基于MODPSO-SA算法的多AUV任务分配

提出一种基于Pareto解集的多目标模拟退火粒子群算法(MODPSO-SA),用于解决自主水下机器人(AUV)协同任务分配问题.为避免粒子群算法陷入局部最优,加入改进的模拟退火技术,形成一种新的多目标局部搜索策略.仿真结果表明,MODPSO-SA算法能够得出多组合理Pareto解集,可以有效解决多AUV任务分配问题.     

改进粒子群算法的多峰值优化研究

粒子群优化算法对于多维函数的最优解搜索存在前期易陷入局部最优,后期收敛速度缓慢的问题.将改进的k-中心点聚类分析与PSO相结合提出了一种混合粒子群算法KM-PSO,用于多峰值问题的优化.在算法中,利用k-中心点聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能.不仅增加了粒子间的信息交换,抑制了早熟收敛,还提高了全局寻优速度和计算精度.仿真实验结果表明,KM-PS0性能优于基本粒子群优化算法.     

区域多任务安全隐患排除的机器人调度策略

针对灰狼优化算法易陷入局部最优且单一算法不易解决障碍物空间多机器人隐患搜排的调度问题,提出了一种分步引导式多机器人安全隐患协同排除调度策略。首先引入非线性收敛因子调整策略和静态加权平均权重策略改进灰狼优化算法以避免算法陷入局部最优;随后通过改进的灰狼优化算法先后两次求解遍历顺序,引导机器人规划搜索路径与排除隐患点路径;最后在领航者-跟随者模型的基础上多机器人编队与队形变换避障,逐一到达隐患点位置实现多机器人的调度策略。通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高,验证了区域多任务安全隐患排除的分步引导式多机器人协同调度策略的有效性。     

改进粒子群算法的露天矿路径优化研究

为将面向连续优化的粒子群优化算法应用于露天矿路径优化问题的求解,提出了露天矿路径优化问题的权重编码方案．该方案将属于组合优化的露天矿路径问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性．针对粒子群算法易陷入局部最优的问题,提出了适合露天矿路径优化问题的基于k-中心点法的改进措施,在此基础上采用k-中心点法对粒子群进行聚类分析,实现了粒子之间的信息交换,扩大了粒子的搜索空间,避免算法陷入局部最优．最后,用露天矿的实际路径节点数据验证了权重编码方案和改进粒子群算法的有效性．     

基于改进粒子群算法的多UAV协同侦察任务规划

针对多无人机（UAV）协同侦察的任务规划问题,充分考虑侦察目标的侦察分辨率和时间窗约束,建立了数学模型;提出了一种改进的粒子群算法,使得粒子群能够较均匀地在问题空间内搜索,避免陷入局部极值,在保持传统PSO算法快速收敛的同时,加强了算法局部搜索能力。基于该模型和优化算法,制定了合理的多UAV协同侦察任务计划,使得多UAV协同侦察任务在满足任务要求、平台性能和战场约束的条件下具有最小代价和最优作战效能。     

一种优化稀疏分解的雷达目标识别方法

雷达目标识别中雷达回波数据巨大,因此利用稀疏分解的方法对回波数据进行稀疏化处理。但稀疏分解中的匹配追踪算法存在计算复杂、计算量大的问题,所以汲取了粒子群优化算法(PSO)全局搜索能力强、收敛速度快的优点对最优原子的搜索过程进行优化,并且针对粒子群优化易陷入局部最优的问题,提出一种惯性权重自适应改变的改进解决方法。通过对雷达高分辨率距离像(HRRP)信号的稀疏表示实验仿真发现,基于粒子群优化的匹配追踪算法能大大缩短匹配追踪的时间,同时惯性权重自适应改变的方法也有效解决了PSO优化的"早熟"问题。     

