基于禁忌搜索的自适应人工鱼群优化算法

针对人工鱼群算法在函数优化过程中存在易陷入局部最优、后期收敛速度慢和寻优精度低等问题,提出了一种基于禁忌搜索的自适应人工鱼群优化算法。由于较大的视野范围有利于进行全局探索,较小的视野范围有助于进行局部寻优,该算法引入了分段函数自适应地调整视野,保证了视域在一定范围内随着迭代的进行逐渐减小;利用正态分布函数以及鱼群间距的大小对步长进行了改进,来协调寻优速度与解精度之间的平衡;为了更加贴合生物觅食的本能,在随机行为中加入了具有levy飞行机制的自由游动算子,不仅加强了鱼的全局搜索能力,还降低了随机行为因盲目性而导致解退化的风险;为了改善鱼群因陷入局部极值而出现寻优停滞不前的状况,引入了禁忌搜索思想。实验结果表明,改进后的算法具有明显的寻优优势。     

基于变异算子的人工鱼群混合算法

把Hooke-Jeeves 模式搜索方法作为人工鱼群算法的一个局部搜索算子,嵌入到带变异算子的人工鱼群算法中,提出一种基于变异算子的人工鱼群混合算法。其中,Hooke-Jeeves的强局部搜索能力提高了人工鱼群混合算法的局部收敛速度,变异算子的引入增加了群体的多样性,避免人工鱼群混合算法陷入局部最优。通过基准函数和实例测试验证,表明了该算法是高效可行的。     

基于粒子群算法的无人机航路规划与建模仿真

研究无人机航路规划问题,解决基本粒子群算法易陷入局部最优、收敛速度慢长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提出了一种基于改进粒子群算法的无人机航路规划方法.在无人机航路规划建模过程中,如果粒子失活,该算法对其进行相应的变异与微调,重新激活粒子,保证了粒子群体在进化过程中具有较强的活力,能够快速逃逸出局部极值点,这样就以较快收敛速度找到最优航路.最后用改进的粒子群算法对无人机任务航路进行了仿真,仿真结果表明,相对于基本粒子群算法,该方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高.该算法是一种有效的无人机航路优化算法.     

帝国竞争算法在无人机三维航线规划中的应用研究

针对实际飞行环境中无人机的三维航线规划问题,提出了一种创新启发式优化算法——牛顿帝国主义竞争算法(NICA,Newtonian imperialist competitive algorithm).该算法能够根据无人机的飞行轨迹,从起始位置到任务目标位置生成平滑的航线路径,约束航线规划,使得目标完成任务的时间最小化.该算法也能为无人机在真实地形上的航线提供最佳轨迹路径.最后通过与ICA、GA和PSO算法进行比较,验证了改进算法的有效性.结果表明:改进帝国算法提高了全局最优解的搜索能力,在收敛速度和精度上优于其他3种算法,适合用来解决无人机的三维航线规划问题.     

用鱼群算法求解通风系统风机定位优化问题

为了解决矿井通风系统风机定位优化问题,建立了该问题的大规模非线性最优规划模型。在优化模型中,在兼顾变量约束条件的空间限制和求解精度的情况下,在正交交叉算子中将求解空间离散化,离散方法是将每个连续因素离散化为一个有限值,量化每个变量连续空间区域为有限个水平。由于该问题维数太高,传统优化技术无法有效获取其最优解,采用改进的鱼群算法对该问题进行了求解。在算法中,为了消除优化模型的约束条件,大幅度压缩变量数,在算子中将变量分组;使用了基于邻域竞争进化的演化算法,有效地融合了全局搜索和局部搜索的本质属性,实现了算法效率与效果的平衡;使用了自适应学习和变异算子、正交交叉算子、邻域竞争算子等多种算子改进基本人工鱼群算法的各种行为。应用结果表明,该算法计算速度和稳定性大幅度提高,可在简单计算环境下稳定地获取该模型的最优解。     

基于禁忌搜索的启发式任务路径规划算法

基于启发式搜索和禁忌搜索技术，提出一种用于解决有限资源，不同重要性要求的任务路径规划问题的有效算法，通过对不同重要程度的任务进行分层调度，得到较为满意的决策结果，该处具有搜索空间小，求解速度快的优点。仿真结果验证了算法有效性。     

基于禁忌搜索的启发式任务路径规划算法

基于启发式搜索和禁忌搜索技术,提出一种用于解决有限资源、不同重要性要求的任务路径规划问题的有效算法,通过对不同重要程度的任务进行分层调度,得到较为满意的决策结果.该算法具有搜索空间小、求解速度快的优点.仿真结果验证了算法的有效性.     

