Improved algorithms to plan missions for agile earth observation satellites

This study concentrates of the new generation of the agile （AEOS）. AEOS is a key study object on management problems earth observation satellite in many countries because of its many advantages over non-agile satellites. Hence, the mission planning and scheduling of AEOS is a popular research problem. This research investigates AEOS characteristics and establishes a mission planning model based on the working principle and constraints of AEOS as per analysis. To solve the scheduling issue of AEOS, several improved algorithms are developed. Simulation results suggest that these algorithms are effective.

改进免疫克隆算法的Job Shop调度

提出了基于种群协同进化的并行免疫克隆算法,将种群中个体的亲和度计算并行在多个计算节点上同时进行。引入免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了解集从可行域内部和不可行域边缘向着最优解逼近。采用了克隆增殖变异和交叉算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡。从而保证了算法较强的收敛性以及搜索空间的多样性。利用标准问题库对算法进行测试,并分析算法参数对算法结果的影响,仿真结果表明,该算法对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和遗传算法等优化算法。

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索。PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值。通过对PSO算法的深入分析,基于传统的速度——位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力。测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能。

基于免疫粒子群算法的涡扇发动机性能仿真

涡扇发动机稳态数学模型为一高度非线性的复杂系统,用传统的迭代方法求解发动机非线性方程组存在受初值影响不易收敛的问题。为此利用粒子群算法求解,并针对算法的局部收敛现象对其进行改进:借鉴免疫算法思想,设计出基于Logstic混沌变异的粒子克隆选择机制,基于概率的粒子多样性保持机制。对测试非线性方程组求解的结果表明引入免疫机制的改进算法较被比较的典型算法在搜索性能和收敛速度方面有明显改善。将改进的粒子群算法应用到某型涡扇发动机稳态性能计算,从仿真结果可知,基于免疫粒子群算法计算过程收敛速度明显加快,计算误差显然小于其他改进算法。经验证,该算法在不同的工作状态下与试车试验值的误差在0.5%左右,达到较高的计算精度。

基于广义装配关系的复杂产品装配单元划分方法

通过分析复杂产品的装配几何关系,考虑夹具和工装在装配过程中的使用情况以及装配工艺性能,建立零部件之间的广义装配关系。在此基础上,构建以装配关系强度和装配并行度为目标的数学优化模型,采用免疫克隆算法进行聚类优化,完成复杂产品的装配单元划分。此方法不仅考虑零部件之间的广义装配关系,而且考虑单元划分的目的,使划分结果更加合理。最后,以某飞机机翼装配单元划分为例进行验证,结果表明该方法具有一定的适用性和有效性。

环境变异免疫克隆算法解决有约束优化问题

为了克服免疫克隆算法搜索效率低、无法直接对进化经验学习等缺点,设计了环境变异免疫克隆算法,在普通免疫克隆算法中引入环境变异算子,通过环境变量积累进化过程中的经验,使算法具备了一定的学习能力;重新设计了代价函数,采用一种新颖的罚函数排序形式来处理由于约束条件造成的解集空间不连续问题,进而提高了算法的搜索效率及稳定性。通过对13个常用有约束优化问题测试函数的仿真实验,表明了环境变异免疫克隆算法在有约束优化问题上具有很好的性能。

基于Hénon映射的自适应克隆选择优化算法

免疫算法与遗传算法都存在的不成熟收敛问题。混沌优化方法是近年出现一种新的优化技术,通常使用Logistic或Tent映射产生混沌序列进行搜索,Logistic映射产生的混沌序列的概率密度函数切比雪夫型分布,当最优值落在[0,1]的中间位置时,这种分布特性会影响全局搜索能力和效率。而Tent映射也存在迭代易落入小周期循环的问题。针对免疫算法和混沌优化算法中存在的缺陷,该文用变尺度的搜索策略,提出了一种基于Hénon映射的自适应克隆选择的优化算法,数值仿真结果表明,该文提出的算法提高了局部搜索的能力及其计算效率,算法可行有效。

