基于改进A^*GBNN算法的AUV路径规划

针对现有的离散生物启发神经网络(GBNN)算法在未知环境下存在的路径规划时间长和易陷入局部最优等问题,提出一种结合A^*和GBNN模型的改进算法。在GBNN活性值栅格网络中,该算法将各栅格的活性值作为A^*的代价函数进行运算,并使用跳点搜索规则优化,实现未知环境下的实时路径规划。仿真试验结果表明,该算法能有效改善自主水下航行器在未知环境下的寻路效率,满足自主水下航行器实时路径规划需求。

基于骑手优化的动态布谷鸟搜索算法

针对传统布谷鸟搜索(cuckoo search,CS)算法对复杂问题收敛精度低、迭代步幅局限性大的特点,提出了基于骑手优化的动态布谷鸟搜索策略(rider optimization cuckoo search,ROCS)。结合骑手优化算法(rider optimization algorithm,ROA)思想,利用多种群在单周期内进行多策略寻优,动态使用最优策略进行加强搜索,提高算法对复杂问题的收敛效率;同时对Lévy飞行运动进行动态参数调节,改善算法搜索前期及末期表现。仿真测试结果显示,改进算法对复杂问题的优化表现优于对比算法,算法寻优效率得到显著改善。