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.     

基于多目标粒子群优化算法的装备维修任务分配

装备维修任务分配问题是典型的多约束/多目标/非线性规划问题,利用传统方法无法求解,因此提出了一种约束多目标粒子群算法,并运用该算法对装备维修任务分配问题进行了优化求解。仿真结果表明,约束多目标粒子群算法针对该问题,在不同参数和约束条件下都有很强的收敛寻优能力,能快速产生多个非支配解,是一种高效的算法,对实现装备维修任务分配的客观量化优化决策有重要作用。     

基于协同进化的混合变量多目标粒子群优化算法求解无人机协同多任务分配问题

无人机多机协同控制系统近年来已被广泛地应用在军事打击、海洋监测、陆地航拍和灾情探测等领域.针对无人机协同多任务分配问题,为了更加准确地描述无人机协同多任务分配场景,本文考虑实际应用场景下的多种复杂约束,并以无人机飞行总航程最少和任务完成时间最短为优化目标,构建了混合变量多约束的无人机协同多任务分配问题模型M-CMTAP...     

基于Memetic算法的多无人机任务分配研究

多无人机协同任务分配问题是多无人机协同控制的关键问题.多无人机协同任务分配问题的难点在于复杂多变的环境下存在多个彼此冲突的目标,如何获得多目标问题的最优解,一直是学术界和工程界关注的焦点.根据多无人机任务分配的特点,针对扩展的混合整数线性规划的任务分配模型,将一种多目标文化基因算法应用于多无人机协同任务分配中并进行仿真,结果表明,提出的算法具有较强的全局搜索能力和快速收敛性,并且验证此算法解决多无人机协同任务分配问题的有效性.     

基于粒子群算法的移动边缘计算任务分配方法

为提高移动终端任务分配效率,降低计算能量损耗,提出基于粒子群算法的移动边缘计算任务分配方法。通过构建异构网络获取完整的需要分配的任务,明确任务分配时所需的特定条件,即分配消耗和时延等。将分配任务转化成寻找分配结果的最优解,构建最优解模型,利用粒子群算法对模型实施求解,经过不断迭代和更新,生成最优边缘计算任务的分配结果。实验结果表明,粒子群方法在分配任务数量为20~100之间时计算时间在1 s~3.3 s;当任务数量为100时,本文方法能耗仅为4107 J;粒子群方法在任务达到率达到100%时,其时延仅为12.5 ms;其任务分配计算时间短、能量消耗小和数据传输的时延短,能较好地满足实际应用需要。     

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。     

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。     

基于粒子群算法和控制参数化的多无人机编队重构控制方法

针对多无人机(UAV)编队重构最优控制问题,提出一种基于粒子群算法(PSO)和控制参数化的方法。综合考虑无人机飞行动力学模型和编队重构的终端状态等式约束、安全防撞距离与通信保障距离的连续状态不等式约束。使用一种改进的粒子群算法求出该编队重构问题的最优控制输入;利用控制参数化方法将编队重构问题转化为一个最优参数选择问题,同时应用约束转录方法结合局部光滑技术处理连续状态不等式约束,并在改进粒子群算法获得的最优解下寻找更加精确的最优解。通过对比仿真,验证了所提重构方法的有效性。     

基于DEPSO算法的多无人机绕检机队规模优化方法

为提高民航客机航前航后绕检效率、减少人工成本,研究无人机绕检时多机协作的机队规模优化算法。从多机协作的航迹规划出发,构建客机外观绕检模型,并采用栅格法对绕检作业空间进行离散化;建立航迹规划的约束条件,设计航迹规划代价函数;采用基于差分进化粒子群算法(DEPSO)对机队规模优化,引入差分进化更新粒子群,通过自适应方法调整粒子的惯性权重。仿真结果表明,所研究的方法可获得代价函数指标下的最佳机队规模。     

基于改进合同网算法的多无人机任务分配

传统合同网算法在任务分配过程中存在任务分配不合理,不能有效利用资源的问题;其在进行任务分配时,不能按照任务需求进行任务分配,任务分配效率低下。针对以上问题,文中提出一种基于改进合同网算法的多无人机任务分配方法。该方法通过优化每架无人机的负载平衡,并结合时间和协作要求,解决任务分配不合理的问题,提高任务的分配和执行效率。     

基于时变Sigmoid 函数的鲁棒PSO 算法

在样本规模有限的情况下, 为了提高算法的鲁棒优化性能, 提出一种基于时变(随迭代次数变化) Sigmoid 函数的鲁棒粒子群优化算法. 采用拟蒙特卡罗积分方法近似估计有效目标函数, 以时变Sigmoid 函数为基础, 设计各代各样本规模的选取概率. 迭代前期, 样本规模期望值较小, 加快了算法探索速度; 迭代后期, 样本规模期望值较大, 提高了算法的开发精度. 标准测试函数仿真结果显示, 所提出方法具有较优的鲁棒优化性能.

