MP-GWO算法在多UCAV协同航迹规划中的应用

多无人作战飞机(UCAV)协同航迹规划是多UCAV协同作战的重要组成部分,对协同作战的结果有很多的指引作用。多UCAV协同航迹规划属于多峰值优化函数求解问题,其求解稳定性比较差。为解决多UCAV协同航迹规划求解稳定性较差的问题,首先在对影响多机协同约束条件研究分析的基础上,结合单机航迹规划求解中的核心指标,建立了多UCAV协同航迹优化函数;其次利用多种群灰狼算法(MP-GWO)在求解多峰值优化函数问题上比较稳定的特点进行求解,最后将MP-GWO分别与GWO算法、EA算法和在新增威胁环境下的求解结果相比较来验证算法的优越可行性。仿真结果表明,MP-GWO算法对多峰值问题具有求解稳定性,能够适应突发威胁环境下的求解。     

城市环境下的异构多无人机层次化任务分配

针对多无人机应用于城市环境问题,设计了一种MUAV与SUAV层次化任务分配方案,并分析了MUAV对SUAV执行目标任务成功率的影响,将影响因子加入目标函数,提出了一种无人机探测范围内的层次化任务分配模型.采用连续粒子群(PSO)算法对问题进行求解,通过加入惯性权重的凹函数递减策略与将人工蜂群(ABC)算法引入到粒子群迭代环节,较好地解决粒子群算法易陷入局部最优的问题,同时提高算法收敛速度.仿真结果表明所提出的模型可以较好地解决城市环境下的多无人机层次化任务分配问题.     

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。     

UCAV协同攻击多目标的任务分配技术研究

为解决单目标函数构建的任务分配模型不能给火控决策者提供更多有用信息的问题, 将无人机（UCAV： Unmanned Combat Aerial Vehicle）损耗代价和目标毁伤价值作为UCAV协同攻击任务分配的两个目标函数, 对其进行多目标优化, 建立新型任务分配模型。在此基础上, 采用一种改进带精英策略的快速非支配排序遗传算法(NSGAII: )进行求解, 得到多目标协同攻击任务分配的Pareto最优解集, 然后根据决策者的偏好选取最佳的任务分配方案。最后通过仿真算例, 验证了该算法的收敛性及有效性。     

基于混沌QPSO算法的多AUVs任务分配

针对复杂条件下多水下机器人系统(AUVs)任务分配过程中各个节点负载不均衡问题,提出混沌优化QPSO算法.以整个量子粒子群搜索到的当前最优位置为基础,在混沌QPSO算法中加入混沌因子,产生混沌序列.利用混沌优化中混沌搜索、搜索遍历性等具有类似协同学习操作的功能,用混沌序列中的最优位置的粒子替代当前量子粒子群中的位置,使得近似最优解脱离局部最优,获得真正的全局最优.通过实验证明:混沌优化QPSO算法在多AUVs任务分配中,提高了任务分配的精度和优化效率,使任务分配达到全局最优值.     

基于直觉模糊熵的粒子群模拟退火算法

针对智能算法在解决大规模0-1背包问题时易陷入局部最优解、收敛速度慢的问题,提出一种基于直觉模糊熵的粒子群-模拟退火算法(IFEPSO-SA)。采用交换操作和模拟退火机制对粒子群算法中的局部最优解二次优化;然后,以种群直觉模糊熵(IFE)为测度,自适应改变惯性权重,并对种群进行变异操作。测试结果表明,IFEPSO-SA在解决大规模0-1背包问题时有较好的求解质量;仿真实验结果表明,IFEPSO-SA与基于直接模糊熵的粒子群算法(IFEPSO)相比,熵值波动较小,反映出IFEPSO-SA有更好的局部搜索能力,并且IFEPSO-SA在算法收敛速度和求解质量方面都优于IFEPSO以及经典的粒子群算法和模拟退火算法。     

基于改进粒子群-蚁群融合算法的网格资源分配方法

为有效解决网格计算中的资源分配和任务调度问题,提出一种改进粒子群-蚁群融合算法.该算法通过改进的离散粒子群算法对信息进行优化调度,产生优选的调度列表,并通过该列表产生改进蚁群算法的初始信息素,有效克服了粒子群算法后期局部搜索能力差和蚁群算法前期盲目搜索的缺陷.理论分析和仿真实验表明本文算法具有较好的性能.     

