基于免疫粒子群算法的多UCAV协同任务分配

任务分配问题是多UCAV协同控制的关键和有效保证。综合考虑问题的多规划指标和多类复杂约束条件,建立了基于多目标整数规划的协同多任务分配模型。通过模拟生物免疫系统的免疫特征和运行机制,并将粒子群优化作为算法的局部搜索算子,设计了一种适用于问题求解的免疫粒子群算法,使算法同时具有人工免疫算法种群多样性好、粒子群优化局部搜索能力和进化方向性强等特点。仿真实验表明该方法具有良好的优化效果和时间特性,可较好地解决多UCAV协同任务分配问题。     

基于改进粒子群算法的多无人机任务分配研究

任务分配问题是多无人机协同控制的关键技术之一.在深入分析多无人机任务分配问题特点的基础上,对现有模型进行了扩展,建立了多无人机协同任务分配的混合移数线性规划(MILP)模型.对现有粒子群算法进行了改进,提出一种具有较强全局搜索能力的多子群多阶段粒子群算法,开展了粒子群算法在多无人机协同任务分配问题中的应用研究,主要针对粒子群算法的编码策略、约束处理、算子选取、参数设置等方面进行相应的调整和改进.最后对算法进行了仿真,仿真结果表明了该方法的有效性.     

基于整数规划的多UCAV任务分配问题研究

在深入分析多UCAV任务分配问题的特点的基础上，提出了求解多UCAV协同任务分配的整数规划方法．通过设计决策变量和灵活地对各种约束条件形式化，建立了多UCAV任务分配问题的形式化模型．并以典型的UCAV任务SEAD为想定，进行了仿真验证与分析．仿真结果表明该模型可以较好地解决多UCAV协同作战的任务分配问题．     

基于目标信息估计的分布式局部协调任务分配方法

分布式决策是提高群体自主性的关键技术之一.以侦查类无人机(unmanned search aerial vehicles,USAV)和打击类无人机(unmanned combat aerial vehicles,UCAV)执行协同搜索、攻击灰色目标区域问题为背景,建立了一种考虑局部链式通信、无人机飞行性能和任务执行能力等多约束的分布式任务分配模型,基于贝叶斯定理将任务空间的连续/离散不确定量用任务收益值量化描述.然后,提出了一种基于一致性协调算法的在线协同策略,并利用一致协调理论建立了一种冲突调解规则,在此基础上,设计了一种分布式任务分配求解算法,能够实现多USAV,UCAV的协同多任务快速分配.最后,通过数值仿真,验证了本文算法求解不确定空间任务分配问题的可行性和快速性.     

基于当代学习离散粒子群算法的多机器人任务分配*

针对多机器人协同控制中的任务分配问题,首先综合考虑机器人完成任务的效率、机器人自身能力以及任务本身性质各因素,建立了多机器人任务分配的数学模型。而后提出一种基于当代学习机制的离散粒子群算法进行高效求解,该算法设计了准确的粒子运动方程,并加入扰动算子保持粒子多样性,使其迅速跳出局部最优,增加了算法空间探索能力。实验结果表明：在小规模任务数情况下,算法能精确寻到最优,稳定性表现极佳且优于现有算法。在中大规模任务数情况下算法也表现出强寻优能力,实验验证了模型的合理性和算法的优越性。     

基于PSO的多无人机协同任务目标分配方法

针对多无人机协同任务分配的特点进行分析,在分析多种分配算法的基础上,提出离散粒子群算法求解多UAV任务分配问题。分析离散粒子群算法的原理,给出求解过程,利用计算机对一个简单的多UAV协同问题进行仿真,验证离散粒子群算法的有效性。      

基于离散粒子群算法的航天器在轨服务任务分配问题研究

航天器任务分配对于提高多颗服务航天器之间的协同工作效率具有十分重要的意义;针对服务航天器协同目标分配问题特点,提出了一种基于离散粒子群算法的协同目标分配方法,设计了新的离散粒子群位置和速度更新公式,综合分析影响目标卫星价值、服务航天器损耗以及距离消耗等3项关键指标因素,建立了在轨服务任务分配问题的数学模型;仿真结果表明:离散粒子群算法具有收敛速度快、寻优能力强等优点,能够有效地解决多约束条件下的服务航天器协同任务分配问题,特别是在大规模的任务分配中,该方法具有很强的优越性。     

