基于蚁群算法的无人机航路规划

为了提高无人机(UAV)作战任务的成功率，在执行敌方防御区域内攻击任务前必需规划设计出高效的无人机飞行航路，保证无人机能够以最小的被发现概率及可接受的航程到达目标点。针对这一问题，对新近发展的蚁群算法进行了讨论，提出适用于航路规划的优化方法，并对无人机的攻击任务航路进行了仿真计算。仿真结果表明该方法是一种有效的航路规划方法。     

基于进化规划算法的原料库存优化系统

库存控制是现代企业特别是连续生产企业物流管理的一项重要内容.针对某有色冶金企业原料库存的实际情况,建立了一个以资金损耗最小为直接性能指标的原料库存优化模型,并利用一种进化规划的算法对该模型进行优化.仿真及实际运行结果表明进化规划的搜索过程比较平稳,同时还能加快遗传进化的速度,得到了令人满意的全局最优解.     

基于智能体进化算法的路径规划研究

本文采用智能体进化算法来解决迷宫中路径规划问题。通过分析迷宫路径规划问题的特点,对所采用的智能体进化算法的各个环节进行了细致的分析,包括问题的定义、智能体的表示和编码、行为及智能体能量函数的设计。     

元胞蚁群算法的城市楼宇间无人机航路规划

近年来,城市环境中小型无人机越来越多,然而传统的航路规划算法通常将威胁简化,并不能很好地解决无人机在城市环境的航路规划问题。因此引入"元胞"定义飞行区间,对"数字元胞地图"以及"航路罚函数"进行定义,并利用蚁群算法进行航路规划,使其可以对任意不规则威胁进行规避。仿真对比实验表明,所提的基于元胞蚁群的算法可以在不对障碍模型进行简化的情况下进行合理规避,为无人机在城市环境中规划出一条安全可飞的航路。     

竞争量子进化算法的巡航导弹航路规划与重规划方法

针对巡航导弹航路规划问题,提出了一种竞争量子进化算法(CQEA),算法通过双方向进化及自适应变异避免其陷入局部最优解。同时,鉴于航路重规划对实时性的高度要求,借助最小威胁曲面及搜索竖线将三维搜索空间降到一维,并引入功能区域簇初始化思想来保证初始种群皆为非劣个体,从问题的几何本质上提升航路重规划效率。最后利用CQEA算法进行了航路规划与重规划仿真实验,结果表明,与PAQEA相比,CQEA搜索效率更高,稳定性更好;与原三维搜索空间相比,通过削减搜索空间及引入功能区域簇初始化思想后算法搜索速率更快,符合航路重规划对实时性的高度要求。     

差分进化算法在多目标路径规划中的应用

针对差分进化算法其算法思想简明、实现方便而得到了国际进化计算研究领域的认可,多目标问题中,由于各目标之间经常是相互制约的,因此优化难度相当大。带时间窗的多目标物流配送车辆路径优化的多约束性使得它很难应用进化算法进行优化。为了解决这个问题,本文通过变异操作算子改进,成功将改进的差分进化算法应用于该问题。数值仿真实验结果表明:这种改进的差分进化算法得到了较稳定的非支配解集,实现了客户间的路径优化。     

一种新型群体智能优化算法——微进化算法

提出了一种新型群体智能优化算法——微进化算法.该算法采用实数编码,基于个体自身历史最优位置,以群体中最优个体与当前个体的矢量差异信息作为指导,进行启发式搜索.数值实验结果表明:微进化算法简单有效、计算精度高、收敛速度快、鲁棒性强;此外,还具有参数设置简便、计算简单等特点.     

智能单粒子优化算法在聚类分析中的应用

针对K-均值聚类算法存在的缺陷,将改进的粒子群优化算法———智能单粒子优化算法（ISPO）应用到聚类分析当中来,提出一种混合聚类算法ISPO＋K-means.该算法分为两个阶段：第一阶段利用ISPO算法较强的全局寻优能力形成初始聚类,第二阶段将初始聚类结果通过K-means算法形成最终聚类结果输出.与K-均值聚类算法和...     

