基于粒子群算法的并联机器人 输出力矩优化与仿真

针对当前平面机构3自由度RRR(3-RRR)并联机器人运动输出力矩值变化范围大、机构运动不平稳等问题,以输出力矩值最小化为目标对运动机构3-RRR进行相关尺寸优化.构造了机构3-RRR动力学模型,给出了机构3-RRR的8种工作模式,简化机构模型并推导逆运动学方程式.采用粒子群算法对机构3-RRR横截面半径、连杆质量及平台质量进行优化.机构3-RRR末端执行器选择PID方案,通过MATLAB软件对优化后的机构3-RRR的8种工作模式输出力矩值进行仿真,并且与优化前形成对比.仿真显示,优化后的机构3-RRR的8种工作模式输出力矩值变化范围比优化前小,整体波动很小,运动平稳.采用粒子群算法能够减小机构3-RRR的输出力矩值,保证机构运动平稳性.     

粒子群优化的多机器人协作定位方法

针对异质多机器人具有不同的感知能力和处理能力的特点,提出一种基于粒子群优化的多机器人协作相对定位方法.该方法将常规粒子滤波方法与粒子群优化算法有机结合,通过粒子群优化方法对预估粒子进行更新,同时利用多机器人之间的相对观测信息,调整粒子的提议分布和粒子权重,增强多机器人位置预测的有效性,提高多机器人定位的精度.实时数据实验结果表明:该方法正确、可行.     

利用种群平均信息的二进制粒子群优化算法

在Kennedy和Eberhart的二进制粒子群优化算法(BPSO)的基础上提出一种利用种群平均信息的二进制粒子群优化算法。新算法利用种群个体极值的平均信息和粒子的个体极值决定粒子当前取值的概率,使粒子可以充分利用整个种群的信息。通过测试函数优化和0—1背包问题,结果表明该算法具有较好的收敛速度和稳定性,求解结果要优于BPSO和一些改进算法。     

离散二进制粒子群算法分析

粒子群算法（Particle Swarm Optimization,PSO）主要用优化计算实值的连续性问题,而离散二进制粒子群算法（Binary Particle Swarm Optimization,BPSO）则用来优化离散空间问题,它扩展了PSO算法的应用,现已广泛应用到各种离散优化问题计算中,但目前对BPSO算法...     

分布式多机器人协作研究与仿真

描述了一个分布式多机器人完成推箱子或其他任务的协作仿真平台．仿真系统可以用来试验机器人队伍的控制决策、团队组织原则．机器人可以通过环境进行协商，以简单的消息互相通讯．机器人通过传感器信息感知世界，并根据感知序列确定机器人行动．三维视图实时显示了机器人的运动状态，小地图显示了机器人的路径．     

基于粒子群算法的足球机器人动作选择研究

提出一个基于粒子群算法的足球机器人的动作选择算法。该算法给出了一个足球机器人的动作集合，根据赛场的实际情况为足球机器人分配角色与任务，并利用粒子群算法为足球机器人选择合适的动作。     

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.     

基于群智能的计算与仿真方法研究

随着人类认知范围的拓宽,已有的一些智能计算方法在处理复杂问题时,如高维度、多极值等,往往不能取得令人满意的效果.人们从生命现象中受到启示,发明了模拟生命系统的某些行为、功能和特性的群智能方法.对群智能的主要领域群智能计算和群智能仿真进行了阐述,同时还介绍了其相关研究领域.     

一种基于改进二进制粒子群的工作流云调度算法

针对批处理科学工作流这一类应用,解决云环境中任务分配问题,从而有效降低成本,提高资源利用率,提出了一种改进的二进制粒子群算法.尽管传统的二进制粒子群算法具有很强的全局探测能力,但难以收敛于全局最优位置,而且随着迭代次数的不断增加,后期的搜索能力差.本文对粒子的更新公式进行修改,改善原始二进制粒子群算法的收敛性,提高了最...     

二进制粒子群属性约简中的退火选择策略

分析了二进制粒子群优化算法和基于二进制粒子群优化的属性约简方法,提出了一种基于退火选择的二进制粒子群算法,在选择粒子更新位置时引入模拟退火算法的策略,通过调整退火速度,控制算法收敛,当温度下降的足够慢时,粒子不会轻易跳出有"希望"的搜索区域,从而增强了粒子的局部搜索能力,使优化算法具有更高的效率.将该算法应用到电力负荷预测的属性约简中,使原来65个属性下降为12个,显著降低了后续处理的复杂度.     