基于改进A*算法的无人机航迹规划

在无人机航迹规划问题的研究中,针对在执行飞行任务前,需要根据所经区域内已知的地形、地貌、障碍和威胁等信息以及飞机本身机动能力的限制计算出飞行航迹, 并根据规划出的航迹完成飞行任务.能准确识别起始点到目标航路,提出了一种基于改进A*算法的无人机航迹规划方法,将无人机自身的性能和飞行任务结合到A*算法中去,在节点的搜索过程中解决了A*算法大空间搜索耗时多的问题.通过简单的路径消减算法去除不必要的航迹点,使得规划出来的航迹能够最大程度上满足无人机的运动特性.仿真结果表明采用的方法计算速度快并且规划达到最优性能.     

基于遗传算法的无人机航路规划优化研究

研究无人机航路规划优化问题,为了提高无人机航路规划效率和精度,传统的遗传算法易陷入局部最优、收敛速度慢导致无人机航路规划效率低、寻优精度较差等问题.为解决上述问题,提出了一种基于改进遗传算法的无人机航路规划方法.改进算法前期采用了保优选择策略和改进编码方案对无人机航路进行优化,加快了搜索速度、提高规划效率,使之适应大规模威胁问题求解;后期结合无人机特点,改进交叉和变异算子,通过改进使得每轮搜索后每-软的最优航路能更好地反映求解的质量,有效地加快了收敛,保持了稳定性.最后用改进的遗传算法对无人机航路规划进行了仿真.实验结果表明,方法避免了陷入局部最优、收敛速度加快、寻优精度提高,并缩短了搜索时间,航路规划效率明显提高.提出的算法可以引申应用于类似情况下的路线规划问题,具有-定的推广意义.     

基于双混沌映射改进的人工鱼群算法

针对人工鱼群算法(AFSA)易陷入局部最优的问题,提出一种基于双混沌映射的人工鱼群算法(CAFSA)。该方法利用Tent映射的均匀分布性产生混沌初始鱼群,增加搜索的多样性;其次在人工鱼群演化陷入局部最优时,利用局部分布均匀的Logistic映射生成混沌变异算子对其产生扰动,使其跳出局部最优值,向全局最优值靠近。仿真实验表明,改进后的算法比基本人工鱼群算法的全局寻优能力更强,搜索精度更高。     

基于混沌麻雀搜索算法的无人机航迹规划方法

针对无人机（UAV）航迹规划求解计算量大、难收敛等问题,提出了一种基于混沌麻雀搜索算法（CSSA）的航迹规划方法。首先,建立二维任务空间模型与航迹代价模型,将航迹规划问题转化为多维函数优化问题;其次,采用立方映射初始化种群,并使用反向学习策略（OBL）引入精英粒子,增强种群多样性,扩大搜索区域范围;然后,引入正弦余弦算法（SCA）,并采用线性递减策略平衡算法的开发与探索能力,当算法陷入停滞时,采用高斯游走策略帮助算法跳出局部最优;最后,将提出的改进算法在15个基准测试函数中进行性能验证,并应用于航迹规划问题求解。仿真结果表明,CSSA的寻优性能优于粒子群优化（PSO）算法、天牛群优化（BSO）算法、鲸鱼优化算法（WOA）、灰狼优化（GWO）算法和麻雀搜索算法（SSA）,并且能够快速地得到一条代价最优、满足约束的安全可行航迹,验证了所提方法的有效性。     

基于遗传和禁忌搜索混合的软硬件划分算法

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和禁忌搜索（TS）各自优缺点的基础上,提出采用遗传/禁忌混合算法（GATS）的策略,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子,遗传算法中变异过程解空间的搜索由禁忌搜索实现。实验结果表明,GATS具有多出发点和记忆功能强、爬山能力强的优势,能够克服GA爬山能力差、TS单点出发的弱点。最后与单纯的遗传算法和禁忌搜索算法进行对比实验,证明GATS更有优势,得到的划分结果也更优秀。     

