基于鱼群效应的智能网联车队形成与演化机理研究

随着智能网联车的快速发展,智能网联车与人工驾驶车辆混行下的交通特性分析和协同控制研究已成为热点。本文构建多车道混合交通流元胞自动机仿真模型,对智能网联车队的形成及状态演化过程进行仿真刻画。首先,基于智能网联车的网联化特征,引入鱼群效应来描述4种智能网联车队的形成过程;其次,从车队角度,利用马尔可夫性计算车队规模转移概率,阐述车队状态演化过程;再次,引入Gipps安全距离原则对NaSch模型进行改进,并对智能网联车和智能网联车队进行速度引导;最后,基于实测的车辆到达率,对建立的基于鱼群效应的混合车流元胞自动机模型进行仿真实验。结果表明:智能网联车队可以有效改善混合交通流的运行状态,缓解交通拥堵;在渗透率60%的条件下,智能网联车队规模为3时,与不存在车队相比,拥堵率可减少43.9%,交通流速度约提升43%,并且随着车队规模的增大,交通流平均速度趋于平稳。

基于人工鱼群-遗传算法的多品种小批量零件数控加工工艺优化研究

基于多品种小批量零件加工成本高的问题,基于人工鱼群-遗传算法(AFSA-GA)构建了数控机床能耗模型,以实现零件加工能耗下降。首先,将数控机床功率划分为各工序功率模型,基于功率模型与工作时间关系得出机床运转能耗模型,结合产品表面粗糙度模型,对各工序能耗模型及整体粗糙度进行归一化处理,形成整体能耗模型;其次,以能耗及粗糙度为目标函数,建立AFSA-GA算法,通过对各工序能耗求解得出最适当的机床功率及其所对应的能耗和表面粗糙度;最后,针对所获得的最优功率,进行优化结果的验证,为五轴机床的实际加工提供解决方案。

企业财务困境预警指标研究——基于邻域粒化与鱼群算法

企业财务指标种类繁多,指标之间相关性强,具有不确定性。针对多维、冗余及不确定性的财务指标,本文提出基于邻域粒化与鱼群算法的财务困境预警指标选择方法。首先,采用邻域粒计算理论构建邻域粒子及财务指标约简模型。其次,从信息熵的角度构造不确定性度量工具,并融合鱼群算法,设计财务困境预警指标选择算法,筛选出预警性强的关键财务指标。采用SVM分类器对选择的关键预警指标组进行分类实验。研究表明,鱼群算法获取的财务困境预警指标组具有较低的冗余度及较好的财务困境预警性能。

基于人工鱼群算法的篮球跳投轨迹实时跟踪

篮球运动轨迹跟踪方法由于轨迹特征提取效果差,导致跟踪误差高,提出一种基于人工鱼群算法的篮球跳投轨迹实时跟踪方法。提取三维坐标系下图像中篮球边缘轮廓信息,通过滤波函数消除篮球跳投图像噪声,基于人工鱼群算法提取图像中篮球跳投轨迹特征,寻找篮球运动轨迹的最优解集,改进篮球实时跟踪匹配路径,形成轨迹跟踪函数。实验结果可知,该方法的平均轨迹跟踪误差为18.28mm,与常规方法相比降低了6.22mm以上。因此,该跟踪方法的篮球轨迹跟踪精度更高,并且实时跟踪轨迹与真实轨迹更吻合。

基于改进人工鱼群算法的车辆可靠性估计技术

在零部件研发过程中,对零部件进行可靠性估计至关重要,而威布尔分布被广泛用于模拟失效分布,因此对威布尔分布的参数估计对零部件可靠性预测和分析非常关键。对此,文章提出了一种用于车辆零部件可靠性评估的基于改进人工鱼群算法的新型威布尔分布估计方法,首先从理论上构建了威布尔分布的最大似然估计模型,并对相关模型进行详细的介绍;然后基于人工鱼群算法求解效率低和质量不高的缺陷,通过引入Levy飞行策略和感知距离自适应调节策略对原始人工鱼群算法其进行改进;最后,运用改进人工鱼群算法进行蒙特卡洛模拟仿真试验,进而对威布尔分布参数拟合效果进行比较和分析。结果表明,对于威布尔分布的参数估计,文章所提出的改进人工鱼群算法比其他元启发式算法给出了更准确的参数估计,能够为汽车零部件开发与可靠性评估提供科学有效的指导。