基于PPSO-MPC的多雷达协同反隐身指示搜索任务规划

针对ESM/雷达协同反隐身探测中的指示搜索问题,引入模型预测控制(Model Predictive Control,MPC)理论,给出指示搜索任务规划的MPC框架,建立指示搜索的目标状态预测模型和在线滚动优化模型.针对模型求解,引入粒子群优化(Particle Swarm Optimization,PSO)算法,设计了高维矩阵粒子编码方式,引入尺度计算因子处理边界约束,引入概率模型处理离散变量,设计实现了一种"多主节点-单从节点"的 (Multi-Master-Single-Slave,MM-SS)多种群并行计算策略.仿真结果表明,所建立的模型能够在不确定、多目标环境下实现对多雷达的高效协同控制,所提出的模型求解算法能够实现对滚动优化问题的快速、高效求解,即模型和算法的有效性得到了验证.     

自适应遗传灰狼优化算法求解带容量约束的车辆路径问题

带容量约束的车辆路径问题是NP难的组合优化问题,精确算法无法在合理的时间内得到有效的解.本文提出了一种采用灰狼空间整数编码和先路由后分组解决方案生成策略的自适应遗传灰狼优化算法用于求解带容量约束的车辆路径问题.该算法提出了移动平均自适应灰狼更新策略和灰狼基因遗传策略提高全局收敛能力,同时提出带3-opt的劣势点启发邻域搜索策略来增强算法的全局和局部搜索能力.实验结果表明：所提出算法具有较高的计算精度和较强的寻优能力,有较高的鲁棒性,通过与自适应扫描和速度推测粒子群优化算法、K均值聚类和灰狼优化混合算法、大邻域搜索和蚁群优化混合算法、基于精英选择的多种群人工蜂群算法、基于集覆盖的扩展节省算法、混合变邻域生物共栖搜索算法等6个算法对比证明了算法的有效性.     

基于CPCRLB的隐身目标协同检测与跟踪

针对雷达组网对隐身目标协同检测与跟踪时的动态分配问题,将条件后验克拉美罗下界(CPCRLB)用作系统跟踪性能的度量,结合改进二值粒子群优化(NBPSO)和粒子滤波,提出了一种基于CPCRLB的隐身目标协同检测与跟踪算法。该算法将雷达的动态分配问题转化成组合优化问题,根据新生目标的隐身特性对雷达分配方案的约束,借助分布在边界的检测粒子计算不同的雷达分配方案对新生目标的检测概率,并以已跟踪目标的CPCRLB 衡量跟踪精度,采用NBPSO全局搜索最优分配方案,最后进行粒子滤波与协方差交集融合。     

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题,针对粒子群优化算法在算法的后期易陷入局部最优的缺点,提出TPSO(禁忌粒子群优化算法),在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布,后期引入禁忌搜索算法,记录已经达到的局部最优解,在下一次搜索中,不再或者有选择地搜索这些点,从而跳出局部最优点,并且在搜索过程中允许接受劣解,充分利用禁忌搜索的记忆能力及较强的爬山能力,大大提高了获得全局最优解的概率.该算法综合了粒子群优化算法的快速性,随机性和全局收敛性以及禁忌搜索局部寻优的能力.在确保全局收敛性的基础上,能够快速搜索到高质量的优化解.该方法用于几何约束求解的性能明显高于标准粒子群算法,算法具有良好的优化性能和时间性能.     

遗传算法在多用户检测中的应用研究

本文针对CDMA系统中多用户检测的组合优化问题,提出一种结合遗传算法和Hopfield神经网络的检测方法。该方法首先由遗传算法给神经网络提供一个初始解,神经网络在此基础上再进行局部寻优。研究表明：这种方法具有平方的计算复杂度,优于Hopfield神经网络检测方法、以及单独采用遗传算法的检测方法,对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。     

