基于传递特下的群间路径搜索方法

本主要探讨了一种路径搜索方法。主要探讨群，传递因子，群内路径的定义，和群间联系，群间可能，群间搜索方法等问题，以解决基于智能的路径搜索问题。     

改进的粒子群算法及其在带软时间窗车辆调度问题中的应用

针对微粒群优化算法容易陷入局部极值的缺陷,提出多相粒子群优化算法(Multi-pha-ses Particle Swarm Optimization,MPSO).建立了带软时间窗车辆调度问题数学模型,并将该方法运用于带软时间窗车辆调度路径优化.根据多相粒子群并行搜索的思想,给出MPSO算法在带软时间窗物流配送车辆调度路径优化的实现流程.仿真结果表明:多相粒子群算法可以快速、有效地求得车辆路径问题的优化解,是一种求解带软时间窗车辆路径问题的较好方案.     

二进制粒子群优化算法在车辆路径问题中的应用

车辆路径优化问题是一类实用价值很高的NP组合问题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,提出了一种新的基于二进制的粒子群优化算法,并将该算法应用于车辆路径优化问题,建立了相应的数学模型和求解算法.将该算法通过与遗传算法、混合蚁群算法和标准粒子群算法进行比较,证明了其搜索速度和寻优能力的优越性.     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

自重构机器人重构运动规划策略研究

通过自重构机器人模块间的连接、断开和运动顺序规划,由风车形晶胞群组成的机器人构形具备通过重构实现质心变化的功能.此种运动方式与特定构形的整体协调运动存在本质区别,为了实现质心的改变,当设计运动规划策略时需要综合考虑机器人的运动路径及模块间的连接、断开和运动顺序.针对运动平面内存在障碍物这一情况,采用启发快速扩展随机树搜索方法对由风车形晶胞群组成的机器人构形的运动路径进行了规划.机器人的每一步运动利用内置的固定运动序列库实现.实验证明了启发快速扩展随机树搜索方法的高效性及可行性.     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

非满载车辆路径问题的改进粒子群优化算法

将局部版粒子群算法应用于非满载车辆路径问题,设计了一种实数编码方案,线性调整惯性权值,改进粒子更新公式,建立了解决该问题的粒子群算法。用该算法求解了两个车辆路径问题的算例,并与遗传算法和标准粒子群算法进行了比较。结果表明:该算法提高了搜索最优路径的成功率,能更有效地求解非满载车辆路径问题。     

基于粒子群算法的移动机器人全局路径规划策略

提出了一种基于保收敛粒子群优化算法的移动机器人全局路径规划策略,为移动机器人在有限时间内找到一条避开障碍物的最短路径提供了一种解决方案.首先建立环境地图模型,将连接地图中起点和终点的路径编码成粒子,然后根据障碍物位置规划出粒子的可活动区域,在此区域内产生初始种群,使粒子在受限的区域内寻找最优路径.在搜索过程中,粒子群优化算法的加速系数和惯性权重均随迭代次数自适应调节.仿真实验表明算法可在起点与终点之间找到一条简单安全的最优路径.与其他文献所提的方法进行了对比研究,结果表明本文所提算法具有更快的搜索速度和更高的搜索质量.     

基于APO的群机器人目标搜索仿真系统设计

针对群机器人目标搜索问题,采用拟态物理学优化算法作为群机器人的建模工具,参考优化个体间的引斥力规则建立机器人间的作用力规则,参考优化个体的质量函数构造有关机器人感知强度的虚拟质量函数,建立群机器人目标搜索模型。根据模型参数较多,要求查看群机器人搜索过程的特点,开发了基于拟态物理学优化算法的群机器人目标搜索仿真系统,实现了参数的灵活定制,动态演示群机器人搜索过程以及生成实验结果报表等功能。     

GPU架构下的并行计算

为降低粒子群优化算法(PSO: Particle Swarm Optimization)时间和空间的复杂度随问题规模的增大而越来越高的问题, 对图形处理器（GPU: Graphic Processing Unit）用于并行计算的方法进行了分析, 利用GPU的并行特性, 实现了粒子群优化算法路径搜索过程的并行化。测试函数实验结果证明, GPU平台较CPU模式下的计算, 其搜索速率有明显提高。     

基于HPSO算法的三维空间路径规划

提出一种基于混合变异粒子群优化(HPSO)算法的三维路径规划方法.首先,对三维空间分割降维,划分“可行域”与“搜索边界”,缩小最短路径解的搜索范围;然后,利用定向变异和随机变异操作收缩解空间,使粒子群在优化过程中向规划起点到终点的中心轴线收缩,以贴近障碍物的边界,从而使所规划路径相对集中且基本分布在中心线左右,更接近于最优解;最后,仿真实验证明了该算法的可行性与优越性.     

