一种求解带约束多式联运问题的群智能算法

针对如何有效运用群智能算法求解多式联运问题,设计了一种针对群智能优化算法的个体解码方式,提出了一个有效的个体编码与多式联运方案的映射模型.在该映射模型中设计了基于比例的流量分配方式,实现了个体编码信息向初步流量分配方式的解码;同时构建了局部流量调整策略,进行不可行方案修复,提高了解码方案的有效性.而后,提出了一种变邻域粒子群算法,将社会网络演化特征引入进行粒子群算法的种群拓扑和邻域调整,以改善个体在搜索过程中的交互模式.基于解码策略,采用改进算法对多式联运问题进行求解,并与3种新型群智能算法进行对比.通过实例分析,该编码策略可以有效应用于多式联运问题求解.同时,变邻域粒子群优化算法的收敛效率和性能优于对比算法.     

一种新型群体智能优化算法——微进化算法

提出了一种新型群体智能优化算法——微进化算法.该算法采用实数编码,基于个体自身历史最优位置,以群体中最优个体与当前个体的矢量差异信息作为指导,进行启发式搜索.数值实验结果表明:微进化算法简单有效、计算精度高、收敛速度快、鲁棒性强;此外,还具有参数设置简便、计算简单等特点.     

从鸟群群集飞行到无人机自主集群编队

无人机可通过自主集群编队提高其在复杂环境下执行任务的能力.多飞行器并存导致系统协调管理难度提升等一系列问题,因此如何设计合理高效的无人机集群编队协调自主控制算法是一个亟待解决的难点问题.在鸟群群集飞行过程中,个体通过遵循简单行为规则进行相互合作而产生复杂有序的集体行为.由于鸟群群集飞行过程中所表现出的邻近交互性、群体稳定性和环境适应性等特点与无人机集群编队的自主、协调和智能等控制要求有着紧密的契合之处,因此,研究鸟群群集飞行机制,并将其映射到无人机集群系统,是解决无人机集群编队协调自主控制问题的一条切实可行的途径.     

Locust Behaved Particle Swarm Optimization Technique

The collective behavior of certain animals and insects has the characteristic of self-organization. The simple interactions among individuals can produce complex adaptive patterns at the level of the group. Recently, new scientific investigation pointed out that desert locusts show extreme phenotypic plasticity in transforming between the lonely phase and the swarming gregarious phase depending on the population density, which is controlled by a serotonin called 5 - hydroxytryptamine（5HT）. In this paper, based on the mechanism of the locusts＇ collective behavior, a new particle swann optimization technique called LBPSO is studied. The number of swarms is selfadaptively adjusted by the acquired outstanding particles coming from behind the previous global best solution. The swarm sizes are related to the corresponding serotonin 5HT, which is determined by the optimization parameters such as global best and iteration number. And each swann adopts one of three rules below according to its density, generalized social evolution strategy, generalized cognition evolution strategy and the independent moving strategy. A comparative study of LBPSO, social particle swann optimization （ SPSO ）, improved SPSO and the standard particle swann optimization （StdPSO） on their abilities of tracking optima is carried out. And the results under four static benchmark functions and a dynamic function generator moving peaks benchmark （MPB） show that LBPSO outperforms the other three functions in both static and dynamic landscapes due to the introduced locusts＇ collective behavior.     

一种改进的自组织生物群体仿真模型

在Boid群体仿真规则基础上,增加了三类控制变量：环境变量、种群特征变量和性格变量构建自组织生物群体仿真系统。利用社会学习因子和自学习因子构建了个体的种群靠拢系数、速度匹配系数和自由游弋系数等参数,去除了传统模型中个体一致性假设,可更为真实地反映不同生物群体的群体行为。本文在此基础上构建了相应的仿真平台。仿真实验结果表明,可以更好地对生物群体行为仿真进行建模,同时给出了鸟群、鱼群和昆虫群三种典型生物群体仿真的参数集合,同时还分析了不同群体的特征。     

基于狼群角色匹配C-劳动分工机制的无人机集群空战策略

针对无人机集群在空战任务中的角色动态切换问题，提出了受狼群启发的无人机集群空战角色匹配C-任务分工方法，提高了应对复杂空战环境的动态任务执行能力。首先，通过分析狼群围捕行为特性，得到三种狼群个体特性，进而给出狼群角色匹配C-劳动分工模型。然后，基于无人机集群和狼群在行为机制上的相似性，将狼群的分工机制映射到无人机集群中，提出了无人机集群角色匹配C-任务分工模型。最后，针对不同任务分工下的目标分配问题，分别建立了攻击和制导任务的目标分配模型。仿真表明所提出的角色匹配C-任务分工方法能够有效解决空战角色动态切换问题，提高了整体空战能力。     

具有遗传特性的粒子群优化算法及在非线性盲分离中的应用

粒子群优化算法是一种新的基于群智能的随机优化进化算法.文章将变异和交叉思想引入到粒子群优化算法中,其基本思想是利用粒子群优化算法每次迭代的最优粒子位置及速度为基础对部分粒子进行变异,然后对变异前后粒子的分量进行随机交叉操作,从而产生新一代粒子群.通过这种处理使得粒子群体的进化速度加快,从而提高了算法的收敛速度和精度.该算法应用于盲信号分离中而获得一种非线性盲信号分离算法.计算机仿真结果表明该算法的收敛性能优于粒子群优化算法,并且在非线性盲信号分离中是有效的.     

