基于分组优化改进粒子群算法的无人机三维路径规划

针对粒子群算法在解决三维路径规划问题中遇到的过早成熟、陷入局部最优等问题,借鉴鸡群算法中的分组优化策略,对粒子群算法中的粒子进行分组处理,并在小组粒子更新时采取模拟退火操作,提高了粒子群算法的局部搜索能力,有效避免了陷入局部最优和早熟的现象。利用MATLAB进行实验仿真,验证了使用鸡群分组优化策略和模拟退火操作改进后的粒子群算法在解决无人机三维路径规划问题上的可行性和有效性,实验结果表明,改进后的算法具有更强的局部搜索能力且规划的航迹稳定性更好。     

基于混合粒子群优化的多目标决策新方法

多目标优化问题中的一个关键在于合理地评判各有效解的优劣。通过引入灰色系统理论中灰色关联度的概念作为评判准则,结合粒子群优化算法进行有约束多目标规划问题的研究。提出了一种新的不可行解的保留策略,进化过程中以此策略保留适量的不可行解,有利于增强对约束边界附近可能的最优解的搜索,同时,针对粒子群优化算法的容易陷入局部最优的缺点,实现了以粒子群优化为载体的混合算法:即对全局极值邻域进一步混沌搜索寻优。仿真结果表明改进的算法对多目标决策问题是有效的。     

面向多平台多目标协同跟踪的指派问题

针对多平台多目标协同跟踪中要求多个无人地面平台尽可能均匀地协同跟踪多个目标的特点,提出了改进的离散粒子群优化算法。首先采用连续型粒子群优化算法中的速度和位置迭代公式,然后对粒子位置进行离散编码,使粒子编码对应于可行的指派方案;其次,在优化算法中引入局部搜索,提高算法寻优性能。最后将所提算法应用于多平台多目标协同跟踪中的指派问题,并与未加入局部搜索的粒子群优化算法比较,仿真结果表明,加入局部搜索后的离散粒子群优化算法具有较好的寻优性能。     

基于改进差分进化算法的多无人机航迹规划

针对已知三维环境下的多无人机动态路径规划问题,在多无人机协同方面基于参考路径长度以及威胁距离进行任务点规划,并根据实际环境设定了约束函数和适应度函数。在航迹规划算法方面则采用改进差分进化算法,将种群基于种群个体的适应度均分为两个子种群,选择不同的变异策略。仿真验证结果显示,改进差分进化算法得到的规划路径在路径长度、适应度值优于传统差分进化算法,可以生成路径更短且适应度值更优的航迹。     

基于可视化HPSO的无人机装备维修任务调度

分析了目前军用无人机装备维修任务调度问题的组成及现状,构建了改进的混合粒子群算法,通过离散化粒子群简化粒子论域,加快计算速度;引入浓度监控机制,综合粒子浓度分布和适应度大小两方面信息,对进化过程进行调控;结合遗传算法,增加粒子间的交叉、变异,加快粒子群进化速度,防止陷入局部最优;并在Matlab环境下对图形展示函数进行优化,实现迭代过程动态可视。最后通过实例分析,高效计算得出最佳调度方案,实现了混合粒子群算法在装备资源调度问题的有效应用。     

一种改进的量子粒子群算法

量子粒子群算法是将量子计算与粒子群算法相结合的一种新的优化方法。首先利用相位角进行实数编码，将动态量子旋转门引入到粒子群算法中，采用自适应变异，提出了一种改进的量子粒子群算法。然后运用Pe-nalized函数和Ackley函数测试了该算法的性能。最后将该算法应用到武器目标分配模型中，获得了最优的分配方案。仿真研究表明，该算法具有收敛速度快、搜索能力强和稳定性高的特点。     

基于粒子群遗传算法的多无人机协同路径搜索

为解决不确定环境中多无人机路径搜索针对性不强、效率低问题,提出一种基于粒子群遗传算法的多无人机协同路径搜索方法.建立区域栅格图环境和搜索概率图模型,采取滚动预测的方式,提出使用协同粒子群遗传算法生成预测路径,通过适应度函数确定最优搜索路径,该路径满足无人机最小转弯半径限制,并能实现威胁区域规避和重点区域加强搜索.仿真结果验证了所提算法的有效性.     

