基于混合粒子群算法的移动机器人路径规划

为了确定复杂环境中移动机器人最优轨迹,提出了一种混合粒子群优化算法(IPSO-GOP).首先对粒子群优化算法进行改进,在算法运行的各个阶段对惯性权重进行自适应调整来增强粒子的搜索能力,并采用混沌变量对粒子进行扰动以提高收敛速度;其次,为了提高算法寻优能力,摆脱局部极小值并增加种群的多样性,引入遗传算法继承的多重交叉和变异两个进化算子(GOP)优化改进版本的粒子群算法(IPSO);最后,使用三次样条插值对该混合算法生成的路径进行平滑处理,得到无碰撞最短的几何连续路径.实验结果表明,多障碍物环境下IPSO-GOP算法减少了陷入局部最优的发生,加快了收敛速度;同时,与原粒子群优化算法(PSO)相比,该算法寻优能力显著,在路径规划问题上有明显的优势.     

免疫粒子群优化算法

受生物体免疫系统免疫机制的启发,论文把免疫系统的免疫信息处理机制引入到粒子群优化算法中,给出了免疫粒子群优化算法。这种免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制,并且实现简单,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法进化过程中的收敛速度和精度。一个求多维函数最优值的计算机仿真对比结果表明,免疫粒子群优化算法的收敛性能优于粒子群优化算法。     

新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.     

免疫粒子群优化算法求解旅行商问题

受生物体免疫系统免疫机制的启发，论文把免疫系统的免疫信息处理机制引入到粒子群优化算法中，设计了求解旅行商问题的免疫粒子群优化算法。这种免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制，并且实现简单，改善了粒子群优化算法摆脱局部极值点的能力，提高了算法进化过程中的收敛速度和精度。实验表明本文提出的算法具有较好的性能。     

基于免疫粒子群算法的多用户检测技术研究

将免疫系统的免疫机制引入到粒子群优化算法的设计中,模拟免疫系统、群集智能和神经网络的信息处理机制,提出了免疫粒子群优化算法。这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力。然后利用此算法对CDMA系统的多用户检测性能改进问题进行实验研究,证明了本文的方法有较快的收敛速度,并且无论是抗多址干扰能力还是抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器。     

内嵌区域震荡搜索的粒子群优化算法

针对粒子群优化算法早熟收敛现象,提出了一种改进的粒子群优化算法。新算法在粒子群中的每个粒子吸引子的基础上引入了区域震荡搜索因子。每个粒子在协同收敛的同时,震荡搜索粒子极值位置周围区域,增加种群的多样性,提升算法的全局寻优能力,有效避免算法陷入局部收敛。仿真结果表明,改进后的算法在收敛精度上得到显著的改善。     

基于交叉变异的混合粒子群优化算法

粒子群优化算法是一种基于群体智能理论的全局优化算法,通过群体中粒子间的合作与竞争实现对问题空间的高效搜索。针对算法后期收敛速度较慢、易陷入局部最优的缺点,提出了一种混合粒子群算法。该算法通过改变种群初始化方法,引入交叉和变异机制等措施改善基本粒子群算法的性能。数值试验结果表明,改进型粒子群算法在提高全局寻优能力和加快收敛速度等方面均有良好的表现。     

融合混沌映射和二次插值的自适应鲸鱼优化算法

针对鲸鱼优化算法(whale optimization algorithm, WOA)易陷入局部最优，收敛速度慢和寻优精度低等问题，提出一种融合混沌映射和二次插值的自适应鲸鱼优化算法(adaptive whale optimization algorithm based on chaotic mapping and quadratic interpolation, CQAWOA)。引入混沌映射在初始化阶段生成新种群，实现种群多样性；设计自适应权重，提高算法全局搜索和局部寻优能力并加快收敛速度；利用二次插值策略生成新的鲸鱼个体，采用贪婪策略更新局部最优解，提高种群计算的精度。通过15个基准函数将改进算法与其它优化算法进行对比测试，测试结果验证了在求解过程中，改进算法寻优速度和求解精度均存在显著提升。     

基于改进鲸鱼算法的机械臂轨迹优化

针对机械臂的轨迹优化问题,提出一种混合策略的改进鲸鱼算法,以达到时间最短、冲击最小的轨迹优化目标.采用五次样条函数拟合关节轨迹,保证冲击平滑连续变化.为证明轨迹优化效果,将提出的改进算法分别与遗传算法、粒子群算法和基本鲸鱼算法进行了一系列性能对比实验.实验数据表明改进后的算法比改进前收敛速度提高2.419倍,适应度值降...     

基于粒子群神经网络线控转向故障诊断的研究

改进的自适应粒子群优化算法根据群体早熟收敛程度和个体适应值来调整惯性权重和阈值系数,以及对粒子速度与位置进行更新,该算法兼顾全局寻优和局部寻优,有效地避免早熟收敛.使用改进的自适应粒子群优化算法训练神经网络,并根据汽车线控转向系统构建故障诊断模型.实验结果表明:与传统的粒子群优化算法、遗传算法训练神经网络相比,基于改进的自适应粒子群优化算法的神经网络能够有效改善神经网络的训练效率,加快了收敛速度,提高故障模式识别的准确率.     

