基于改进人工大猩猩部队算法的移动机器人路径规划研究

针对传统人工大猩猩部队优化算法在移动机器人路径规划问题中存在前期全局寻优能力较弱、后期收敛能力不强、容易陷入局部最优等问题,提出一种改进的人工大猩猩部队优化算法。在改进算法中,为提高初始种群质量,采用Logistic混沌映射生成种群;引入新的计算公式改进控制参数W的值,使其随着迭代次数增加而线性增大;融合鱼鹰优化算法的位置更新策略,以增强算法中个体之间交流信息;在算法开发阶段后期,应用莱维飞行策略更新个体位置,以保证算法后期的种群多样性。仿真实验结果表明,与SSA算法、GTO算法和GWO算法相比,改进算法在M1地图环境中得到的平均路径分别缩短了9.72%、6.07%和7.99%;在M2地图环境中得到的平均路径分别缩短了22.04%、44.16%和50.3%,具有明显优势。

基于优化全局版人工鱼群算法的斜拉桥成桥索力优化

为解决斜拉桥索力优化办法中常见的计算效率低、调索过程盲目等问题,提出了一种优化的全局版人工鱼群算法(OP-GAFSA)。优化后的算法引入了粒子群算法(PSO)的速度和位置更新策略,可有效求解多个基本测试函数最优值。相较于斜拉桥传统设计方法,OP-GAFSA算法具有更高的索力优化效率,且所求斜拉桥成桥状态弯曲能更小、结构线型更平顺,主跨最大挠度减小了81.6%。与PSO算法、人工鱼群算法(AFSA)和GAFSA算法相比,OP-GAFSA算法寻优时间短、计算效率高、结果离散性小,在解决斜拉桥索力优化问题时更具优势。

改进人工大猩猩部队优化算法的WSN网络覆盖

为了建立一个保障网络通信需求以及低耗能的无线传感器网络,提出一种融合智能优化算法的网络部署方案。对部署区域进行二维投影,并结合概率感知模型设计出一种网络覆盖模型;针对人工大猩猩部队优化算法(GTO)在网络部署问题中存在收敛速度较慢以及全局探索能力不足的问题,提出一种改进人工大猩猩部队优化算法(IGTO)。该算法通过引入Tent混沌策略和复合突变策略,改善算法全局探索能力,增加算法收敛速度。在网络覆盖模型中进行仿真测试,验证网络覆盖率评价方案的有效性和工程实用性。结果表明,由IGTO算法部署的无线网络覆盖效率更高,节点分布更加均匀。

改进人工大猩猩优化算法的机器人路径规划

为了提高移动机器人的路径规划能力,寻找到更优的移动路径,提出了改进的人工大猩猩算法。在全局探索和局部开发阶段,通过引入惯性加权因子不同的自适应权重,提高了全局搜索能力和局部开发能力。在局部开发阶段,通过融合互利共生策略加强了个体与最优个体间的联系,提高了算法的收敛速度,通过引入黄金正弦算法进一步平衡了全局探索和局部开发能力。通过构造障碍物和基于三次样条插值的路径适应度函数,利用改进的人工大猩猩优化算法寻优求解,获得移动机器人的最优路线。通过简单障碍环境和复杂障碍环境的仿真实验证明了本文提出的改进算法的有效性和实用性。

基于Pareto支配的改进人工大猩猩部队多目标优化

针对二维和三维多目标优化的解易陷入次优和分布不规则问题,引入Pareto支配方法并提出了结合改进策略的人工大猩猩部队优化算法(MOGTO)以改善多目标优化问题。首先,利用外部档案集存储互不支配解集以防止种群经过一次寻优迭代后,删除劣解的同时错误去除非支配解。其次,加入蒙特卡洛树搜索对种群探索阶段的三种机制进行优化,增加算法全局搜索能力。同时,结合天牛须算法的左右须寻优原理及黄金正弦寻优策略对开发阶段的两种机制进行优化,生成左右须解和促进个体位置更新,引导个体扩大搜索范围以防止最优解陷入局部最优。最后,通过12个基准测试函数对所提算法进行验证并将所提算法与其他6种常见算法进行对比,实验结果表明所提算法在多目标问题的寻优能力较对比算法有较大的提升。通过曲柄摇杆机构优化设计案例测试分析,验证了所提算法在实际工程应用中的可行性和实用性。