基于视觉抓取的并联桁架机器人最优路径控制

针对元件的抓取路径规划问题,提出一种以最小化时间为目的,结合蚁群算法和禁忌搜索算法的混合优化算法。首先,将基于机器视觉抓取元件的问题确定为有约束的旅行商问题（TSP）;然后,分析了元件大小和抓取放置过程对于路径规划的综合影响,对路径选择概率和禁忌域进行了适应性改进;其次,一方面引入了2-opt局部优化以及信息素惩罚、奖励机制以改善蚂蚁的搜索能力,另一方面对信息挥发因子作适应性改进以提高蚂蚁的自适应能力;最后,针对基本算法和改进的混合优化算法,仿真实验和平台实验分别进行了性能指标和抓取时间的对比分析。实验结果表明,仿真环境下,与蚁群优化（ACO）算法和禁忌搜索（TS）算法相比,混合优化算法的平均迭代次数降低了约50%,且其他性能较为优越,平台测试的抓取用时测试结果也说明了混合优化算法较随机结果和基本算法的优越性,可以快速完成元件抓取任务。     

模糊需求下绿色同时取送货问题与算法研究

研究绿色同时取送货车辆调度问题,提出改进的遗传禁忌搜索算法（Genetic Algorithm with Tabu Search,GA-TS）求解该问题。模型中,以服务成本、油耗成本和碳排放成本构成的总成本最小为目标,采用了综合模型计算油耗和碳排放成本,引入三角模糊数来描述客户需求的不确定性,并考虑同时取送货需求。在改进的GA-TS算法中,将惩罚因子引入适应度函数,采用结合精英策略的选择算子,提出结合禁忌搜索算法的变异算子。在案例分析中,采用田口分析法获取合理的参数设置,通过案例结果分析和算法对比分析验证模型和算法的有效性和先进性。     

一种正交混沌蚁群算法在群机器人任务规划中的应用研究

针对群机器人协作任务规划问题,提出一种正交混沌蚁群算法(OCACA)对其进行求解.该算法的思想是首先采用正交法对任务目标进行聚类,然后利用混沌技术对蚁群初始解进行优化,改进初始个体质量,并用混沌扰动策略避免搜索进入局部最优,最终获得了总代价最优解.该算法将正交混沌蚁群算法首次应用于群机器人的任务规划中,成功解决了中大规模任务规划问题.仿真实验结果表明:正交混沌蚁群算法能提高多机器人执行任务的效率,同时也是解决多旅行商问题的另种新思路.     

大规模MIMO系统中优化导频分配方案研究

针对大规模MIMO系统中小区间干扰而导致的导频污染问题,提出了基于IGTSA（Improved Greedy and Tabu Search Algorithm,改进贪婪禁忌搜索算法）和基于CA（Competition Algorithm,竞争算法）的导频分配方案。提出的ITSA是将遗传算法中的变异操作加入禁忌算法来避免其陷入局部最优解,提升全局搜索能力。为更好地实现全局搜索与局部搜索的协调统一,引入CA进一步优化以系统可达和速率达到最大为目标的导频分配方案。相比于局部搜索算法,如GA（Greedy Algorithm,贪婪算法）和TSA（Tabu Search Algorithm,禁忌搜索算法）,所提出的方案能获得更优的系统性能。仿真结果和分析证明了算法的有效性。     

基于双禁忌对象的并行禁忌搜索算法

禁忌搜索算法是解决组合优化问题的一种主要方法,是克服NP完全问题的一个有效途径。随着计算网格的发展,将禁忌搜索算法引入到这种分布式并行计算环境中,具有广泛的应用价值。提出了一个基于双禁忌对象的禁忌搜索算法,在此算法的基础上,利用并行化分散搜索策略来提高算法的求解精度。实验结果表明该并行禁忌搜索算法性能较高。     

群混合算法应用于异构传感网络节点的优化部署

针对异构传感网络节点初始随机部署时产生覆盖盲区和覆盖冗余的问题,以降低节点成本和提高网络覆盖率为目标,引入ε-目标约束法,提出一种基于粒子群算法和鱼群算法的群混合算法。该群混合算法首先建立个体中心的概念,将鱼群算法的聚群行为和追尾行为的思想引入到粒子群算法中以快速寻取个体的最优位置的解域,再利用粒子群算法对个体的速度和位置进行迭代寻优。仿真结果表明,该群混合算法与标准粒子群算法和标准鱼群算法相比,在网络覆盖率和成本目标之间能达到更好的平衡和优化。