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.     

基于注水方法与粒子群的多用户OFDM资源分配

针对各态历经信道下多用户OFDM资源分配的用户速率加权和最大化问题,提出了一种新注水方法,能够快速和准确地得到最优子载波分配和最优功率分配;根据Karush-Kuhn-Tucker(KKT)最优性条件,采用粒子群算法对速率阈值乘子进行调整,最大化了满足用户速率阈值限制的用户速率加权和.通过对所提算法与随机对偶梯度算法的分析比较发现,所提算法能够更好地满足KKT最优性条件,从而有利于找到最优解.仿真结果表明,本算法所得到的用户速率加权和高于随机对偶梯度算法.     

基于收益-风险双目标规划的随机能力扩张模型

能力扩张问题是指在不同计划期,根据不断增长的市场需求,调整生产能力,使产能与需求合适匹配以寻求企业盈利的最佳表现.能力扩张涉及长期的产能投资,是生产领域的战略决策问题.当面对不确定需求时,这一决策任务变得十分复杂,需要从回报与风险两个角度评估能力扩张方案的性能.本文基于Scenario树描述多阶段的随机需求,从而建立随机环境下能力扩张问题的Scenario决策模型.其中考虑两个决策目标:最大化利润和最小化期望下方风险,因而形成了一个双目标规划问题.为求解该问题,基于二进制粒子群优化技术,提出了双目标优化的粒子群算法.算例表明该算法可以得到近似Pareto前沿,且能揭示利润与风险的同向变化关系.     

基于改进量子粒子群算法的无分流换热网络综合

用数学规划法求解换热网络优化问题,当换热网络模型考虑所有分流情况时,会包含大量的连续和离散优化变量,因此对大规模换热网络的优化求解非常困难。相比有分流模型,无分流的网络模型结构简单,变量少,求解难度低。本文以分级超结构模型为基础,建立了无分流换热网络模型,以年综合费用为优化目标,提出用单层改进量子粒子群算法综合无分流换热网络,即在生成无分流换热网络结构变量的同时,生成换热负荷变量。相比有分流同步综合模型,不考虑分流的同步综合模型的复杂度和求解时间显著降低。采用两个典型算例对该方法的有效性进行了验证。     

基于多目标离散粒子群的产品服务系统方案配置规则提取

为有效辅助工程师将顾客需求转化为产品服务系统方案,针对其技术特征,提出一种离散粒子群优化算法(DPSO)与帕累托(Pareto)结合的配置规则提取方法.该方法包括建立产品服务系统配置规则模型及构造Pareto-DPSO算法模型.Pareto-DPSO算法基于Sobol序列的频率初始化方法及离散化粒子更新方式,将连续粒子映射到十进制离散空间;并利用Pareto进行多目标下粒子优劣性评价,以获取非支配的最优规则集.以汽车产品服务系统方案配置设计为例,经与常规多目标粒子群算法及DPSO算法对比,验证了该方法对于解决多维空间内产品服务配置规则挖掘的可行性及有效性.     

基于改进萤火虫算法的人群疏散仿真

基本萤火虫算法在人群疏散仿真中存在疏散速度慢、疏散路径不平滑的缺陷,针对该问题,提出一种改进萤火虫算法。借鉴微粒群算法的位置更新策略,将全局最优引入到萤火虫算法的位置更新过程。与原始算法相比,改进后的算法在收敛速度和求解精度方面有明显的提升。在搭建的3D仿真系统中,对改进后的算法进行人群疏散仿真实验。仿真实验表明,该算法能够实现人群远离危险源并最终到达目标安全区域的路径规划,仿真效果逼真。与原始算法及微粒群算法相比,该算法在提高人群疏散速度的同时,也提高了疏散路径的平滑性和稳定性。     

文化算法框架下混合群智能算法的肿瘤信息基因选择

为了消除与分类无关和冗余基因,以提高基因的分类精度和效率,提出一种文化算法框架下混合群智能算法的肿瘤信息基因选择方法.首先采用ReliefF算法初选基因子集,然后利用文化算法框架下混合群智能算法选择最优的信息基因,最后在3个标准肿瘤信息基因数据集对其性能进行测试.仿真结果表明,文化算法框架下混合群智能算法可以有效去掉无用的噪声基因,降低计算复杂度,分类精度均可以达到100%,具有较好的实际应用价值.     

组合优化策略的改进协同优化方法

为克服传统协同优化方法一致性约束造成的收敛困难和局部最优问题,提出将粒子群优化算法和修正可行方向法结合并引入协同优化.应用粒子群算法获得全局最优解近似,在此基础上应用修正可行方向法进行局部精确搜索.分别以一个典型的二次函数优化问题和一个减速器设计优化问题作为测试实例,优化结果表明,所提出组合优化策略是有效的,同时兼顾了优化效率和精度.     

基于惯性权重自适应改变的混沌粒子群算法

粒子群算法是美国学者受鸟类觅食行为启发提出的一种群体优化算法,在迭代后期易早熟收敛.为此利用混沌运动的随机性、规律性和遍历性的特点对粒子群算法进行优化,提出了一种惯性权重自适应改变的混沌粒子群算法.在算法中对惯性权重进行调整加快算法前期收敛速度,而且加入了变异操作以帮助粒子后期跳出局部极小.最后用测试函数进行仿真实验,结果表明该算法收敛快,寻优能力强,寻优精度高.     

基于自适应模拟退火的改进混合粒子群算法

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。