基于Voronoi图和量子粒子群算法的无人机航路规划

 无人机(UCAV)是自主控制执行任务的无人驾驶飞机,其航路规划是一类复杂优化问题,因此难以在多项式时间内获取精确解,为此提出了一种基于Voronoi图和量子粒子群(QPSO)算法的UCAV航路规划方法。首先,在综合考虑航路的雷达威胁和燃油耗费的基础上定义了航路规划的代价模型;然后,根据已知的威胁源生成Voronoi图,通过连接起点、Voronoi图中顶点以及终点获得初始规划解集;最后,通过引入柯西变异随机数和扰动对QPSO算法进行改进,以增强其全局寻优能力和收敛速度,并定义了采用此改进的QPSO算法对UCAV进行最终航路规划的具体算法。仿真实验表明,该方法能求解出UCAV航路规划的最优解,且与经典的PSO算法和QPSO算法相比,具有全局寻优能力强和收敛速度快的优点。     

基于改进DPSO非退出故障下多无人机任务规划

针对非退出故障下多无人机协同任务规划问题,提出了一种基于混合策略改进的离散粒子群算法。该方法首先采用Sobol序列进行种群初始化,提高解空间的覆盖率;然后,提出非线性时变策略,加快算法的收敛速度;并引入柯西算子,增强离散粒子群算法的搜索空间;同时,还提出自适应交叉学习策略,丰富种群多样性,进而提升算法的全局寻优能力。综合改进的离散粒子群算法不仅加快了收敛速度,并且解的最优性也得到了提高。此外,运用三次样条插值算法进行无人机航迹规划,最后,将改进算法在三维空间中进行无人机故障前后的对比仿真实验,结果表明所设计的算法具有显著的寻优有效性,为部分无人机发生轻微故障后,多机协同执行任务规划的问题提供了理论依据。     

一种求解复杂优化问题的改进粒子群优化算法

为了提高粒子群优化算法中粒子搜索最优解的效率,该文在标准粒子群优化算法的基础上,提出一种改进的粒子群优化算法。该方法通过对粒子飞行轨迹的分析,对种群中每个粒子构建了评价粒子性能差异的等级标准,并对认识系数和社会系数设计了对应的动态变化系数模型。通过引入迁徙策略,使迁徙行为随机生成的新粒子更有可能接近全局最优解,更加有利于群体搜索跳出局部最优解和寻找全局最优解。实验结果表明,与其他比较算法相比,该文提出的改进粒子群优化算法具有寻优能力强和搜索精度高等优点,测试准测上的实验数据验证了改进算法的有效性和可行性。     

非线性混合整数规划问题的改进量子粒子群算法

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。     

改进磷虾群算法在变电站选址中的应用*

随着用电设备使用的增多,必需新建变电站来扩大电力负荷输出规模,针对如何快速并有效地确定候选变电站最优站址的问题,提出了一种新型改进磷虾—粒子群优化算法;在算法中,首先将随机产生的初始种群分为两个子种群,分别用于磷虾算法和粒子群算法,然后再将更新后的种群合并,通过种群的分离与合并,所有个体可以彼此交换位置信息,既能增加种群多样性又可避免陷入局部解,并且在保证找到全局最优解的情况下不添加任何附加操作;为了验证算法的有效性,将其用于变电站选址的工程问题中,由仿真结果可知:混合磷虾—粒子群优化算法寻优效率高,结果准确。     

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。     

多目标服务工作流混合粒子群调度算法

针对NP难的服务工作流时间一费用优化问题,提出多目标混合粒子群算法(HMOPSO)来优化工作流调度问题.HMOPSO算法包括:初始种群生成、适应值分配、种群多样性保持、外部种群和极值选择.通过分析服务工作流的特征,构建有效的粒子结构使之离散化;通过设定单目标最优初始解,优化初始种群;通过引入外部种群和基于小生境技术的网格方法,获得分布均匀的Pareto最优解集.实验结果表明,HMOPSO具有更快的收敛速度和更好的寻优能力,并且在不同特征的问题实例上获得了数量众多、分布均匀、有较高质量的Pareto最优解集.     

