.考虑将最初用于多峰优化的Species机制引入到多目标遗传算法中,通过借鉴现有多目标算法的相关思想,设计并提出了一种新的Species方法,包括基于Pareto最优性和拥挤度思想的Species种子确定策略及适应性的Species构造策略.一组标准多目标测试函数的仿真实验结果表明,提出的基于Species机制的多目标遗传算法表现出比经典的非支配排序遗传算法Ⅱ(NSGA Ⅱ)更好的性能.     

基于 SADPSO 的 MPRM 最小化算法

针对混合极性Reed-Muller(mixed-polarity Reed-Muller,MPRM)逻辑最小化问题,提出一种基于SADPSO (hybrid simulated annealing and discrete particle swarm optimization)的智能算法.该算法将模拟退火(simulated anhealing,SA)与离散粒子群优化(discrete particle swarm optimization,DPSO)相结合,对DPSO所得到的最佳解应用SA,帮助算法跳出局部极小.使用所提出算法和已有智能MPRM最小化算法分别对23个MCNC基准电路进行逻辑最小化,并对算法结果质量进行定量评价.结果表明,与已有智能MPRM最小化算法相比,所提出算法具有更好的全局收敛能力,能够提高算法结果质量.     

基于量子遗传算法的无人机冲突解脱方法

飞行冲突解脱对于无人机飞行安全至关重要,遗传算法(genetic algorithm, GA)在解决无人机冲突解脱时存在求解速度慢、产生的延误距离较大等缺点,针对这些缺点,提出一种基于量子遗传算法(quantum genetic algorithm, QGA)的无人机冲突解脱方法。该方法采用了量子比特编码,设计加入了延误指数函数强制优化策略和变航向优化策略,通过利用量子旋转门实现个体的演化,并在延误距离、冲突解脱航迹等多方面与遗传算法进行了对比实验。仿真实验结果表明,该方法与遗传算法相比,求解速度更快,解的质量更高,所得解脱航迹更平滑,能获得较小的飞行延误,在无人机冲突解脱方面具有有效性和良好的应用价值。     

基于自适应遗传算法的无人机轨迹优化

针对目前无人机爬升轨迹优化算法存在的收敛速度慢、容易陷入局部最优解等问题,提出了一种基于自适应遗传算法的爬升轨迹优化方法。首先,结合无人机爬升阶段的运动方程和性能指标给出爬升段轨迹的优化模型。其次,为提高染色体的多样性和算法的收敛速度,对自适应遗传算法做了相应改进,使其更适合用于爬升轨迹的优化。最后,根据无人机爬升段轨迹特点,给出具体优化步骤,并对某型无人机爬升段轨迹做了优化仿真验证,结果表明所提出的方法能够在一定程度上节省运营成本。     

无线传感器网络中目标检测节点的优化部署

为提高无线传感器网络的目标检测精度，提出了一种基于遗传算法的节点部署优化方法．通过把传感区域模型化为网格，将目标定位问题转化为确定目标在某个网格点的问题．随后，将传感器节点部署问题形式化为一个组合优化问题，其目标是在有限的成本和完全覆盖条件下减小最大分辨误差．遗传算法采用二进制编码表示节点的位置，使用单亲交叉算子和单亲变异算子来提高算法的执行速度和进化效率．实验结果表明，基于遗传算法的求解方案能快速地求出传感器节点位置优化问题的全局最优解，并满足目标定位的精度要求．     

基于改进小生境免疫遗传算法的矩形件排样

讨论了基于改进小生境免疫遗传算法的矩形件排样问题,提出了基于排挤机制的小生境技术结合遗传算法的新思路,分别采用遗传算法、改进免疫遗传算法和小生境免疫遗传算法对大规模矩形件排样问题进行了实例比较分析,实例表明：在大规模矩形件排样过程中免疫算子和基于排挤机制小生境技术结合遗传算法的运用具有较好的全局寻优表现和收敛速度,算法有效、可行.     

广义分配问题的一种小生境遗传蚁群优化算法

提出一种小生境遗传算法与蚁群优化算法相结合的小生境遗传蚁群优化算法用于求解NP难的广义分配问题,以避免经典求解算法存在的易陷于局部最优的缺陷.以典型的广义分配问题——火力分配为例,对该算法进行实验,并将实验结果与其它算法进行分析比较.结果表明:新复合算法优化效率高,运行时间短,对其它的NP问题同样适用.