     

基于剪枝策略的骨干粒子群算法

为了优化算法的全局探索能力和局部开发能力, 提出一种基于两方面改进的骨干粒子群算法. 提出一种进化方程, 通过即时搜索域的分析说明该方程可以改善粒子多样性. 提出粒子群“剪枝”策略: 每当粒子搜索到新的群体最优位置时, 剪去该粒子, 同时初始化一个新位置以安插该粒子. 理论分析指出, 在增强全局探索能力的同时, 合适的剪枝策略能增加局部开发能力. 实验结果表明, 所提出算法的性能较几种经典PSO 算法有显著的提升.

     

自适应动态重组多目标粒子群优化算法

提出一种自适应动态重组粒子群优化算法. 该算法采用凝聚的层次聚类算法, 将种群分成若干个子群体, 用一个精英集对非支配解进行存储; 根据贡献度和多样性, 对各子群体的粒子和整个种群进行自适应动态重组; 同时引入扰动算子对精英集存储的非支配解进行扰动, 实现对精英集进行动态调整. 利用具有不同特点的测试函数进行验证并与同类算法相比较, 结果表明, 所提出的算法可加快收敛速度, 提高种群的可进化能力.

     

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...     

基于多层次信息交互的多目标粒子群优化算法

为提高多目标优化算法的收敛性和多样性,提出一种基于多层次信息交互的多目标粒子群优化算法.在该算法中,整个优化过程可分为标准粒子群优化层、粒子进化与学习层和档案信息交换层3个层次.粒子进化与学习层保证了每次迭代都能得到更好的粒子位置;档案信息交换层可以提供更好的全局最优.优化算法各个层次之间通过信息交互,共同提高算法的收敛性和多样性.与NSGA-Ⅱ和MOPSO算法的对比分析表明,所提出算法具有良好的性能,能够有效解决多目标优化问题.     

三态协调搜索多目标粒子群优化算法

提出一种三态协调搜索多目标粒子群优化算法. 该算法提出的三态指导粒子选择策略可以很好地协调算法的局部和全局搜索能力, 且算法改进了传统的外部档案保存机制, 同时引入3 种突变因子, 使获得的非劣解具有更好的分散性. 通过对标准测试函数的求解, 并与其他经典多目标优化算法比较, 表明了新算法在收敛性和多样性方面均有较大的优越性. 最后分析了区域划分系数对所提出算法性能的影响.

     

基于诺兰模型思想的改进混沌粒子群优化算法及评价

针对粒子群优化算法(PSO) 在处理高维复杂函数时容易陷入局部极值、收敛速度慢的缺陷, 从系统的认知分析过程和角度出发, 提出一种基于诺兰模型(NM) 思想的改进PSO 算法. 该算法在Tent 混沌映射选择的参数的基础上, 结合NM信息融合和协调的思想, 在速度更新过程中增加均衡项, 并设计粒子群的欧氏距离指数以防止早熟, 从而实现对粒子的自动调整、保证多样性和提高算法的全局搜索能力. 最后, 运用典型函数对所提出算法进行测试, 并与最新相关算法进行比较, 结果表明, 所提出算法在全局搜索能力、效率和稳定性方面均具有明显的优势.

     

基于云PSO 的RVM入侵检测

入侵检测可为计算机网络信息提供安全保障,在其方法研究中,由于相关向量机(RVM)具有高稀疏性且预测中使用概率因素,在网络入侵检测中优于支持向量机.然而RVM的核函数参数是经验估计的,为此,提出一种基于云模型的粒子群优化算法的RVM方法,即采用云粒子群算法确定RVM的核参数,构建RVM分类模型,再采用一对一分类方法进行多类检测分类.经入侵检测实验研究,所得结果表明所提出的方法优于基于常规相关向量机的检测方法,且具有更高的入侵检测精度.     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于微粒群算法的转炉合金加入量多目标优化模型

针对转炉炼钢过程中钢水出钢环节脱氧合金剂加入量确定的问题,建立了合金加入量优化计算模型.首先,利用支持向量机建立钢包元素含量预测模型,将该模型的预测结果与元素规定含量的误差作为优化模型的一个目标函数,合金成本作为另一个目标函数;然后利用预测收得率方法计算合金加入量并作为优化模型的初始值,使用改进的动态邻域多目标微粒群算法对优化模型进行求解,有效地找出Pareto最优解集,并根据实际需要得出较好的优化结果.仿真实验表明了该优化模型的有效性.