基于二进制粒子群优化的卫星典型件工艺知识挖掘

针对卫星典型件在工艺设计过程中设计任务量大、重复性工作多,且其历史工艺数据未能充分有效利用的问题,进行了工艺知识挖掘的研究,以提高工艺知识的重用性.首先对工艺知识挖掘问题进行了描述,建立了工艺知识的关联规则模型;然后针对海量数据中Apriori算法挖掘效率低的问题引入二进制粒子群优化(BPSO)算法,并构造了基于BPSO的关联规则挖掘算法.最后对卫星结构板这一典型件的历史工艺数据进行挖掘,得到了卫星结构板典型工序序列.基于BPSO的关联规则挖掘算法可以有效提高工艺知识的挖掘效率.     

基于粒子群优化算法的微生物发酵过程控制

微生物发酵是一类典型的生化反应过程,在各个工业领域的应用都很广泛。针对微生物发酵中的溶解氧浓度、pH和发酵温度彳4用粒子群优化算法的基本原理和算法流程,阐述了基于粒子群优化算法的微生物发酵控制．而后用硬件电路设计实现了微生物发酵过程的控制。实践表明,该控制方法对微生物发酵过程控制性能优良,提高了发酵精度,控制效果显著。     

混合粒子群算法的电火花成型加工工艺参数优化

针对电火花成型加工机床工艺参数难以确定以及工件表面质量差的问题,在CTM450机床上探究了脉冲电流、脉冲宽度、脉冲间隔对成型加工中MPR和Ra的影响,在正方实验的基础上,以提高材料去除率和工件表面质量为优化目标,设计了混合粒子群算法,将仿真优化后的结果与实际加工效果进行验证,表面该算法准确有效.     

基于粒子群算法的装配式建筑施工安全风险决策

为研究建设项目施工中各风险因素之间的错综复杂关系,采取科学的风险控制策略降低建设项目施工安全风险,通过在分析装配式建筑施工安全风险因素的基础上,利用马尔科夫链和贝叶斯网络相结合的方法对风险因素的发生概率进行估算,以条件概率描述各风险因素之间的相关性,并构建安全风险损失-控制投入双目标优化模型,设计相应的算法并运用R语言编程求解。结果表明考虑风险相关性的优化模型,结合实际情况给出合理的配置策略,对提高装配式建筑施工安全风险决策有良好推进作用。     

基于双决策和快速分层的多目标粒子群算法

针对粒子群算法在求解多目标优化问题时存在的收敛性不足和多样性缺失等问题,提出一种基于双决策和快速分层的新型多目标粒子群算法(DDFSMOPSO);在该算法中,采用外部存档对迭代产生的非劣解进行存储,并利用拥挤距离和绝对距离相结合的双决策策略对外部存档规模进行维护,使得优秀粒子在随后的进化过程中易于保留和发展;同时,采用...     

基于自适应变异二进制粒子群算法的WSN区域覆盖问题研究

为最大限度休眠冗余节点,减少无线传感器网络节点能耗,保证网络覆盖率,提出了一种基于自适应变异二进制粒子群的WSN区域覆盖控制算法(BPSO-G)。将二进制粒子群算法(BPSO)应用到WSN区域覆盖优化问题求解上,并针对BPSO算法不能收敛于全局最优解的缺点,利用自适应变异策略,将节点最优位置以一定的概率进行动态变换,该变换有助于粒子跳出局部最优解,提高搜索新解能力,有效防止算法早熟。仿真结果表明:改进算法收敛速度很快,其连续最优解接近于全局最优解,WSN冗余节点能够最大限度进入休眠状态,且当监测区域面积一定、节点感知半径相同时,其活动节点数基本不随总节点数的增加而增加,始终保持在一定区间内。     

Binary Particle Swarm Optimization Based Hyper-Heuristic for Solving the Set-Union Knapsack Problem

The set-union knapsack problem(SUKP) is proved to be a strongly NP-hard problem, and it is an extension of the classic NP-hard problem: the 0-1 knapsack problem(KP). Solving the SUKP through exact approaches is computationally expensive. Therefore, several swarm intelligent algorithms have been proposed in order to solve the SUKP. Hyper-heuristics have received notable attention by researchers in recent years, and they are successfully applied to solve the combinatorial optimization problems. In this article, we propose a binary particle swarm optimization(BPSO) based hyper-heuristic for solving the SUKP, in which the BPSO is employed as a search methodology. The proposed approach has been evaluated on three sets of SUKP instances. The results are compared with 6 approaches: BABC, EMS, gPSO, DHJaya, b WSA, and HBPSO/TS, and demonstrate that the proposed approach for the SUKP outperforms other approaches.     

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。