面向云环境中任务负载的粒子群优化调度策略

随着云环境中任务规模的不断扩大,云计算中心高能耗问题变得日益突出.如何解决云环境中任务分配问题从而有效降低能耗,本文提出了一种改进的粒子群优化算法(Modified Particle Swarm Optimization,M-PSO).首先构建出一个云计算能耗模型,同时考虑处理器的执行能耗和任务传输能耗.基于该模型,对任务分配问题进行定义描述,并采用粒子群优化算法对问题进行求解.此外,构建动态调整的惯性权重系数函数以克服标准PSO算法的局部最优和收敛速度慢的问题,有效提高系统性能.最后通过仿真实验对该算法模型的性能进行了评估,结果表明M-PSO算法与其他算法相比能有效地降低系统总能耗.     

一种求解TSP问题的改进粒子群优化算法

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将遗传算法、模拟退火算法与粒子群算法结合,提出一种改进的粒子群优化算法.在PSO的快速寻优基础上,融入遗传算法的交叉与变异操作,使粒子群具有变异能力,同时引入模拟退火算法的Metropolis准则,允许粒子在目标函数有限范围内变坏,防止陷入局部最优,形成一种新的算法模型,应用于TSP问题求解.采用TSPLIB中burma 14和att 48作为实验数据,对算法求解旅行商问题进行模拟与分析.仿真实验结果表明该改进算法提高了求解质量,全局搜索能力得到增强.     

基于改进混合粒子群算法的云计算任务调度问题研究

为提高云环境下任务调度效率,同时针对粒子群算法在解决云任务调度存在的缺陷,提出一种改进混合粒子群算法,首先为平衡粒子群算法的全局搜索能力和局部改良能力,对惯性权重进行非线性的动态改良,使之能进行自适应改变;其次为进一步提高其跳出局部最小解的能力,在粒子群算法求解过程中,加入模拟退火算法,使粒子群算法能快速找寻目标最优解.最后通过仿真实验,与传统蚁群算法和粒子群算法进行比较,结果表明所提算法收敛速度快,所用时间短,具备一定的优越性.     

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.     

基于粒子群算法的大跨度钢结构吊点层次优化

在面对大跨度钢结构的多台起重机协同吊装时,为了解决各种变形协调方程都不明确情况下的结构吊点设计问题,利用最小应变能原理,基于改进粒子群算法对吊点进行层次优化,即对吊点数量和布局进行综合优化.通过对标准粒子群算法进行改进并结合APDL的ANSYS二次开发技术,在MATLAB环境中编制了适应大跨度钢结构多吊点层次优化的程序,有限元软件ANSYS被后台调用求解目标函数.该方法充分发挥了有限元软件数值计算准确及粒子群算法求极值的高效性和全局性的优点,与ANSYS自带的零阶方法以及遗传算法、模拟退火算法等进化算法相比表明,本优化方法取得了较好的结果,为解决大跨度结构的吊点离散变量组合优化问题提供了一种新的更有效的途径.     