基于实数编码的克隆选择算法及其应用

将克隆选择算法的二进制编码改为实数编码 ,即直接用实数进行编码 ,利用了免疫学Ag Ab的相互作用和细胞进化现象 ,通过免疫记忆机制 ,保存各个局部最优解 ,克服早熟现象 .通过几个模拟实验 。

基于免疫克隆算法的物流配送车辆路径优化研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,该问题属于NP难题,较难得到最优解和满意解.在物流配送车辆路径优化问题数学模型的基础上,构造了一种免疫克隆算法来求解该问题,并在算法中引入了克隆选择、克隆删除、受体编辑、体细胞高频变异、抗体循环补充等思想.仿真计算结果表明,免疫克隆算法能快速收敛于全局最优解,克服了遗传算法中易陷入局部最优解和收敛速度慢的缺点,可有效地解决物流配送车辆路径优化问题.

求解TSP问题的抗体克隆优化算法

为解决传统求解TSP问题(Traveling Salesman Problem)的方法所固有的组合爆炸问题,提出了一种新的基于MHC(Major Histocompatibility Complex,主要组织相容性复合体)的抗体克隆优化算法(Antibody Clone Optimization Algorithm inspired by MHC,COAMHC)。该算法应用MHC分子单倍型特性将优秀抗体基因保存为MHC串,并通过疫苗接种遗传至子代以增强其局部搜索能力;应用MHC分子多态性并通过基因突变以及随机引入新抗体基因来提高抗体群多样性,以增强其全局搜索能力。通过TSP问题的仿真实验表明,该算法在收敛速度、和求解精度方面比经典克隆选择算法CLONALG性能更好。

基于免疫文化算法的特钢加热炉调度优化

特种钢企业的生产具有品种多、批量小的特点，导致轧制线上在线加热炉组的调度成为NP难问题．本文在详细分析该类问题的基础上，提出了基于免疫文化算法的加热炉优化调度方法．利用免疫克隆算法的全局收敛性对最优调度方案进行搜索，利用文化算法形成的公共认知信念指导和加速搜索，仿真实验表明，该方法在轧机利用率、钢坯在炉内滞留时间及加热炉运行时间等多方面均优于传统的人工调度方法．

基于免疫克隆算法的综合交通枢纽布局优化研究

为了描述综合交通枢纽的布局优化问题,在保证重点枢纽建设的前提下,综合考虑综合交通枢纽布局的影响因素,以城市需求点总需求权距离最小为目标,考虑了在枢纽覆盖距离内,需求点和枢纽候选点对应关系为约束建立了综合交通枢纽布局优化的数学模型.给出了针对该问题的自适应免疫克隆算法的具体求解设计和步骤,并结合算例证明了算法的有效性.

改进灰狼优化算法的K-Means文本聚类

针对K-Means算法在文本聚类过程中易陷入局部最优,造成文本聚类结果不准确的问题,提出了一种基于改进灰狼优化算法的K-Means文本聚类方法。在对文本数据进行分词、去停用词、特征提取以及文本向量化后,通过免疫克隆选择选出精英个体,并对精英个体进行深度探索以增加灰狼种群的多样性,避免早熟收敛现象的发生;将粒子群位置更新思想与灰狼位置更新结合,降低灰狼优化算法陷入局部极值的风险;与K-Means算法结合进行文本聚类。所提算法与K-Means算法、GWO-KMeans以及IPSK-Means算法相比,其准确率、召回率和F值平均都有明显提高,文本聚类结果更可靠。

温室穴盘苗自动移钵路径优化

为了优化移栽机补栽作业时的移钵路径,该研究基于免疫算法构建了克隆选择算法和免疫遗传算法2种适合求解移钵路径优化问题的模型,并与固定顺序法和遗传算法对比,进行移钵路径规划仿真试验和验证试验。结果表明:克隆选择算法模型和免疫遗传算法模型均能有效优化移钵路径,免疫遗传算法模型的路径规划效率较高,而克隆选择算法模型的路径规划效率较低。验证试验条件下,该研究2种模型的路径规划长度分别为48 977和48 945 mm,相比固定顺序法分别缩短7.59%和7.65%,相比遗传算法模型分别缩短3.60%和3.66%;2种模型的计算时间分别为5.86和2.72s,免疫遗传算法模型的计算时间相对遗传算法减少15.79%。免疫遗传算法模型可作为温室穴盘苗后续机械化批量补栽的路径规划控制基础。