基于改进人工鱼群算法的无人机三维航迹规划

无人机航迹规划算法中,针对传统人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)存在易陷入局部最优、优化效率不佳等问题,引入了步长衰减函数,提出了一种自适应步长的人工鱼群算法(Adaptive Step Size Artificial Fish Swarm Algorithm,AS-AFSA),实现航迹规划中全局与局部收敛的自适应;进一步给出了人工鱼权重优化策略,提高人工鱼群算法的收敛速度与精度。仿真结果表明,改进人工鱼群算法在无人机航迹规划情景下表现优异,迭代次数相同条件下,航迹代价相较于狼群算法(Wolf Colony Algorithm,WCA)优化了4.5%,相较于传统人工鱼群算法优化了2.5%。

融合黄金人工鱼群和三次样条插值的机器人路径规划研究

原始鱼群算法中,觅食行为具有随机性,步长、拥挤度为固定数值,算法寻优效率低下,寻优范围固定,收敛速度慢且可能出现局部最优等局限性。为解决此问题,采用黄金正弦算子改进觅食行为,提高单条鱼寻优效率与寻优范围,通过拥挤度和步长自适应提升算法的探索和开发能力以及最优解的精度与迭代速度。同时,改进食物浓度,保证路径的可行性。通过仿真验证,与传统鱼群算法、分段自适应鱼群算法比较,证明本算法在路径长度和规划时间都有优势,证实了算法的有效性和稳定性。

基于神经网络和人工鱼群算法的惯性延时微通道优化

为了保证中、小口径弹引信的炮口安全性控制要求,设计了具有肋板阻尼结构的惯性延时微通道,同时为了保证其具有稳定的延时性能,研究了该微通道在高离心转速下的延时响应性能。采用了神经网络模型和人工鱼群算法对蛇形微通道内肋板的结构位置进行优化设计。用两相流水平集模型以微通道的延迟时间为研究对象进行了模拟仿真,得到180组样本数据,分析发现肋板结构在微通道内的不同位置与延迟时间呈现出高度的非线性关系。根据样本数据建立神经网络模型用以拟合设计变量与优化目标之间的映射函数,并采用人工鱼群算法对神经网络模型拟合的映射函数的参数进行优化。结果表明,经过结构优化之后,在1 000 g离心环境下微通道中流体的延迟时间从最短的11.446 ms提升到了25.054 ms,延时效果得到了显著提升。最后研究了优化后的结构在中、小口径弹引信使用环境下的延时特性,验证了其满足大部分中、小口径弹引信的延时控制要求。

基于水面红外图像的深海网箱鱼群夜间智能监测方法研究

获取深海网箱养殖过程鱼群活动数据,开展鱼群监测是提升深海养殖效率、降低养殖成本的有效手段。基于水面红外相机,利用深度学习前沿技术,提出了一种鱼群智能监测方法。该方法涉及鱼群识别及计数、鱼体分割和鱼体游向判断3个功能模块。首先,通过红外相机采集鱼类的图像信息,并进行标注以构建数据集,然后采用改进的Faster RCNN模型,以Mobilenetv2+FPN网络作为特征提取器,实现鱼类的准确识别,并输出包围框表征鱼类个体位置。其次,从框图内选择亮度前20%的像素点作为分割提示点,利用Segment Anything Model对图像进行分割,生成鱼体分割图。最后,通过对鱼体分割图进行椭圆拟合处理,可以判定鱼类的游向信息。改进的Faster RCNN模型在进行100次迭代训练后,平均精确率达到84.5%,每张图片的检测时间为0.042 s。结果表明,在水面红外图像的鱼类数据集上,所提出的改进Faster RCNN模型和椭圆拟合等关键技术能够实现对鱼群的自动监测。

一种基于改进人工鱼群的云计算任务调度算法

为提高云计算任务调度的效率,减少系统执行任务的最大完工时间以及成本,本文提出一种改进的人工鱼群任务调度算法(improved artificial fish swarm algorithm,IAFSA).首先,将反向学习策略应用于种群初始化和鱼群的行为选择中,以提高改进人工鱼群算法在迭代中的收敛速度和种群多样性.其次,将自适应全局-局部记忆机制引入到标准AFSA算法的觅食行为中,以进一步提高勘探能力.最后,增加了基于平均适应度的行为选择机制,以提供更合理的行为选择,减少算法的复杂性.通过使用CloudSim平台进行实验验证,分别测试在不同任务规模下IAFSA的算法效能.实验结果表明,改进人工鱼群算法在降低系统任务最大完工时间和成本上均表现出了显著的优势.