基于粒子群算法的 MKV 作战任务评估与分配

MKV 作战任务评估与分配是弹道中段执行多目标拦截时的关键问题.由于多目标的拦截尚处研究的开始阶段,目前还未见较为成熟的方法公布.为解决上述问题,针对 MKV 的任务评估,首次建立了防御目标的收益和 KV 群作战优势两项性能指标的任务分配函数模型,并采用粒子群算法来求解任务分配模型.利用两组不同规模的目标群进行仿真.仿...     

应用粒子群优化分配WSN多目标跟踪节点任务

针对WSN多目标跟踪时传感器节点任务分配竞争冲突问题,提出一种基于最近邻的离散粒子群优化节点跟踪任务分配算法.通过构建多目标多传感器节点联盟协同跟踪任务分配问题的数学模型和目标函数,采用最近邻法对粒子群节点任务分配进行初始化,以目标函数作为适应值函数指引粒子飞行,快速实现节点优化分配.实验表明:在节点覆盖较稀疏情况下,粒子群优化节点任务分配方法与最近邻方法相比,能耗大大减少,并能有效解决多目标跟踪节点任务分配冲突问题和多个监测联盟对传感器资源竞争冲突时系统能耗增加的问题.PSO算法对于实际环境的WSN多目标跟踪具有优越性.     

改进PSO算法在多无人机协同任务分配中的应用

针对多无人机协同任务分配越来越复杂的问题,采用一种改进的阶层分级粒子群优化算法（HGIWPSO）获得最优分配方案。首先,根据粒子适应度值将种群动态划分为三个不同阶层,依据不同阶层粒子特性选择合适的学习模型,并引入独立权重思想调节惯性权重大小,平衡算法全局与局部搜索能力,提高算法性能;然后,建立协同多任务分配问题模型,采用多余负载竞拍方案减少非法劣解,通过实数编码建立粒子和实际分配方案之间的映射关系,解决实际分配问题。实验结果表明,该算法能够有效解决复杂约束条件下多无人机协同任务分配问题,得到最优分配序列,具有一定的理论以及实际意义。     

基于强化学习的适应性微粒群算法

惯性权重足微粒群算法(PSO)的重要参数,它可以甲衡算法的全局和局部搜索能力的关系,改善算法的性能.对此,提出一种基于强化学习的适应性微粒群算法(RPSO).首先将不同惯性权重调整策略视为粒子的行动集合;然后通过计算Q函数值.考察粒子多步进化的效果;进而选择粒_了最优进化策略,动态调整惯性权重,以增强算法寻找全局最优的...     

一种基于粒子群参数优化的改进蚁群算法

蚁群算法是一种应用广泛、性能优良的智能优化算法,其求解效果与参数选取息息相关.鉴于此,针对现有基于粒子群参数优化的改进蚁群算法耗时较大的问题,提出一种新的解决方案.该方案给出一种全局异步与精英策略相结合的信息素更新方式,且通过大量统计实验可以在较大程度上减少蚁群算法被粒子群算法调用一次所需的迭代代数.仿真实验表明,所提出算法在求解较大规模旅行商问题时具有明显的速度优势.     

简化的分类微粒群算法及其在风电场建模中的应用

提出一种简化的分类微粒群算法.首先将微粒按适应值的差异划分成较好、普通和较差3类;然后对这3类微粒分别采用3种对应的没有速度项的简化模型进行动态制整,有效地增加了种群的多样性.通过对4种典型测试函数的仿真实验,并与经典PSO和2个目前较为流行的改进PSO进行比较,实验结果表明了所提出的改进算法具有更好的优化性能.将改进算法用于风电场风速概率模型优化的实验结果表明,与传统最小二乘法相比,该方法拟合的Weibull参数精度更高,更具实际参考价值.     