基于粒子群算法的多项目资源均衡方法研究

针对传统粒子群算法容易陷入局部最优的缺点,提出利用动态惯性权重参数和模拟退火算法修改突变概率,进而改进传统粒子群算法,探讨各项目工期最短情况下的多项目资源均衡分配问题。通过对比试验表明,改进的粒子群优化(particle swarm optimization,PSO)算法很好地实现了多项目的资源均衡优化,通过同比试验验证了改进PSO算法在解决不同规模多项目的资源均衡问题时的算法时间复杂度的线性增长性,很好地表达了人们的调度意图。     

基于MAPSO的混合式多机器人编队控制

为了解决目前编队控制中队形不稳及复杂环境适应性差等问题,针对全局环境中含有动/静态障碍物的复杂环境,提出一种将Leasder-Follower法及人工势场法改进结合的混合式多机器人编队控制新方法;同时,引入多智能体粒子群优化(MAPSO)算法对多机器人编队控制相关参数进行在线优化,能有效避免机器人陷入局部最优,增强其抗干扰能力.对该方法进行仿真分析,并和Leasder-Following法与基于行为法相结合的混合编队控制方法进行比较.结果表明:MAPSO的混合式多机器人编队控制方法能更好地完成多机器人在复杂环境下的编队控制任务,验证了其有效性和可行性.     

基于模拟退火的改进粒子群算法研究

为克服粒子群算法在求解复杂的多峰问题时极易陷入局部最优解的缺陷,作者提出一种基于模拟退火的改进粒子群算法(PSOBSA).在PSOBSA算法中,每间隔若干代,对粒子的历史最优位置进行变异操作,以产生新的粒子;并采用模拟退火的思想,允许新产生的粒子的目标函数值在有限范围内变化;最后采用一种广义的学习策略提升种群收敛的概率.在基准函数的测试中,结果显示PSOBSA算法比基本PSO算法有更好的性能.     

一种求解大规模问题的自学习协同粒子群算法

随着工程技术要求的提高,许多实际优化问题从低维问题发展成高维的大规模优化问题,自然计算算法在面对该类问题时容易陷入局部最优,而协同粒子群算法是解决大规模优化问题的重要手段之一。本文将子种群划分自学习策略和惯性权重自适应策略引入到协同粒子群算法中,增强了算法的自学习能力,提高了算法的全局寻优能力。实验结果表明,所提算法的性能超过了传统协同粒子群等算法,具有求解大规模问题的较大潜力。     

基于协同效能的反导作战任务分配模型

提出了一种基于效能最优的多个反导武器系统协同反导作战任务分配模型。阐明了任务分配与目标分配的关系,给出了任务生成原理,建立了考虑任务分配均匀性和一致性的静态任务分配优化模型;为建模方案之间的协同约束,定义了基本效能、自协同效能和互协同效能;基于粒子群优化算法进行了求解。仿真结果表明:建立的模型和方法适用于静态任务分配问题,所得结果合理有效,能够反映出任务协同在多个反导武器系统协同反导任务中的优势。     

求解作业车间调度问题的混合QPSO算法

文章使用混合量子粒子群优化算法求解作业车间调度问题,并设计了一种基于工序的编码方式;为了克服量子粒子群优化算法容易陷入局部最优的缺点,将模拟退火算法引入量子粒子群优化算法,使算法具有跳出局部最优的能力并增强其全局搜索能力,形成量子粒子群-模拟退火调度算法;仿真结果表明,混合算法具有良好的全局收敛性能.     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

无人攻击机编队配系优化算法

以无人攻击机(UCAV)编队协同火力打击为背景,探讨了无人攻击机编队配系优化问题.首先分析了连续马尔可夫链(CTMC)理论描述无人攻击机火力打击的适用性,并利用CTMC理论对无人攻击机的作战过程进行建模,根据无人攻击机的特点构建了多型无人机打击多种目标的作战模型;对无人攻击机协同作战效果进行了预测,给出了效能预测的MATLAB求解框架;采用基于理想点法的决策方法,根据编队协同作战的预测效果对无人攻击机编队配系进行优化.算例分析表明本文的模型能够反映不同类型无人攻击机的打击特性,有效预测编队打击效能并确定最优配系.此方法能够准确描述无人攻击机编队的作战特性,算法便于计算机实现,为无人攻击机编队作战提供决策支持.