基于多种群多策略的竞争粒子群算法

针对标准粒子群算法遇到的易陷入局部最优、收敛差、求解精度低等问题,提出了多种群多策略竞争粒子群优化算法.新算法将每一代粒子根据适应度排序,将其划分为不同的子种群,并引入非线性Logistic混沌映射权重、收缩因子和混合高斯-柯西扰动机制来更新这些子种群.使用不同的粒子更新方式平衡了算法整个时期的全局搜索和局部开发能力,从而加快了收敛速度.最后,将多种群多策略竞争粒子群优化算法与标准粒子群算法和其它优化算法在11个测试函数上进行对比,结果表明,新算法在跳出局部最优解、和寻优精度方面显著优于标准粒子群算法,且有更快的收敛速度.在寻优能力和算法稳定性上大幅度强于其它对比算法.     

具有协同寻优的蝙蝠萤火虫混合优化算法

萤火虫算法存在着对于初始解分布的依赖性、后期收敛速度慢、易于停滞、早熟和求解精度低等缺陷。本研究在萤火虫算法引入蝙蝠种群在全局最优附近进行更加详细的局部搜索,以协助萤火虫种群进行寻优;并在寻优过程中加强蝙蝠种群与萤火虫种群的信息交互,协调寻优;最后对全局最优个体进行高斯扰动以增加种群的多样性,从而避免种群陷入局部最优解。通过使用6个常见的基准测试函数对该算法进行测试,并与其他3种算法(标准粒子群算法、蝙蝠算法、萤火虫算法)进行对比实验,结果表明该混合算法的总体性能优于其他3种算法。引入蝙蝠种群对萤火虫性能有较大提升,改善切实有效。     

全局混沌蝙蝠优化算法

为提高蝙蝠算法进行特征选择的正确率,提出全局混沌蝙蝠优化算法(GCBA).首先,GCBA采用混沌映射方法使种群的初始化能够遍历整个解空间,获取蝙蝠初始的最优位置,使其具有更加丰富的种群,解决了初始化种群随机性的问题.同时,GCBA引入当前粒子的最优解和当前种群的最优解跳出局部最优解,可有效避免算法早熟,有利于提高算法的全局搜索能力.蝙蝠算法(BA)、粒子群算法(PSO)与遗传算法(GA)在10个数据集上的测试结果表明,所提算法具有更高的分类精度和更强的跳出局部最优的能力.     

改进的混沌粒子群优化算法

针对传统的简单粒子群算法(SPSO)早熟、易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法(CPSO)。该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取SPSO初始种群,使粒子均匀分布在解空间。当SPSO陷入早熟时,CPSO在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优。对7个标准测试函数的寻优测试表明:CPSO算法在寻优精度、速度、稳定性等方面均优于SPSO。     

一种改进的人工蜂群算法——粒子蜂群算法

针对经典人工蜂群算法收敛速率较慢,后期易陷入局部最优解的不足,本文将粒子群算法中"全局最优"的思想引入到人工蜂群算法的改进过程,从而形成了一种新的人工蜂群改进算法——粒子蜂群算法.首先,提出了趋优度的概念,用来衡量引领蜂在有限次迭代过程中向全局最优解靠近或远离的程度,趋优度值可以评价个体的"发展潜力",趋优度值越低的个体,越需要增大变异的程度,以便找到质量更优的解.其次,专门设计了一种新的蜜蜂群体——粒子蜂,在引领蜂变异阶段根据趋优度的大小将引领蜂变异为侦查蜂和粒子蜂,粒子蜂的出现在很大程度上增加了种群的多样性,拓展了算法的搜索范围.然后,通过粒子蜂群算法种群序列是一个有限齐次马尔科夫链和种群进化单调性的分析,验证了本文所提算法的种群序列依概率1收敛于全局最优解集.最后,将本文所提算法应用于多个常见测试函数,并与经典蜂群算法、近年其他文献改进蜂群算法进行了仿真对比研究,仿真结果表明本文所提算法确实加大了种群的分散度、扩宽了搜索范围,从而具有更快的收敛速度和更高的寻优精度     

带高斯扰动和协同寻优的蝙蝠粒子群混合算法

为了进一步提高粒子群算法的性能,提出了一种新的群体智能优化算法——带高斯扰动和协同寻优的蝙蝠粒子群混合算法。该混合算法利用蝙蝠个体脉冲的回声定位对最优粒子gbest进行高斯扰动而产生一个局部解,把该局部解加到蝙蝠种群中,然后根据局部解的位置优劣与蝙蝠个体产生的响度来更新粒子群。在寻优过程中,对gbest进行高斯扰动增加了种群的多样性而避免粒子群过快陷入局部最优,并且加强了蝙蝠种群与粒子群的信息交互,协同寻优。与蝙蝠算法、标准粒子群算法、烟花算法、带高斯扰动的粒子群算法、粒子群差分算法相比,带高斯扰动和协同寻优的蝙蝠粒子群混合算法的总体性能优于其他5种算法。     