基于蚁群算法的有时间窗车辆调度问题的研究

有时间窗的车辆调度问题（vSPITw）是一个复杂的非线性组合优化问题，一般运用分阶段方法求解。现将蚁群算法应用于车辆调度问题，设计动态确定车辆数和随机搜索路径的新方法，实现车辆数和路径长度的同时优化，并对蚁群算法的信息素更新规则进行了改进，以优化其搜索能力和加快收敛速度。同时给出了算法的实现过程，通过对实例求解，取得了满意的结果。     

求解0-1背包问题的基于双禁忌对象的TS算法

0-1背包问题是一个典型的组合优化问题.针对这个问题,给出了一种基于双禁忌对象的禁忌搜索求解算法.该算法首先以解向量的分量为解对象进行禁忌搜索,当这个搜索过程完成后,然后以当前最优解为初始解对象再进行禁忌搜索.实验结果表明该算法可有效地解决0-1背包问题.     

基于蚁群算法的网络层析故障链路诊断

为了解决网络层析成像中链路故障诊断的NP难问题,提出一种基于蚁群算法的故障链路诊断方法。首先将问题建模成一个组合优化问题,利用蚁群算法在解决组合优化问题中独特的优势进行求解。不同于传统的蚁群算法,求解故障链路时蚁群在初始放置点和可行路径上都受约束。为了加快算法的收敛速度,对蚁群算法的初始信息素浓度进行优化。仿真结果表明,所提出的算法在故障链路检测中具有较好的精度和召回率。     

解旅行商问题的一个新进化算法

旅行商问题(Travelling Salesman Problem,TSP)是一个著名的组合优化问题。提出用进化算法求解该问题。算法采用自然编码方式表示个体,设计了一种利用种群的边产生后代个体的新交叉策略。采用随机DoubleBridge变异策略,最后设计了结合2-交换和特殊3-交换的局部搜索算子改善解(个体)的质量。数值模拟实验表明,该算法是有效的。     

基于0-1背包问题的两种算法

0-1背包问题是组合优化领域里的一个典型问题,是属于易于描述却难于解决的NP难题,有效解决0-1背包问题具有重要意义。首先给出了0-1背包问题的描述,然后详细介绍了回溯法和分支限界法的算法思想和搜索策略,并对两种算法进行了比较和分析。     

猫群算法求解阻塞流水车间调度问题

阻塞流水车间调度是现实生产调度中一类很重要的组合优化问题,其已被证明是典型的NP难问题。为了提高该问题的求解性能,文中提出了猫群算法（CSO）求解阻塞流水线调度问题。猫群算法是近几年来提出的群体智能算法,算法以一小部分猫执行跟踪模式,其余大部分猫执行搜寻模式,通过这两种模式同时进行局部搜索和全局搜索以达到优化目标。文中利用标准Car问题算例进行仿真实验,并与标准粒子群算法（PSO）和蝙蝠算法（BA）进行比较,结果表明猫群算法在求解生产调度问题的可行性和有效性。     

VLSI电路划分问题的分散搜索算法

电路划分是超大规模集成电路(VLSI)设计自动化中的一个关键阶段,是NP困难的组合优化问题.本文把基于顶点移动的Fiduccia-Mattheyses(FM)算法结合到分散搜索算法框架中,提出了电路划分的分散搜索算法.算法利用FM算法进行局部搜索,利用分散搜索的策略进行全局搜索.为满足该方法对初始解的质量和多样性的要求,采用贪心随机自适应搜索过程(GRASP)和聚类相结合的方法产生初始解.实验结果表明,算法可以求解较大规模的电路划分实例,且与基于多级框架的划分算法hMetis相比,划分的质量有明显的提高.     

一种新的解决组合优化问题的自适应柯西进化规划ACEP

 本文在快速进化规划基础上,提出了一种解决组合优化问题的自适应柯西进化规划ACEP.该算法融合了柯西变异的优点,通过调整参量r来适当的改变搜索的步长,相对于经典进化规划CEP和快速进化规划FEP只需一半的种群数量便可快速到达问题的最优解,最后0/1背包问题的对比实验结果表明了其优越性.