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.     

基于改进蚁狮优化的贝叶斯网络结构学习算法

为了改善小数据集下BN结构学习中对数据利用不充分的缺陷， 提高贝叶斯结构学习算法的寻优效率，提出基于改进蚁狮优化的贝叶斯网络结构学习算法。首先，通过互信息约束初步构建网络，并对蚁狮算法初始化；其次，为了有效利用小数据集，用改进的sigmoid函数对迭代中的矩阵元素进行二值转换；为了进一步提高蚁狮算法的搜索效率，用生物地理算法中的迁移、变异、清除算子抽取更换个别蚂蚁；最后，结合蚁狮算法的更新机制寻找最优解。实验结果表明，文中算法寻优效率高、收敛速度快，能跳出局部最优,具有更高的准确性。     

自适应可调节边界的蚁狮优化算法

针对蚁狮算法存在的收敛速度较慢、寻优精度较低和无法很好地摆脱局部最优解等缺陷,提出一种自适应可调节边界的蚁狮优化算法(ABALO)。首先,利用Bernouilli shift混沌映射初始化种群,增强种群的多样性与稳定性;其次,引入比例参数改进蚁狮为捕获蚂蚁而设置的陷阱大小收缩规律,提升算法的收敛速度;再次,引入莱维飞行策略,对位置更新进行变异操作,并采用贪心思想,仅保留位置变动后适应度有改进的解,帮助算法摆脱局部最优解;最后,利用动态系数改变位置更新的权重,促使算法前期着重探索局部最优解,后期重点挖掘全局最优解,进而提升算法的寻优精度。经9个基准测试函数仿真测试验证,提出的ABALO算法在收敛速度和寻优精度均有较明显的提升,寻优性能良好。     

采用能耗最优改进蚁群算法的自治水下机器人路径优化

针对传统路径优化算法中"距离最短能耗非最低"的问题,提出了一种基于能耗最优改进蚁群算法的自治水下机器人路径优化算法。该算法通过对水下机器人进行水动力学分析,建立了水下机器人移动过程中的受力模型;得到了机器人移动路径的能耗计算公式;提出了能耗最优的改进蚁群算法,采用路径能耗的倒数作为路径信息素值,实现了能耗指导蚁群进化的目的。实验结果表明:该算法规划的路径长433.51m,水下机器人能耗12 235.17J,算法寻优迭代次数22次;传统距离最优算法规划的路径长393.56m,水下机器春能耗12 864.99J,算法寻优迭代次数33次。该算法规划的路径距离虽比传统算法长10%,但是能耗却降低了5%,收敛速度明显比传统算法快,对降低水下机器人能耗、提高续航能力有一定的优势。     

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法(FOPSO)是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法(NAFPSO)。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。     

嵌入不动点迭代法的粒子群算法

针对利用粒子群优化算法寻找最优极值的问题,本文提出了一种对粒子群优化算法的改进方式.在粒子群优化算法中,加入不动点迭代法,即在进行粒子群迭代寻优之后,再利用不动点迭代策略再次进行迭代寻优计算.通过两次迭代寻优计算,让算法更加快速的收敛到最优值,并且能够找到更小的极值,且不易陷入局部极值.让粒子群算法更加稳定,寻优更加优化.     

多目标优化-改进遗传算法路径规划模型

优化智能算法进行路径规划可以有效缓解用户出行拥堵问题，为此，设计了多目标优化-改进遗传算法(multi-objective-improved genetic algorithm, M-IGA)组合模型。采用Dijkstra算法改进种群初始化策略，完全规避了断路和环路，提高了初始种群质量；设计基于邻接矩阵的深度优先遍历交叉策略、邻接限制半随机变异策略，兼顾算法全局搜索和局部寻优能力，解决了种群多样性降低、过早收敛的问题。同时，在设计适应度函数时，引入个体用户偏好权重系数，综合考虑了平均行驶时间、交叉口延误、道路拥挤状况、道路等级4种因素来进行多目标优化，为用户寻找符合个体期望的最优路径。研究结果表明，所提出模型相比于蚁群算法路径寻优效率提高了54.322 0%;相比于单目标路径寻优，最优路径综合代价降低了23.609 1%,有效避开了拥堵及交叉口多的路段。     

基于改进蜘蛛群居算法的移动机器人路径规划方法研究

路径规划是移动机器人研究的重要领域之一,其优劣直接影响行径过程中机器人与周围环境的交互能力。常用的全局路径规划方法容易产生扩大空间时决策速度下降、死锁等问题,蜘蛛群居算法其收敛速度和搜索能力不佳,通过改进邻域搜索,改进全局搜索和婚配半径,来获得更优的收敛速度和搜索能力,迭代寻优时,通过模拟蜘蛛群体运动规律,即依据雌、雄蜘蛛的协作,相互吸引以及婚配过程进行信息交互,最终得到最优解。实验证明:改进蜘蛛群居算法,可以实现对移动机器人的路径规划,提高其搜索能力,避免在路径规划过程中陷入局部最优,相比于蜘蛛群居算法和粒子群算法,该算法优化后的最短路径和实际路径更优。     

基于随机替换和混合变异的蜻蜓算法

针对基本蜻蜓算法(dragonfly algorithm, DA)容易陷入局部最优、收敛速度慢及寻优精度低等缺陷,提出了基于随机替换和混合变异的蜻蜓算法(dragonfly algorithm based on random substitution and hybrid mutation, DASM)。首先,利用混沌映射提升初始解的质量;其次,引入中心点随机替换策略,从而提高算法收敛速度;最后,通过对种群个体进行变异操作,从而跳出局部最优,提高算法收敛精度。仿真实验结果表明,提出的改进算法相比基本蜻蜓算法和部分改进算法,有较好的寻优性能。     