基于软控制的群体机器人迁徙行为研究

为实现群体机器人迁徙系统的速度可控,研究了在软控制的干预下使群体达到期望速度的方法。在基于局部信息交互的分布式系统中引入软控制干预群体的运动形式,在不改变群体局部规则的情况下,实现速度可控的群体迁徙。利用代数图论和LaSalle不变原理,分析了该系统在软控制干预下的稳定性,并进行了仿真实验。实验结果表明,该控制策略能有效地实现稳定的群体迁徙行为。     

群机器人目标搜索中的通信模式研究

针对目标搜索过程中的群机器人协作问题,以扩展微粒群算法为建模工具和协调控制工具,比较研究同步和异步通信模式对搜索效率和系统能耗的影响。仿真结果表明,对于同等规模的群机器人系统,异步通信模式下的搜索效率比同步通信模式下高,能耗却比同步通信模式下低。因此,对于分布式协同的群机器人施加并发控制时,异步通信模式更为适合。     

基于粒子群和人工蜂群算法的混合优化算法

提出一种基于粒子群(PSO)和人工蜂群算法(ABC)相结合的新型混合优化算法—PSOABC。该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由人工蜂群算法进化而来,并且在人工蜂群算法中按轮盘赌的方式选择个体进化所需的随机个体。此外,算法采用一种信息分享机制,使两个种群中的个体可以实现协同进化。对4个基准函数进行仿真实验并与ABC进行比较,表明本文提出的算法能有效地改善寻优性能,增强摆脱局部极值的能力。     

基于粒群行为与克隆的移动机器人进化路径规划

针对移动机器人路径规划, 将粒群行为和生命科学中的免疫克隆原理、进化算法相结合, 将过去进化过程中的经验通过粒群行为来体现, 提出了一种结合粒群行为和免疫克隆的移动机器人进化规划, 较快速地规划出性能是全局优化的可行路径. 分析了粒群行为的二种学习方式对路径规划的作用, 研究了通过调整粒群行为操作中的参数实现多路径规划. 通过仿真实验, 对上述算法进行了验证.     

基于改进粒子群算法优化电梯群控系统

给出的粒子群优化算法是一种群智能优化技术，利用群体和个体的智能行为来求解组合优化问题，并将多目标问题分别在粒子的各子种群中以内在并行的方式搜索多个非劣解，同时对各子种群粒子的适应度采用积分排序，较好地解决了电梯群控系统的多目标问题。充分弥补了传统方法解决多目标问题出现的不足。针对不同客流强度进行分析，分别得到不同平均的候梯时间和乘梯时间，结果表明采用此种改进的粒子群算法充分保证了算法的收敛速度和精度。     

基于虚拟领航者的智能群体群集运动控制

通过借鉴预测控制的基本思想,研究了智能群体的群集运动,并建立了一种个体在运动过程中能根据周围环境自适应选取虚拟领航者的群集运动控制模璎.该模型描述了生物群集过程中无领导者的自然现象,克服了传统leader-follower模式的单向信息流的缺陷,增强了系统的自适应性与鲁棒性,提高了系统的稳定性.仿真结果表明:与已有文献相比,该模型收敛速度较快;形成紧凑的编队后,队形稳定运行的速度也较快.     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

神经网络基于改进型粒子群算法的研究

提出一种基于被动聚集型粒子群优化算法来提高人工神经网络的性能,被动聚集是保持群体完整性的生物力量,该算法引入了生物学中被动聚集的概念,使得信息在种群各粒子间传播,保持种群的多样性。仿真实验表明:基于改进型粒子群优化算法的神经网络可以有效降低训练次数和均方误差。     

粒子群优化算法在水库调度中的应用

基于水库优化调度常用优化方法存在的不足,本文根据水库优化调度的数学模型,将粒子群优化算法运用到水库优化调度中。该算法通过个体间的协作与竞争,实现复杂空间中最优解的搜索分析,具有计算简便,收敛速度快等优点。将混沌优化算法运用到水库调度中,并与其它优化方法比较,获得了较为满意的结果。     

压缩搜索空间与速度范围粒子群优化算法

为了改善粒子群优化(PSO)算法的搜索性能,提出一种改进的粒子群算法CSV PSO算法·该算法在粒子群进化的过程中根据粒子群的最佳适应值动态地压缩粒子群的搜索空间与粒子群飞行速度范围;针对PSO算法可能出现的暂时停滞现象,引入分区重新初始化机制·数值仿真结果表明:随着粒子群进化,适当的压缩粒子群搜索空间与飞行速度范围,有利于加速算法收敛,提高收敛精度;该算法收敛速度更快,精度更高,运行更为稳定·     

基于差分进化算法的图像聚类研究

将差分进化算法应用于图像聚类问题,对问题进行实数编码,采用群体智能模式实现问题解的搜索.利用差分进化算法的差分变异操作和群体分布特性有效提高算法的搜索能力,采用贪婪选择操作和竞争生存策略实现群体内个体之间的相互合作与竞争,降低了进化操作的复杂性,并通过仿真实验证明了该算法的有效性.     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

A Hybrid Differential Evolution Algorithm Integrated with Particle Swarm Optimization

To implement self-adaptive control parameters, a hybrid differential evolution algorithm integrated with particle swarm optimization （PSODE） is proposed. In the PSODE, control parameters are encoded to be a symbiotic individual of original individual, and each original individual has its own symbiotic individual. Differential evolution （ DE） operators are used to evolve the original population. And, particle swarm optimization （PSO） is applied to co-evolving the symbiotic population. Thus, with the evolution of the original population in PSODE, the symbiotic population is dynamically and self-adaptively adjusted and the realtime optimum control parameters are obtained. The proposed algorithm is compared with some DE variants on nine functious. The results show that the average performance of PSODE is the best.