基于改进人工鱼群算法的蠕虫机器人路径规划

针对人工鱼群算法在机器人路径规划中存在路径长、精度不高、易陷入局部最优等问题,提出了一种改进的人工鱼群算法,旨在提高算法效率及精度。首先,在算法觅食行为中加入寻优循环,减少算法在路径规划中选取位置点的随机性,使机器人能够更快地走向目标点;其次,融合禁忌搜索算法,通过引入禁忌表来记录算法陷入局部最优的路径,使算法在选取新位置点时能够避开局部最优区域,避免算法在局部过度循环,同时对规划出的路径进行优化处理,删去重复栅格点之间的路径,保证路径中没有重复的栅格点;最后,将改进后的人工鱼群算法应用在一种新型的三维栅格地图中。实验结果表明:相较于其他对比算法,在地图1、2、3中改进人工鱼群算法所取得的平均路径长度分别减少了10%、15%、30%,在复杂地图中路径规划的成功率提高了75%。

基于边缘计算的海上养殖鱼群实时追踪系统

为解决实际养殖环境中存在鱼群数据集少、追踪算法效果不稳定、追踪部署成本高等问题,结合鱼群行为数据、鱼群追踪算法和边缘计算平台3方面建立一套基于边缘计算的鱼群实时追踪系统。采集并标注养殖环境中的金鲳鱼视频以建立鱼群行为数据集;提出基于检测的鱼群追踪算法FishTrack,改进追踪轨迹的关联策略,以减少因鱼群姿态变换和长期遮挡导致的目标丢失;将FishTrack部署在轻量级边缘计算设备上,保证追踪效果的同时降低了计算成本。研究结果表明:FishTrack在金鲳鱼数据集上的追踪准确率可达72.95%,比当前主流追踪算法ByteTrack的目标交换错误率降低了83%;实时追踪速度为平均7.40帧/s,适用于真实生产环境中鱼群的实时追踪。

基于人工鱼群的自适应密度峰值聚类算法

针对密度峰值聚类算法中截断距离d c和聚类中心缺乏选取依据,以及对簇中存在多密度峰值的数据无法准确聚类问题,提出一种基于人工鱼群的自适应密度峰值聚类算法(AFSADPC)。选择簇中心权值γ大于幂律分布上分位数的样本点作为聚类中心,根据两个相邻簇的簇间边界区域密度与簇平均密度构造簇间合并规则,利用人工鱼群算法寻找使改进轮廓系数指标达到最大值时的最优截断距离d_(c)。在合成数据集和真实数据集上的实验结果表明,AFSADPC算法具有较好的聚类效果。

基于鸟群人工鱼群算法的区块链移动边缘计算卸载模型

计算密集型任务数量的增加导致智能移动设备(Smart Mobile Devices,SMD)计算任务过载,借助MEC(Mobile Edge Computing Servers)及利用网络中空闲边缘设备(Edge Devices,ED)可使计算能力受限的SMD将计算任务卸载到MEC和ED协作中,并基于委托信誉证明(Delegated Proof of Reputation,DPoR)共识机制增强系统的安全性。文中提出一种基于鸟群人工鱼群算法(Bird Swarm-Artificial Fish Swarm Algorithm,BS-AFSA)的区块链移动边缘计算卸载模型,将任务卸载问题转化为优化目标函数来降低计算开销。采用改进鸟群人工鱼群算法来优化任务时延和能量消耗,对算法中的行为参数进行针对性构造,并改进拥挤度因子来提高后期迭代中寻优的局部搜索精度。仿真结果表明,与其他基准算法相比,文中所提算法减少了陷入局部最优的可能性,并降低了联合卸载方案的系统总开销。

基于人工鱼群算法改进栖息地法的河流生态流量计算

广泛应用于生态流量计算的栖息地法,近年来理论基础受到许多国外学者的质疑。针对其存在的问题,通过采用人工鱼群算法中的视野、奖励权重、拥挤度参数对栖息地法进行了3个方面的改进,其中,视野、奖励权重、拥挤度参数分别代表鱼类搜寻适宜栖息地的能力、鱼类聚群后优选栖息地的倾向和鱼类实际选择栖息地时的逻辑。以淮河中游鲁台子~淮南段为研究区域,发现改进后的计算方法具有较好的稳定性,能够体现鱼类自我优化栖息地选择的过程,可以反映栖息地的利用情况,显著提高了栖息地法计算结果的可信度。