基于粒子群和细菌觅食优化算法的直流电动机控制系统的PID参数寻优

由于直流电动机控制系统的PID参数选取可等效为优化问题,因此基于寻优策略法的PID控制成为一类有效的研究方法。粒子群优化的寻优能力在进化后期随着种群多样性的消失易陷入局部最优,而细菌觅食机制具有易跳出局部最优的特点。本文将两种优化算法相结合,给出一种混合启发式算法应用于直流电动机控制,在细菌觅食优化算法中初始位置加入粒子群优化算法结果,通过细菌觅食优化算法找到最优的直流电动机PID控制参数,实现PID控制要求。仿真结果表明本文算法在收敛速度和控制效果上优于粒子群优化和细菌觅食优化算法,验证了寻优方法的有效性和可行性。     

基于ALCE-SSA优化的三维无人机低空突防

针对无人机在三维低空突防时存在环境复杂、路径规划计算量大等问题以及现有的麻雀搜索算法算法路径搜索能力不足、易陷入局部最优等缺陷,提出一种基于改进麻雀搜索算法（ALCE-SSA）的三维无人机低空突防的航迹规划方法.首先,建立三维地形模型、威胁源模型和无人机物理约束模型,确定代价函数;其次,设计随机Tent映射初始化种群,提高初始化种群的质量;然后针对麻雀搜索算法算法中发现者位置更新的不足,设计一种自适应领头雀引导策略,减小依靠单一父代更新的不利影响,能够同时提升前期全局探索和后期局部寻优的能力;最后,针对种群多样性不足、易陷入局部最优的问题,设计一种中心变异-进化因子,扩大搜索空间,进一步提升全局寻优能力.和灰狼算法、飞蛾扑火算法和麻雀搜索算法相比,ALCE-SSA的能耗更优,路径更平滑,收敛速度更快,可使无人机有效地利用地形优势来躲避威胁源,表现出较好的寻优能力.     

基于粒子群优化的目标分类算法

定义一个确定聚类数K和初始数据中心的算法,将由算法得到的初始数据中心作为初始粒子,用粒子群优化算法寻优,获得最优数据中心;使用模糊K-Means算法,采用最优数据中心进行聚类.在UCI数据集上的实验结果表明,算法能准确实现分类,具有较强的全局寻优能力和较快的收敛能力,寻优时间较少,能有效地解决目标分类问题.     

粒子群算法在多目标优化中的应用综述

粒子群优化算法是一种基于群体智能的全局随机寻优算法。它通过粒子搜寻自身的个体最优解和粒子群体的全局最优解来完成更新优化。粒子群算法在很多领域得到了广泛的应用。本文主要论述了多目标PSO约束优化的基本思想、实现情况,并展望了PSO算法在多目标优化中的未来发展方向。     

基于粒子群文化算法的变电站选址与定容

针对传统变电站选址与定容算法往往难以在寻优速度与寻优质量之间取得平衡的问题,充分分析了变电站优化规划的特点,提出了一种用于变电站规划的算法——粒子群文化算法.选择粒子群算法作为文化算法的底层寻优算法,并设计文化算法上层空间的知识源约束条件,从而形成新的算法;基于容载比等方面要求的满足来得到新建变电站的座数范围;继而利用整数规划方法确定新建变电站容量组合的几组较优解;利用所构建的粒子群文化算法计算变电站位置、容量、供电范围等规划要求.通过算例分析可知,所提出的算法不仅继承粒子群算法对初始解要求不高的优点,而且充分发挥了文化算法寻优范围大的特色,从而加强了变电站优化规划工作的可操作性和实用性.     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

融合多种策略的改进粒子群算法及其在电子商务多级物流中的应用研究

为了提高粒子群优化算法(PSO)求解复杂优化问题的能力,本文对基于细菌趋化的粒子群优化算法(PSOBC)进行改进。PSOBC算法是PSO算法的一种新思路,可以有效地克服其易陷入局部最优、后期粒子多样性差的缺点,故将一般反向学习策略和自适应惯性权重与PSOBC算法相结合,得到一种改进的粒子群优化算法。改进的粒子群优化算法的开发能力和勘探能力都得到了很大的提高;在求解复杂性优化问题时种群能够在搜索范围内快速收敛到局部最优处,并且当种群密度足够小时,及时增大种群密度即进行去全局寻优。最后将改进后算法应用到电子商务多级物流中心选址及路径规划问题上。