基于传递特征的群间路径搜索方法

本文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.     

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。     

基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解，克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略，来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算，并与传统粒子群算法进行了比较，结果表明，该算法求得的有功损耗较原状态降低了近1／5，且电压合格率为100％，具有较强的全局搜索能力和较高的收敛精度，是求解无功优化的有效方法．     

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。     

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。     

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.     

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.     

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题。针对粒子群优化算法在算法后期易陷入局部最优的缺点，本文提出禁忌粒子群优化算法（TPS0），在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布，后期引入禁忌搜索算法，记录已经达到的局部最优解，在下一次搜索中，不再或者有选择地搜索这些点，从而跳出局部最优点，并且在搜索过程中允许接受劣解，充分利用禁忌搜索的记忆能力及较强的爬山能力，大大提高了获得全局最优解的概率。该算法综合了粒子群优化算法的快速性、随机性和全局收敛性以及禁忌搜索局部寻优的能力。在确保全局收敛性的基础上，能够快速搜索到高质量的优化解。该方法用于几何约束求解的性能明显高于标准粒子群算法，算法具有良好的优化性能和时间性能。     

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。     

对粒子群优化算法的几种改进方法

粒子群优化（PSO）算法是一种进化算法是一种较好的优化方法。PSO算法通过粒子间的相互作用发现复杂搜索空间的最优区域，其优势在于简单容易而优功能强大。本文对算法的几种改进方法作了一些探讨研究，并与其他算法进行了一些比较。     

用群智能改进禁忌搜索算法在多用户检测中的应用

在码分多址(CDMA)通信中，多用户检测是抑制多用户干扰的有效方法．结合群智能和禁忌搜索算法的优点，提出了一种新的群禁忌搜索(S-TS)多用户检测方法，通过粒子群的并行禁忌搜索，使算法具有很强的全局寻优能力．仿真实验证明，该方法具有较好的误比特性能、抗远近效应能力和多项式计算复杂度．     

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.     

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.     

量子粒子群算法求解整数规划的方法

粒子群算法主要用于优化连续性问题。如果用于求解整数规划问题,算法的粒子位置必须解决取整问题;而量子粒子群算法求解整数规划问题具有更高的效率。利用三种取整方法与量子粒子群算法结合,求解非线性整数规划问题,并且与标准粒子群算法求解整数规划问题进行比较。通过对基准函数仿真实验,比较了六种方法求解整数规划问题。实验结果表明,基于随机取整的量子粒子群算法搜索成功率优于其他五种方法,其综合搜索效率更佳。寻找了一种更优的求解整数规划方法。     

基于PSO-VNS算法的质押物配送路径研究

【目的】在改进动态惯性权重粒子群算法的基础上,结合 VNS 算法,进一步改善该算法的局部搜索能力和全局寻优能力。【方法】以配送质押物的车辆运行总距离最小为目标,将它转化为带距离和容量约束的车辆路径问题,建立数学模型。针对粒子群算法的优缺点,设计用于求解该问题的混合变邻域搜索粒子群算法。【结果】利用该算法求解应用实例,与基本粒子群算法对比求解的算法收敛过程和所得配送路径方案。【结论】通过实例研究表明,所改进的算法能够快速跳出局部收敛,全局寻优能力得到改善,且收敛速度更快,能够较好地为质押物配送路径问题提供解决方案。
     

一种基于搜索历史信息的粒子群算法

针对粒子群算法易过早收敛、陷入局部最优,从而导致收敛精度不足等问题,提出一种基于搜索历史信息的粒子群算法。该算法利用粒子群算法速度迭代公式产生的新速度与上一代飞行速度协同学习,以此作为新的粒子速度更新粒子个体;对历史飞行速度进行学习可以扩大粒子搜索区域,增强算法寻优能力,有效改善早熟收敛问题;构建多种策略对学习因子进行差异化选取,达到多样化搜索路径的目的。采用CEC 2014不同类型基准测试函数进行仿真试验,与其他经典粒子群算法进行对比表明,所提算法具有更稳定、更优异的综合性能。     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有“趋同性”。本文提出了改进多粒子群优化算法（IPPSO）,IPPSO是两层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。