基于加权k-均值聚类与粒子群优化的多航迹规划

针对复杂环境下的无人机多航迹规划问题,提出了将粒子群优化（particle swarm optimization, PSO）算法与加权k-均值聚类算法相结合的规划方法。每个粒子表示一条航迹,采用加权k-均值聚类算法对粒子进行分类,得到多个粒子子群,在每个子群内部进行一条可行航迹的优化,最终得到多条不同的可行航迹。对传统k-均值聚类算法进行改进,采用排挤机制产生初始聚类中心,针对实际环境中突发威胁的分布不均性,在聚类过程中,对航迹节点按照所在区域突发威胁的出现概率进行加权,提出了加权k-均值聚类算法。仿真实验表明,所提出的方法能够有效地得到无人机的多条可行航迹。     

基于粒子群优化的高超声速飞行器航迹规划

提出了一种基于粒子群优化算法的高超声速飞行器航迹规划方法并进行了仿真验证.首先计算了高超声速飞行器的最小转弯半径,然后建立威胁模型,将威胁模型投影到赤道平面内,利用一个有限项的多项式函数采逼近实际航迹在赤道平面内的投影,使航迹规划问题简化为在一个多项式系数空间中的搜索寻优问题.利用粒子群优化算法,鉴于高超声速飞行器特点,规划得到赤道平面内的航迹,根据对应关系,最后得到实际航迹.仿真结果表明,生成的航迹自动避开了威胁.     

基于粒子群优化的三维突防航迹规划仿真研究

提出了一种基于粒子群优化的三维突防航迹规划方法并进行了仿真验证。通过引入最小威胁曲面的概念生成三维航迹搜索空间,利用一个有限项的多项式函数来逼近最小威胁曲面中的三维航迹在二维水平面内的投影,从而原来的规划问题简化为在一个一元函数多项式系数空间中的搜索寻优。利用粒子群优化,将约束条件和搜索算法相结合,能有效减小搜索空间,提高效率。仿真结果表明,生成的航迹具有地形跟随、地形回避和威胁回避的功能。     

基于粒子群优化技术的点匹配算法

点匹配问题一直是计算机视觉、模式识别、医学临床诊断领域的一项重要的基础性工作。本文提出了一种基于粒子群优化算法的准确、快速和鲁棒性的点匹配方法。该方法首先确定两个特征点集的点匹配问题的能量函数，通过最小化该能量函数可以同时得到点集之间的匹配矩阵和映射参数，利用粒子群优化算法求解变换参数，实验表明，该算法适用于点匹配，具有操作方便、可靠性好、不易陷入局部极值等优点。     

基于改进粒子群优化算法的虚拟企业伙伴选择

在分析基本粒子群优化算法和建立虚拟企业伙伴选择多目标决策模型的基础上,提出了一种求解供应链联盟伙伴选择的优化问题的改进粒子群算法.在优化过程中,该算法以优良适应值粒子取代部分不良适应值粒子,使算法具有过滤能力,加快了搜索速度,并保证了收敛于全局最优解.实验结果用基本粒子群算法进行了验证和比较,表明该改进粒子群算法具有较好的性能和简单快速准确等特点.     

求解双层规划模型的粒子群优化算法

首先对粒子群优化算法作了改进,然后提出采用改进的粒子群优化算法并借助分层迭代的思想来求解双层规划模型,进而提出并描述了求解双层规划模型的一种通用的有效算法.最后,通过实验研究和对比分析验证了文中算法的有效性.     

基于粒子群优化算法的无人战斗机路径规划方法

对于无人机的路径规划问题,从和机器人路径规划问题的差别入手,通过粒子群优化算法对有限数目的采样航点的优化,使用高次B样条曲线拟合出满足路径最短且威胁最小的无人战斗机的飞行路径。研究了路径规划约束的数学模型、粒子构造方式和粒子的评价适应度函数。通过仿真对目前出现的基于粒子群优化算法的无人机路径的多项式拟合方法和所提出的基于B样条拟合的方法进行了比较。仿真结果表明,使用粒子群算法优化出来的B样条曲线比多项式拟合法和几何方法更加合理有效。     

基于自适应郊狼算法的无人机离线航迹规划

针对无人机(unmanned aerial vehicle,UAV)离线航迹规划对算法全局搜索能力和鲁棒性的要求,设计一种自适应郊狼算法,从最优化问题角度研究UAV离线航迹规划.建立UAV离线航迹规划的数学模型;在标准郊狼优化算法的基础上设计4种操作算子和一种自适应学习机制,使算法在搜索的过程中,智能选择合适的操作算子...     

集成粒子群优化算法在电网规划中的应用

电网规划是一个大规模、复杂的、具有非线性离散变量和多约束的多目标数学优化问题。在优化过程中,考虑了投资费用、可靠性和对环境的影响等三个因素。提出将模拟退火优化方法嵌入粒子群优化算法中,以此构建集成粒子群优化算法。在搜索过程中还加入变异操作来增加种群多样性,以避免早熟收敛。局部搜索增加了算法的开发能力,而变异操作提高了算法的探测能力。探测与开发能力的平衡,通过两个阈值来实现。通过对一220kv电力传输系统的实例研究表明,集成粒子群优化算法局部搜索能力有显著提高。     

阶梯型粒子群算法及在函数优化中的应用

提出一种自适应动态群粒子群方法,根据粒子群的多样性,采用梯形规律动态调整粒子群的规模,既保证每个粒子都得到充分的进化,又保持了群体的多样性,使局部收敛的可能性大大减少。此方法根据群体的多样性的大小,在减少群体规模时,采用较差淘汰法,淘汰一些较差的粒子,在增加粒子时,采用交叉法产生新个体,既保持粒子的继承性,又维持了粒子群的多样性。对典型函数进行测试实验,结果与其它粒子群方法进行比较,验证了方法的有效性。     