基于粒子群算法的多无人机任务分配方法

作为多无人机系统应用的一项关键技术,任务分配是一个多维互异离散变量的优化问题.采用混合整数线性规划方法构造优化函数,并利用群智算法中的粒子群算法来求最优解,这样可以解决多无人机的任务分配问题.针对互异性要求进行必要的算法改进.数值仿真实验表明,该粒子群算法可以迅速找到优化函数的最优解,从而高效地实现多无人机的任务分配.     

基于微粒群优化的有限通信多机器人气味寻源

考虑机器人间的通信受限约束,将机器人抽象为微粒,提出基于微粒群优化的多机器人气味寻源方法.首先,采用结合斥力函数的策略,引导机器人快速搜索烟羽;然后,基于无线信号对数距离损耗模型,估计机器人间的通讯范围,据此形成微粒群的动态拓扑结构,并确定微粒的全局极值;最后,将传感器的采样/恢复时间融入微粒更新公式,以跟踪烟羽.将所提出方法应用于3个不同场景的气味寻源,实验结果验证了该方法的有效性.     

直觉模糊离散粒子群算法

在研究和分析离散粒子群算法(DBPSO)的基础上,提出一种基于直觉模糊熵的改进离散粒子群算法(IFDPSO).该算法以直觉模糊熵作为粒子群状态测度和速度变异的基本参数,同时加入了位置变异策略以保证算法在有限时间内尽可能多地遍历到次优位置及其邻域,增强了算法的全局寻优能力.实验数据表明,在求解较大规模整数规划问题(如0-1背包问题)时,IFDPSO比DPSO和蚁群算法(ACO)更为有效,从而为解决这类问题提供了新的途径和方法.     

基于新邻域结构的Memetic 算法求解流水车间调度问题

流水车间调度是一类典型的生产调度问题,属于NP-难问题.针对传统的最优化方法难以求解大规模问题,提出了一个Memetic算法,在算法的局部搜索中使用一种新型的基于NEH的邻域结构,并且其邻域规模随着搜索的进行能够动态变化,可以大大提高算法的搜索能力.通过对标准Benchmark问题的测试,所得结果表明提出的基于新邻域结构的Memetic算法具有较好的性能,并且优于已有文献中的粒子群算法.     

基于粒子群的最大相关最小冗余混合式特征选择方法

在分析粒子群优化(PSO)算法和简化PSO算法的基础上,提出一种基于PSO的最大相关最小冗余的Filter-Wrapper混合式特征选择方法.Filter模型是基于互信息和特征的相关冗余综合测度,Wrapper模型是基于改进的简化粒子群算法.在PSO搜索过程中,引入相关冗余度量标准来选择特征子集,将Filter融合在Wrapper中,利用Filter的高效率和Wrapper的高精度提高搜索的速度和性能.最后以支持向量机(SVM)为分类器,在公共数据集UCI上进行实验,实验结果表明了所提出算法的可行性和有效性.     

基于混合策略自适应学习的并行粒子群优化算法

针对当前各种粒子群优化算法解决问题时存在的局限性,提出一种基于混合策略自适应学习的粒子群优化算法(HLPSO)。该算法从收敛速度、跳出局部极值、探索、开发几个不同角度融合了4种具有不同优势的变异策略,当面对不同形态的复杂问题时通过自适应学习机制选择出合适的策略来完成全局寻优。通过对7个标准测试函数的仿真实验并与其他算法相比较,所得结果表明了所提出的算法具有较快的收敛速度、较高的精度以及很强的跳出局部极值的能力。     

具有人工蜂群搜索策略的差分进化算法

针对差分进化算法易出现早熟现象和收敛速度慢等问题,提出一种具有人工蜂群搜索策略的差分进化算法.利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.此外,为了提高算法的全局收敛速度,采用一种基于反学习的初始化方法.通过对12个标准测试函数进行仿真实验并与其他算法相比较,表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.