双焊接机器人避障路径规划

针对白车身双机器人同步焊接路径规划问题,采用栅格法建立双机器人同步焊接模型。首先通过改进蚁群算法和粒子群算法实现焊接机器人与工件之间的避障;其次通过C空间法实现两个焊接机器人无碰撞,求解出局部和全局最优焊接路径较好的近似解,并与标准蚁群和粒子群算法进行仿真对比实验。仿真结果表明,采用改进蚁群算法和带有交叉因子的粒子群算法,收敛速度较快,较其他算法更能缩短焊接工时。仿真结果验证了笛卡尔空间和C空间结合路径规划方法的可行性,对于双焊接机器人的路径规划具有指导意义。     

库存不足条件下车辆路径问题及其改进PSO算法 3

分析并构建了库存不足条件下车辆路径问题的数学模型;在模型的求解上,提出一种基于子群协作的动态粒子群算法;最后通过算例实验表明:该算法能有效克服标准粒子群算法迭代寻优时选择步长的盲目性,也改善了算法求解时容易陷入局部最优、导致早熟的缺陷,具有较强的全局寻优能力,收敛速度快,计算精度高.     

一种局部搜索能力增强的狮群算法

狮群算法作为一种新型群智能优化算法,其进化过程多依据狮群猎食、交配等动物本性出发,因此难免会存在收敛速度慢并且不容易发现全局极值等缺点.针对当前基本狮群算法存在的缺点,提出一种局部搜索能力增强的狮群算法(Enhanced Local Search Lion Optimization Algorithm,ELSLOA).为增强种群局部搜索效率,对所有领地狮引入对立搜索方法提高寻优能力,并对优良个体执行Levy flight操作,提高个体局部开采能力,最后利用Tent混沌搜索对领地狮和流浪狮执行混沌操作.对算法进行了函数的仿真对比分析,充分验证了所提出算法的优良性能.     

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。     

基于改进RRT*FN的移动机器人路径规划算法

针对复杂环境下移动机器人的全局最优路径规划,提出一种基于目标偏置扩展和贝塞尔(Bezier)插值方法的改进RRT*FN路径规划算法.改进算法在未找到初始路径时采用一定概率进行随机点的目标偏置选择,确定初始路径后使用启发式采样方法,使随机采样点围绕初始路径进行迭代选择,提高路径规划的导向性.当改进算法还未找到初始路径时,删除树中远离目标点并且没有子节点的节点;当改进算法找到初始路径时,删除树中远离最优路径且没有子节点的节点,保留高性能节点,提高算法收敛到最优路径的效率.利用贝塞尔(Bezier)插值方法平滑路径.在MATLAB仿真平台和ROS机器人仿真平台分别进行2D和3D的对比实验,结果验证了所提算法的有效性和优越性.     

一种改进樽海鞘群算法优化K-Means的小麦覆盖度提取方法

针对K-Means算法对初始聚类中心的依赖性较高,容易出现局部最优停滞的问题,提出一种改进樽海鞘群算法优化 K-Means 的小麦覆盖度提取算法。首先,将小麦图像转换到HSV色彩空间;然后,用改进樽海鞘群算法进行全局寻优,以获得全局最优值作为K-Means算法的初始聚类中心,接着运用K-Means算法进行局部寻优,直到迭代完成;最终,输出经过分割的小麦图像。为了评估算法性能,使用12个基准函数对ISSA及其他智能优化算法进行对比测试,同时将改进樽海鞘群算法优化K-Means应用于小麦覆盖度提取。结果表明,ISSA算法在优化精度和收敛速度上均超越其他算法,鲁棒性也得到了显著提高。与其他算法相比,ISSA-K算法分割后的小麦图像纹理比较清晰,效果更佳,同时具有更加高效的优势,可用于小麦覆盖度的提取,具有较强的实用性。     

基于Lévy-PSO算法的焊接机器人避障路径规划

针对工业机器人的运动特点并考虑机器人焊枪的避障问题,提出了较为实用的几何避障焊接路径规划策略.采用Lévy飞行与粒子群算法(PSO)相结合的算法进行全局路径规划的优化,并与其他方法进行模拟仿真比较,以验证其合理性和可行性.结果表明,Lévy-PSO算法能够得到避障焊接路径最优解,且其寻优效果较为稳定,可用于解决点焊机器人避障路径规划问题.     

多策略改进的麻雀搜索算法

针对麻雀搜索算法在迭代收敛时易陷入局部最优的问题,提出多策略改进的麻雀搜索算法（NLSSA）。利用邻域重心反向学习策略优化麻雀算法的初始种群,提高初始个体质量。通过Levy飞行策略的长短距离跳跃更新麻雀生产者位置,从而提升麻雀算法的局部极值逃逸能力。在跟随者位置更新机制中引入自适应权重,从而平衡麻雀算法的局部挖掘和全局寻优能力。为了验证所提NLSSA算法的性能,利用8个基准测试函数进行测验,测试结果与Wilcoxon符号秩检验结果表明,与麻雀搜索算法、粒子群优化算法、灰狼优化算法和其他改进的麻雀搜索算法相比,NLSSA算法在寻优精度、稳定性能和收敛速度方面的效果更佳。     

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.     

基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。     

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.