一种改进的粒子群算法与遗传算法的比较

在求解非线性规划问题,进化算法已经逐渐呈现出其优越性,对粒子群算法进行了改进,同时还介绍了遗传算法,并通过测试函数对比分析了改进后粒子群算法和遗传算法的寻优性能。     

基于免疫粒子群文化算法的数字电路故障诊断

为改善粒子群算法摆脱局部极值点的能力,提升种群进化的多样性,将免疫算法中免疫机制引入到粒子群算法中形成免疫粒子群算法;为有效提高故障覆盖率和缩短测试生成时间,将免疫粒子群算法引入文化算法框架中形成免疫粒子群的文化算法。将其应用于数字电路故障模型仿真实验并与其他测试生成算法进行对比,结果表明该算法能够有效提高故障覆盖率,缩短测试生成时间,在大规模电路测试生成与故障诊断中更具优势。     

军事通信中基于UFMC信号的峰均比抑制算法

针对5G移动通信中的通用滤波多载波（universal filtered multi-carrier,UFMC）系统中信号的峰均比（peak-to-average power ratio,PAPR）较高的问题,提出了一种改进二进制离散粒子群优化的免疫规划的部分传输序列算法（IPA-IBPSO-PTS）。该算法在IBPSO-PTS算法的基础上,采用差分算法中的变异来避免其在迭代搜索后期出现种群多样性丢失的问题,同时引入了新型免疫规划算法中的疫苗接种和免疫选择操作,进一步提升算法的全局收敛速度。理论分析和仿真表明,提出的IPA-IBPSO-PTS算法能够获得更好的PAPR抑制性能,有效地降低了军事移动通信系统的复杂度和误码率。     

蚁群遗传融合算法在移动机器人路径规划中的应用

针对移动机器人路径规划的特点,把智能算法引入到机器人路径规划中。而单一蚁群算法和遗传算法,存在收敛速度慢、效率低或容易陷入局部最优等缺陷,对蚁群算法进行改进,提出一种改进蚁群遗传算法的融合方案,并把该方案应用到移动机器人路径规划中,在栅格环境下进行仿真测试,仿真结果表明该方案能有效提高最优路径的搜索效率,整体性能优于蚁群或遗传单一智能算法。     

基于混合变异策略差分进化算法的无人机航路规划

提出在一种三维场景参数部分已知的有威胁空域中,采用差分进化算法(DE)规划无人机(UAV)航路,为了提高差分进化算法性能,以生成最优的路径,而采取多种变异策略的差分进化算法。算法根据种群个体的适应度值,将初始化的种群分为3个子种群,然后对于不同子种群采取不同变异策略。重点构建了环境模型和生存模型。数值实验结果表明,相较于单一变异策略的DE算法,混合变异策略的DE算法在无人机航路规划问题求解中,具有更好的求解效果和环境适应能力。     

一种改进的粒子群优化算法

针对基本粒子群算法存在着收敛速度慢、效率低、易陷入局部最优等缺陷,为了更好地平衡全局和局部搜索能力,在粒子群算法中引入收缩因子,使算法中粒子不仅向种群最优的粒子进行学习,而且向种群中比自己优秀的所有粒子学习,增加了粒子的多样性。实验结果证明,与基本蚁群算法相比,改进的粒子群算法提高了收敛速度和效率,能一定程度地避免局部最优解的产生。     

RBF神经网络在异步电机故障诊断中的应用

将径向基(RBF)神经网络应用到电机的故障诊断中,建立了异步电机的RBF神经网络诊断模型。为了克服RBF神经网络学习算法的不足,引入了差分进化(DE)算法,并且利用了差分进化(DE)算法的全局搜索能力来优化RBF神经网络基函数的中心、宽度以及网络的连接权值,以获得最优的网络模型。仿真结果表明优化后的RBF神经网络的泛化能力和诊断精度都得到了大幅度提高。     