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。     

不同威胁情况下无人机实时航路规划算法研究

针对无人机实时航路规划问题,分析安全影响威胁,建立了改进的威胁概率模型。在安全回避突发威胁的前提上,增加考虑了偏离预定航路飞行代价影响;以飞行总航程最短为目标建立了新的飞行模型。针对当前飞行航段出现单个突发威胁和多个处于不同排列情况的突发威胁(组)情况,给出了相应的最优航路分析;并设计了基于最短路思想的启发式算法。对三种场景进行算例仿真。仿真结果表明,模型和算法具有有效性和可行性,可以实时分析突发威胁,并规划出相对安全经济的实时航路。     

多目标遗传算法在机器人路径规划中的应用

针对具有多个优化目标的机器人全局路径规划问题,提出一种改进的多目标优化遗传算法。在初始群体的生成中,采用把随机法和基于问题先验知识的启发式方法相结合的策略,以加快收敛速度;在遗传算子的设计中,引入删除、修复和平滑算子,以提高算法的搜索效率;在选择算子中。加入避免外部存储器中出现相同个体的机制,以防止早熟收敛。仿真结果表明：该文算法运行一次能够有效地产生一组近似Pareto最优路径解。     

无人机航迹规划常用算法综述

为促进航迹规划技术的发展,对航迹规划常用算法进行综述。首先对航迹规划的规划思想和构成进行分析; 其次将航迹规划算法分为传统经典算法和现代智能算法两大类,对其中几种常用算法进行分析总结; 最后阐述现代智能算法在航迹规划应用中的改进、多重算法的融合改进以及多无人机四维航迹规划算法研究3 个研究热点及未来发展趋势。     

基于遗传算法的团队CGA路径规划方法

基于遗传算法给出了一种团队CGA(Computer Generated Actors)全局路径规划方法,针对复杂环境和团队特点设计了不等长的路径编码和个体适应度评价方法.试验表明该方法可以为团队中每个成员规划出一条协调的、无障碍的路径,有效地解决复杂空间下团队CGA路径规划问题.     

仿人智能算法在足球机器人路径规划中的应用

足球机器人比赛是一个动态时变非线性的环境,各运动对象难以建立精确的数学模型,仿人智能算法以人的思维方式、行为和直觉推理为基础,在足球机器人路径规划过程中避开了求解繁琐的对象模型时遇到的问题,显示出了其独特的优势。文中讲述了仿人智能算法在足球机器人路径规划中的应用方法,并通过实例仿真表明了算法的可行性和有效性。     

竞争粒子群算法及其在UUV航迹规划中的应用

提出一种竞争粒子群算法. 在粒子进化过程中,每个粒子每次进化都会向两个速度方向进化,其中一个速度方向侧重于全局搜索,另一个速度方向侧重于局部搜索,然后对得到的两个同源子粒子进行比较,保留较优的子粒子,淘汰较差的子粒子,最终得到下一代子粒子种群. 利用几个测试函数对算法性能进行分析验证,并与BPSO、LWPSO、EPSO、TVAC算法进行比较,结果表明所提算法在搜索精度、稳定性以及搜索速度上均优于BPSO、LWPSO、EPSO、TVAC算法. 最后,将竞争粒子群算法应用于UUV航迹规划中,得到了较优的规划航迹.      

孔群钻削机械手的运动规划和加工路径优化

为提高加工效率,对用于钢琴弦轴板孔群钻削加工的三轴直角坐标机械手的运动规划和加工路径优化方法进行了研究.首先采用抛物线过渡的线性插值算法对钻削过程进行运动规划,生成一条位置和速度都连续的平滑运动轨迹.然后以最短加工路径为目标,以无碰撞地绕过所有障碍物为约束条件,建立了孔群加工路径规划问题的数学模型,并采用分层优化的遗传算法获得了孔群加工的优化路径.最后以6种型号弦轴板为例进行计算,结果验证了算法的有效性.     

针对机器人路径规划问题的改进型遗传算法

针对路径规划的"求解质量"和"求解效率"2个问题,在传统遗传操作的基础上,通过在遗传操作中加入优化算子,减少了搜索的盲目性,使得优秀个体能较快地产生,算法在很少的进化代数中就可以求出问题最优解.算法的分析和仿真试验表明,算法的改进是有效的.     

孔群钻削的运动规划和加工路径优化研究

本文对三轴直角坐标机械手的运动规划和加工路径优化方法进行研究。此设备用于钢琴弦轴板群孔钻削加工。首先,采用抛物线过渡的线性插值算法,对钻削过程进行运动规划,生成一条位置和速度都连续的平滑运动轨迹。然后,基于遗传算法,以最短加工路径为目标,以无碰撞地绕过所有的障碍物为约束条件,获得孔群钻削的优化加工路径。并以六种型号弦轴板进行计算验证,计算结果验证了算法的有效性。     

基于免疫粒子群优化的移动Sink路径规划算法

为了减少能量空洞和延长网络生命周期,在无线传感网中采用移动 Sink 的方式收集节点采集的数据是解决能量效率问题的有效措施．采集路径的规划问题类似于旅行商问题,无法得到多项式时间的解．提出了将人工免疫算法和粒子群算法相结合,针对移动 sink 数据收集的路径规划问题寻求近似最优解,仿真结果表明: 与其他算法进行性能比较,所提出的优化算法能够有效减少能耗和缩短遍历路径．     

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.