混沌云克隆选择算法及其应用

结合云模型理论与免疫克隆选择思想,提出一种新的改进算法-混沌云克隆选择算法(CCCSA).该算法采用混沌初始化生成初始种群以提高初始抗体的质量;通过基本正态云发生器实现抗体的变异操作以改善抗体的多样性.经典函数测试实验和时滞系统的自抗扰控制器参数优化整定仿真实验结果表明,该算法比一般的CSA算法、遗传算法和粒子群算法能更快的找到最优解;其求解精度更高,性能更加稳定.

城市道路交叉口信号配时多目标优化方法研究

针对目前交叉口信号配时优化目标单一、综合运行效率不高的问题,提出一种交叉口信号配时多目标优化方法。考虑绿灯时间、周期长度和饱和度等约束条件,通过加权系数法定义代价函数,使交叉口的延误时间、停车次数和通行能力在某种程度上达到最优。基于免疫克隆算法在处理多目标问题中具有最优解分布宽广性、均匀性好等特点,引入环境变异算子,提出环境变异免疫克隆算法对模型求解,增强了算法的全局搜索能力,提高了解的质量。仿真结果表明,与传统配时方法和改进粒子群算法相比,该文方法能有效减少信号交叉口的延误时间和停车次数,提高交叉口的运行效率。

使用免疫克隆选择机理的故障检测器优化

免疫算法产生的检测器集中,存在集合边界不清晰和个体分布不均匀的缺点。提出了一个免疫克隆选择检测器优化算法。通过对原检测器中个体的抗体克隆、变异和克隆选择操作,实现对检测器分布状况的优化。与其他免疫优化算法的对比仿真结果表明其不但具有较快的收敛速度和较好的稳定性,而且优化效果更为令人满意。

基于云免疫算法的认知无线网络参数优化

为了提高认知无线网络的参数优化效果,提出了一种基于免疫优化的认知引擎参数调整算法。免疫克隆优化是一种有效的智能优化算法,适合求解认知无线网络的引擎参数调整问题。免疫优化中,变异概率影响着算法的搜索能力;利用正态云模型云滴的随机性和稳定倾向性特点,提出了一种基于云模型的自适应变异概率调整方法,并用于认知无线网络的参数优化。在多载波环境下对算法进行了仿真实验。结果表明,所提算法收敛速度较快,参数调整结果与对目标函数的偏好一致,能够实现认知引擎参数优化。

移动P2P网络超级节点选取机制研究

针对半分布式结构的移动P2P网络超级节点选取问题,提出一种新颖的超级节点选取机制,全面分析影响超级节点选取的各种因素,按着其特点和类型不同将其分为效益型属性和成本型属性,并在此基础上建立了超级节点选取的带约束多目标优化模型。采用新的约束处理方法,利用免疫克隆算法对超级节点选取问题进行求解。实验结果表明,该机制可以有效降低超级节点的失效率,提高系统查询效率,算法收敛速度快,有较好的可扩展性。

大空间坐标测量网络的精度自适应构建方法

针对重大装备测量中,测量点分散、坐标测量精度要求不尽一致的现实情况,提出了多边法空间坐标测量网络的精度自适应构建方法,能实现快速、低成本地构建同时符合不同测量点不同坐标测量精度要求的测量网络。方法根据测量点的概略坐标及坐标测量精度要求,使用改进的"免疫克隆算法"搜索网络布局,即首先随机生成若干组初始网络布局,然后计算初始布局测量网络下各测量点的理论坐标测量精度与要求的坐标测量精度之间的差值,并在差值较小的若干组网络布局的基础上生成新的初始布局,重复上述过程,直至所得布局测量网络能满足所有测量点的坐标测量精度要求。所提方法提高了网络的构建效率,降低了网络的构建成本。