分形插值在风速时间序列中的应用

针对风电场风速数据中大量连续缺失数据的插值问题,提出了一种基于自适应变异粒子群优化（PSO）的分形插值算法。首先,在粒子群优化算法中引入变异因子,增强粒子的多样性,提高算法搜索精度;其次,通过自适应变异粒子群优化算法来得到分形插值算法中垂直比例因子参数的最佳取值;最后,对两组不同趋势和变化特征的数据集进行分形插值计算分析,并把所提算法与Lagrange插值和三次样条插值方法进行对比。结果表明：分形插值不仅可以保持风速曲线的整体波动特性和局部特征,而且比传统插值方法的精度更高;在基于Dataset A的实验中,分形插值的均方根误差（RMSE）分别比Lagrange插值和三次样条插值减小了66.52%和58.57%;在基于Dataset B的实验中,分形插值的RMSE分别比Lagrange插值和三次样条插值减小了76.72%和67.33%。证明分形插值更适合连续缺失且波动强烈的风速时间序列的插值。     

基于AIWCPSO算法的三次样条气动参数插值方法

针对飞行仿真建模过程中气动参数以矩阵的形式给出, 大都存在着非线性关系, 提出一种基于自适应惯性权重的混沌粒子群优化(AIWCPSO) 算法的三次样条气动参数插值方法. 首先建立粒子与三次样条插值函数中系数的映射关系; 然后利用AIWCPSO 算法对三次样条插值函数的系数进行寻优, 将获得的最优解近似看作三次样条插值函数的系数; 最后计算得到离散点的气动参数. 仿真实验结果表明, 所提出的方法能有效地解决飞行气动参数插值问题.     

分形插值在风速时间序列中的应用

针对风电场风速数据中大量连续缺失数据的插值问题，提出了一种基于自适应变异粒子群优化（PSO）的分形插值算法。首先，在粒子群优化算法中引入变异因子，增强粒子的多样性，提高算法搜索精度；其次，通过自适应变异粒子群优化算法来得到分形插值算法中垂直比例因子参数的最佳取值；最后，对两组不同趋势和变化特征的数据集进行分形插值计算分析，并把所提算法与Lagrange插值和三次样条插值方法进行对比。结果表明：分形插值不仅可以保持风速曲线的整体波动特性和局部特征，而且比传统插值方法的精度更高；在基于Dataset A的实验中，分形插值的均方根误差（RMSE）分别比Lagrange插值和三次样条插值减小了66.52%和58.57%；在基于Dataset B的实验中，分形插值的RMSE分别比Lagrange插值和三次样条插值减小了76.72%和67.33%。证明分形插值更适合连续缺失且波动强烈的风速时间序列的插值。     

混合改进搜索策略的鸡群优化算法

针对鸡群算法易陷入局部最优和出现早熟收敛的情况,提出一种混合改进搜索策略的鸡群优化算法。该算法通过种内和种间竞争,确定子群规模及等级次序,子群角色通过竞争繁殖进行动态更新。种群进化寻优中引入全局最优引导策略和动态惯性策略,个体的寻食学习通过动态惯性策略进行自我调整,并同时接受子群与种群中的最优个体引导,以平衡局部搜索和全局搜索之间的关系。仿真实验结果表明,与基本鸡群算法和粒子群算法等相比,改进后的鸡群算法能有效提高算法的收敛精度和收敛速度。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中,平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键,多数已提出的方法仅依靠一种策略引导粒子搜索,在解决复杂问题时算法收敛性和多样性不足.为解决这一问题,提出一种基于种群分区的多策略自适应多目标粒子群优化算法.采用粒子收敛性贡献对算法环境进行检测,自适应调整粒子的探索和开发过程;为准确制定不同性能的粒子的搜索策略,提出一种多策略的全局最优粒子选取方法和多策略的变异方法,根据粒子的收敛性评价指标,将种群划分为3个区域,将粒子性能与算法寻优过程结合,提升种群中各个粒子的搜索效率;为解决因选取的个体最优粒子不能有效指导粒子飞行方向,使算法停滞,陷入局部最优的问题,提出一种带有记忆区间的个体最优粒子选取方法,提升个体最优粒子选取的可靠性并加快粒子收敛过程;采用包含双性能测度的融合指标维护外部存档,避免仅根据粒子密度对外部存档维护时,删除收敛性较好的粒子,导致种群产生退化,影响粒子开发能力.仿真实验结果表明,与其他几种多目标优化算法相比,该算法具有良好的收敛性和多样性.     

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多样性.

     

基于粒子群三次样条优化的移动机器人路径规划算法

针对移动机器人路径规划问题,提出了一种基于粒子群三次样条优化的路径规划方法．借助三次样条 连接描述路径,这样将路径规划问题转化为三次样条曲线的参数优化问题．借助粒子群优化算法快速收敛和全局寻 优特性实现最优路径规划．实验结果表明：所提算法可以快速有效地实现障碍环境下机器人的无碰撞路径规划,规 划路径平滑,利于机器人的运动控制．     

矿压缺失数据插值算法研究

提出了一种基于粒子群的三次样条插值算法,详细阐述了该算法应用于矿压缺失数据插值时的实现步骤和基本流程。该算法具有三次样条插值方法良好的分段光滑性,同时具有粒子群算法参数少、易于实现的优点。对相同地点不同工作面、不同地点不同工作面的矿压缺失数据插值的应用实例分析表明,该算法对矿压缺失数据的插值是有效的;与目前几种常用的缺失数据插值方法的比较结果表明,该算法更加准确、有效。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。