适用于配电网无功优化的混合鱼群算法

人工鱼群算法同传统群智能算法一样,由于基础种群的随机性以及寻优路线的不确定性等原因可能导致算法寻不到最优解。为解决以上问题,利用混沌变换序列生成遍布更加均匀的初始值;采用自适应的视野与步长动态改变搜索范围;引入改进的生物“进化”机制,利用当代和精英个体的基因来对鱼群进行淘汰,加快收敛速度。将该混合算法用于IEEE33节点系统配电网的无功优化中,结果表明改进的算法更易跳出局部最优,且收敛速度较快,收敛性能较好,提高了寻优效率。

基于改进YOLOv5s的轻量级水下鱼群检测与识别

为进一步提高水下鱼群检测与识别的检测精度和工作效率,提出了一种改进DCG-YOLOv5s的轻量化水下鱼群检测算法。首先为了增强网络模型的特征提取能力及识别准确性,在Backbone主干网络的卷积层中引入可变形卷积;其次采用轻量级上采样算子CARAFE,在增大感受野的同时进一步提高模型对于水下鱼群的识别效果;最后引入了GhostBottleneck替换原结构中的部分C3结构,在不影响精度的前提下实现了轻量化。实验结果表明,改进后模型的平均检测精度、计算量均有明显提高,达到了轻量化的效果。

基于SPD-Conv结构和NAM注意力机制的鱼群小目标检测

为解决因水下成像环境退化导致图像分辨率较低,以及因鱼群目标较小等因素导致的检测精度不高的问题,提出了一种结合SPD-Conv结构和NAM注意力机制的改进YOLOv7检测算法。首先,采用Space-to-Depth(SPD)结构改进头部网络,取代了网络中原有的跨步卷积结构,保留了更多的细粒度信息,提升了特征学习的效率,提高了网络对低分辨率图像的检测效果。然后在网络中引入Normalization-based Attention Module(NAM)注意力机制,采用CBAM的模块集成方式,使用BN缩放因子来计算注意力权重,抑制了不显著的特征,提升了小目标检测的准确率。最后针对水下成像退化,对检测图片做反卷积预处理,减小了水下成像退化因素对检测造成的影响。实验结果显示,在WildFish数据集上模型的整体精度达到97.2%,与YOLOv7算法相比提升了7.6%,准确率提升了8.5%,召回率提升了9.8%,与Efficientdet,SSD,YOLOv5及YOLOv8算法相比,所提模型精度分别提升了12.6%,17.8%,4%及2.9%,在Aquarium数据集上模型的整体精度达到80.5%,相比Efficientdet,SSD,YOLOv5,YOLOv7及YOLOv8分别提升了18.4%,11.6%,6.9%,2.0%及2.7%,可以满足水下鱼群识别的需求。

基于改进鱼群算法的牧场巡检机器人路径规划研究

针对传统人工鱼群算法(AFSA)在牧场巡检路径规划的过程中易陷入局部最优解、规划的最优路径较长等问题,提出一种改进人工鱼群算法融合遗传算法(GA)得到的遗传鱼群算法(GFSA)。GFSA在AFSA基础上通过优化视野和步长,加快算法在求解过程中的收敛速度和精度;通过设计分段式拥挤度因子、引入遗传算法中的变异操作,避免算法在迭代过程中过早聚集在局部最优解周围。将GFSA搭载在牧场巡检机器人上进行试验验证。结果表明,在消融试验中,GFSA规划的路径长度均低于对比算法,其最优路径长度中位数为23.2 m;在多算法对比试验中,与对比算法相比,GFSA的路径最短且转弯幅度小;在不同障碍物率地图的路径规划中,GFSA的最优路径长度初始值、增长斜率均小于对比算法,具有更好的鲁棒性和适应性。

人工鱼群优化算法的移动机器人路径规划研究

针对传统人工鱼群算法在移动机器人全局路径规划中存在搜索效率比较低且路径冗余点比较多的问题,提出了基于双向搜索策略的人工鱼群算法。该算法通过正反两个方向交替检索路径的方式来进行全局路径规划,提高了算法在路径规划时的效率以及收敛速度。另外对于规划出的路径冗余节点以及不必要拐点较多的问题,通过对规划好的路径集引入路径平滑处理策略进行路径优化。仿真结果表明,改进后的人工鱼群算法与传统人工鱼群算法相比在收敛速度以及路径搜寻效率上均有较大的提高。最终将改进算法应用到实际的移动机器人中,实验结果证明,改进的算法可以有效解决移动机器人的路径规划问题。