基于种群多样性测度的PSO算法及其应用研究

针对基本粒子群算法(particle swarm optimization,PSO)易局部收敛的缺陷,设计了一种根据种群多样性测度动态调整惯性权重的改进粒子群算法,通过仿真测试函数与基本粒子群算法、自适应粒子群算法(adaptive particle swarm optimization,APSO)、带收缩因子的粒子群算法(contractive particle swarm optimization,CPSO)进行比较,改进的PSO算法在提高算法的综合搜索能力方面具有优越性。将改进的PSO算法运用到作战飞行器航迹规划中,并进行了仿真实验,仿真结果验证了改进算法的有效性。     

混合离散粒子群的任务调度算法及应用

针对粒子群算法存在易陷入局部极值、精度差的缺点,引入了模拟退火的思想,研究了一种混合粒子群优化算法,防止早熟现象的产生,使种群在更新迭代中保持了多样性,并将混合算法应用到典型的任务规划调度问题求解中,通过仿真验证了混合算法的有效性,与单一的离散粒子群算法相比,提高了调度问题的求解效果。     

基于DDE改进蝙蝠算法的动态火力分配方法

针对动态火力分配算法耗时长,而传统的蝙蝠算法寻优精度不高等问题,提出了一种基于动态差分改进的蝙蝠算法。该算法首先通过放宽部分约束条件加快生成初始解,然后将动态差分进化算法中的差分变异机制融入到蝙蝠算法中,再利用惩罚函数确保生成的解满足约束条件,最后利用蝙蝠种群进行解的迭代寻优。仿真结果表明,与蝙蝠算法、遗传算法、粒子群算法相比,改进的算法有较高的收敛精度和较快的收敛速率,且更适合应用在较大规模的火力分配问题中。     

基本粒子群算法和遗传算法用于航路规划的比较

优化问题有两个主要问题：一是要求寻找全局最小点,二是要求有较高的收敛速度。遗传算法和粒子群算法作为启发式算法和群智能算法,因其良好的搜索性能而在飞行器航路规划中得到了广泛的应用。分析了两种算法各自的特点和相互之间的异同点,并在给定相同的作战环境和威胁空间条件下分别进行了航路规划仿真实验,实验结果表明基本粒子群算法在搜索...     

多基地多目标无人机协同任务规划算法研究

在多基地多目标多无人飞行器(unmanned aerial vehicle,UAV)的协同任务规划这类约束条件众多、复杂且耦合的多目标优化与决策问题中,利用传统的粒子群优化算法在寻优时容易陷入局部最优,为此,提出了一种基于模拟退火的混合粒子群算法。基于攻打任务背景,综合考虑无人机的物理性能约束,搭建航迹长度最小适应度函数和威胁代价最小适应度函数以构造目标函数,先利用Voronoi图以及Dijkstra算法进行航迹规划,再利用基于模拟退火的混合粒子群算法进行任务分配。仿真结果表明:所提算法融合了模拟退火算法、粒子群优化算法的优点,能快速求解UAV任务规划的近似最优解,且与粒子群优化算法和模拟退火算法相比,在进化次数足够多的情况下该方法得到的结果更优。     

一种基于混沌粒子群改进的果蝇优化算法

针对基本果蝇算法在优化过程中收敛速度慢,无法解决复杂的优化问题,引入混沌搜索和粒子群算法(PSO)来修正基本果蝇算法(FOA)。利用混沌搜索初始化果蝇群位置,提高了初始解的随机性和遍历性,从而提高FOA初始种群的多样性;引入PSO算法以减少最优解更新过程中的盲目搜索;选取5种不同的非线性函数作为测试函数,并将改进后的果蝇算法(IFOA)与其他算法相比较,实验结果表明,IFOA的鲁棒性较强,且收敛速度与收敛精度有了明显的提高。