混合种群RRT无人机航迹规划方法

快速扩展随机树（rapidly-exploring random tree,RRT）无人机航迹规划方法能够快速获得满足约束要求的可行航迹,但是无法获得接近最短航迹的较优航迹。针对航迹的最优性问题,提出了混合种群RRT无人机航迹规划方法。在基于环境势场的RRT算法的基础上,设计了一种种群优化方法,通过引入自优化种群和协同优化种群改善航迹段,使算法同时具有局部和全局寻优能力。在得到航迹节点的基础上,采用B样条曲线的平滑方法生成曲率连续的可跟踪航迹。仿真结果表明,所提算法能够综合考虑无人机航程代价和雷达威胁代价,快速地收敛得到接近最优且满足无人机动力学约束的可行航迹,在不同环境下也能有满意的收敛效率。     

基于改进A*算法的飞行器三维航迹规划算法

提出了改进A*算法并应用于飞行器航迹规划,该算法把地形平滑技术融合到路径搜索的过程中,使平滑处理只需满足路径选择方向的飞行坡度要求和飞行器过载限制,得到的最优航迹更加贴近地形。在相同的条件下对改进A*算法和传统算法进行仿真比较,传统算法需要35 s左右收敛得到优化航迹并且代价函数为32.15;改进算法能在24 s内找到代价函数最优的飞行器三维航迹且代价函数为28.26,仿真结果表明改进A*算法在收敛速度和最优路径代价函数结果都明显优于传统算法,是一种有效的三维航路规划方法。     

Cooperative extended rough attribute reduction algorithm based on improved PSO

Particle swarm optimization (PSO) is a new heuristic algorithm which has been applied to many optimization problems successfully. Attribute reduction is a key studying point of the rough set theory, and it has been proven that computing minimal reduction of decision tables is a non-derterministic polynomial (NP)-hard problem. A new cooperative extended attribute reduction algorithm named Co-PSAR based on improved PSO is proposed, in which the cooperative evolutionary strategy with suitable fitness functions is involved to learn a good hypothesis for accelerating the optimization of searching minimal attribute reduction. Experiments on Benchmark functions and University of California, Irvine (UCI) data sets, compared with other algorithms, verify the superiority of the Co-PSAR algorithm in terms of the convergence speed, efficiency and accuracy for the attribute reduction.     

基于区间灰度的无人机航迹择优评价方法研究

本文给出一种基于区间灰度评价理论的无人机多航迹方案择优方法,提高了不确定飞行环境下,无人机航迹择优的精度和可靠度.针对无人机多航迹方案择优中存在的不确定性和威胁信息获取的不完全性,本文将反映不确定性的区间数,与刻画信息获取量的灰度组成的二元有序对,作为新的评价标度-区间灰度,并定义了决策结果可靠度指标;接着构建了基于区间灰度评价标度的无人机航迹方案择优方法.在无人机航迹规划方案的择优实证分析中,对比仿真了本文方法与区间决策方法,仿真结果表明:本文方法不仅能有效提升最优方案分别与次优和最差方案评价指标的离差,减少决策者的犹豫度;还能提供决策结果的可靠度信息,增加决策信心.     

基于正六边形栅格JPS算法的智能体路径规划

通过构建正六边形栅格地图, 并修改传统跳点搜索(jump point search, JPS)算法的邻居剪枝、强制邻居判断的规则和JPS策略, 提出一种新的正六边形栅格JPS算法, 并且利用该算法解决智能体在环境地图存在障碍物时的路径规划问题。利用Pycharm平台进行仿真研究, 并与传统正方形栅格A^*算法和JPS算法进行路径规划仿真比较, 结果表明正六边形栅格JPS算法可更好地实现路径规划, 所规划出的路径可避免穿越墙角的不安全行为、减少转向次数, 且该算法可减少路径规划时间, 提高了路径规划的质量和效率。     

基于精英族系遗传算法的AUV集群路径规划

针对传统路径规划算法仅能规划单一最短路径且不能调节路径宽度而难以适用于自主式水下航行器(autonomous underwater vehicle, AUV)集群航路规划的缺陷, 提出了精英族系遗传算法(elite family genetic algorithm, EFGA)。该算法将基因适应度加入适应度评价函数中, 同时在进化过程中标记精英个体作为多路径规划结果, 并在该算法基础上针对AUV集群路径规划问题设计了一种多智能体路径规划(multi-agent path planning, MAPP)方法。仿真结果表明, 该算法可以求解无冲突路径集合实现MAPP, 通过实现AUV集群的最优多路径航行方案减少集群的航行耗时, 且能够满足不同AUV编队规模对可调路径宽度的需求。     

基于LASSA算法的多无人机协同航迹规划方法

针对基本麻雀搜索算法(sparrow search algorithm,SSA)在求解多无人机(unmanned aerial vehicle,UAV)协同航迹规划问题时收敛精度不高,易于陷入局部最优等问题,提出了一种使用对数螺旋策略和自适应步长策略的SSA (logarithmic spiral strategy a...     

交互策略改进MOFA进化的多UAV协同航迹规划

针对无人机(unmanned aerial vehicle,UAV)多目标优化协同航迹规划方法中Pareto最优解集规模随迭代增长,难以选择适合UAV任务特点的协同航迹等问题,提出一种基于交互策略改进多目标萤火虫(multi-objective firefly algorithm,MOFA)进化的多UAV协同航迹规划方...