基于改进粒子群的柔性作业车间调度问题优化研究

主要针对柔性作业车间调度问题进行求解,利用改进粒子群算法作为求解方法,以最小化最大完工时间(C_max)作为该问题的求解目标.在算例的选取上,选用作业车间调度问题的8*8经典算例和柔性作业车间调度问题的Brandimarte算例对提出的算法进行验证.改进粒子群算法由遗传算法和粒子群算法构成,遗传算法具有较好的全局搜索能力,但搜索过程中收敛的精度不高,粒子群算法由于其寻优特性,在搜索过程中速度较快,但容易陷入局部最优,综合考虑两者的优缺点,将遗传算子引入粒子群算法中,采用交叉搜索的方式,调整惯性权重以及变异的方式使粒子进化,当粒子群进化到一定程度后,对部分粒子进行变异处理从而避免算法陷入局部最优解,同时可以提高粒子群算法的收敛精度.依据柔性作业车间调度问题的特点,在经过多次变换种群规模以及迭代次数后,求解出最适合柔性作业车间调度问题的最优解.     

面向多目标搜索的群机器人任务分配研究

针对群机器人在多目标搜索过程中的协作分工问题,受黄蜂群劳动分工的启发,在黄蜂群的响应阈值模型中引入距离变量来解决群机器人多目标搜索中的任务分配问题。当机器人感知到目标信号时,机器人根据当前搜索该目标的机器人数量以及自身距群体最优位置之间的距离决定是否参与搜索该目标信号,从而实现了机器人之间针对搜索不同目标的任务分配。仿真结果表明,该方法有效可行。     

基于靠近目标粒子群算法的AGV路径规划

进行移动机器人(automated guided vehicle,AGV)路径规划时,针对传统粒子群算法易陷入局部最优解、搜索效率低等问题,文章提出靠近目标的粒子群算法,更好地解决AGV路径规划问题.在AGV运行环境建模时,将障碍物转化为多边形并进行膨胀处理,利用障碍物顶点划分坐标系;引入Metropolis准则,使算...     

混合离散粒子群算法求解机器人装配线平衡问题

以最小化总成本为目标，将一组工序和机器人分配至工作站上的问题称为面向成本的机器人装配线平衡问题(cRALBP),为了解决此NP难问题，提出一种混合离散粒子群优化(HDPSO)算法.首先，对于给定工序，设计动态规划方法直接获取工序对应的最优机器人分配方案，从而缩小搜索空间，提高算法的全局寻优能力.然后，提出一种新的算法框架，其通过融合路径重连加强算法的局部搜索能力，并通过汉明距离评估解之间的差异，选择采用多片段交叉算子或者片段变异算子进行粒子更新，取代随机选择算子的方法，从而实现算法全局搜索和局部搜索的平衡.将所提出的HDPSO算法与最新的粒子群、人工鱼群算法在144个算例上进行对比，验证了HDPSO算法的有效性和优越性.     

基于粒子群算法的航空发动机管路布局方法

针对航空发动机的内机匣表面为近似柱面的特点,建立了布管模型坐标系,将三维布管问题简化为二维问题,以栅格法和粒子群算法为基础,提出了基于粒子群算法的航空发动机管路布局方法.该方法采用栅格法对环境进行建模,设计了一种基于栅格的定长度粒子编码机制以解决变长度编码的不足,建立了路径寻优的目标函数,应用粒子群算法在环境模型中搜索最优粒子.最后给出了仿真结果与UG视图,证明了该方法的可行性和有效性.     

改进的万有引力搜索算法

针对万有引力搜索算法对一些优化问题的搜索精度不高,容易出现早熟的问题,提出了改进的万有引力搜索算法.该算法借鉴生物界中雁群的飞行特征和加权平均法,扩大了搜索范围,加强了粒子间的合作与竞争.通过对6个基准函数的仿真测试,MATLAB仿真结果表明新算法能更有效地提高全局搜索能力.     

带时间窗车辆路径问题的混合粒子群算法

将粒子群优化算法与模拟退火算法结合,提出了一种求解车辆路径问题的混合粒子群算法.实例计算及与遗传算法比较的结果表明:应用混合粒子群算法可以快速地求得带时间窗车辆路径问题的优化解;该算法是一种求解离散组合优化问题的有效方法.     

基于自适应混沌变异粒子群算法的地震参数反演

提出了一种改进的基于自适应混沌变异的粒子群优化算法来解决地震参数反演问题.该算法提出自适应飞行策略,根据搜索能力对粒子群进行划分,增强了子群间的协同能力,使算法具有良好的全局寻优能力;两阶段混沌变异策略能够在粒子进化的不同阶段进行自适应性搜索,使算法具有较高的搜索精度.实验结果表明,该算法可有效避免标准PSO算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.首次将该算法应用于地震参数反演问题,结果表明该算法提高了反演精度且不受初始模型影响,能够较好地解决地震参数反演问题.