基于群体智能算法的巡飞弹向心攻击优化方法及实验分析

近几年,无人机巡飞弹打击成为一种重要的作战方式。针对巡飞弹向心攻击问题,选用蝙蝠优化算法、人工蜂群算法、粒子群算法、鲸鱼优化算法,设计一种基于群体智能算法的巡飞弹向心攻击优化方法,通过实验设计和结果分析对比四种群体智能优化算法,以提高巡飞弹向心攻击的作战效率。实验验证了该方法的有效性,且结果表明人工蜂群算法和粒子群算法总体表现较优。

人工智能视域下的互联网数据安全优化算法研究

网络安全态势会直接影响互联网的发展,为网络系统安全、稳定地运行奠定基础。文中通过转化RBF神经网络权值,并形成粒子群中粒子,让粒子在解空间内部寻找全局最优权值,同时需将最优解问题的解的空间维度优化成五维,若将5个优化问题的最优化解与PSO算法相对应,对RBF神经网络的权重进行编码。结果显示,与RBF神经网络相比,粒子群优化RBF神经网络预测误差的起伏更小。如果训练频率较低,该算法能实现较快的预测,且预测结果接近于互联网安全态势的真实值,实现更快、更有效的预测。

IABC-PSO算法优化调度水库群应用研究

随着经济增长、城市化发展,北方地区水资源需求量迅速增加。如何通过水利工程对水资源进行人工调节,在满足用水需求的基础上,兼顾发电、生态等多目标是目前的研究热点之一。本文以山西大水网中的忻州—阳泉供水区为研究对象,建立区域梯级水库多目标优化调度模型,考虑供水区年总缺水最小、梯级水库年发电量最大和年总生态缺水率最小的综合目标,提出改进的人工蜂群-粒子群优化算法(IABC-PSO),避免传统粒子群算法的不足,并成功应用于研究区供水水库调度方案优化,结果表明,当地供水丰水年能满足需求,平水年和枯水年存在一定程度缺水。相较于粒子群算法(PSO)和人工蜂群算法(ABC),本方法优化调度后,区域供水缺水率和生态缺水率有所降低。该研究成果可为不同地区的水资源调配提供借鉴。

采用改进人工蜂群算法的低碳铣削参数优化

出于对国家双碳号召的响应,有效推动制造车间节能减排,本文对铣削加工过程中工艺参数优化进行研究,建立以最低碳排放和最低加工成本为目标的铣削加工优化模型。在此基础上,针对标准人工蜂群算法存在过多无用迭代、易过早陷入局部最优解的缺点,引入贴近最优思想,并将其与粒子群算法结合,增强粒子的全局搜索能力,改善求解效率与寻优精度。结果表明,实验加工工艺的碳排放减少了11.4%,加工成本减少了7%,表明了该模型的准确性和高效性。铣削加工模型为加工工艺的碳排放量化和加工成本最小化问题提供了一种高效的可行方案。

基于分级思想的多级蚁态蚁群改进算法

广泛应用于经典NP难问题即旅行商问题(Traveling Salesman Problem,TSP)的蚁群优化(Ant Colony Optimization,ACO)算法存在容易陷入局部最优、收敛速度慢等问题,但其采用正反馈机制并具备较强的鲁棒性,适合与其他算法相融合从而改进优化。基于此,引入人工蜂群的分级思想,提出了一种多级蚁态的蚁群改进(Multistage State Ant Colony Optimization,MSACO)算法。通过引入适应度算子将传统单蚁态蚁群划分为王蚁、被雇佣蚁和非雇佣蚁,并且在每次迭代后重新分配身份以动态维持多级蚁态。王蚁寻找最优路径即最优食物源,被雇佣蚁负责路径构建,非雇佣蚁进行局部优化。为了使非雇佣蚁更有效地获得优质解,提出了一种固定邻域优化算法。实验结果表明,在TSPLIB库的7个数据集中,MSACO均可以达到理论最优解程度,较其他改进算法的最优解迭代次数与运行时间可以减少约40%与50%。

改进人工蜂群算法及其在工程设计中的应用

针对求解多目标优化问题(MOP:Multi-Objective Problem)时,人工蜂群算法(ABC:Artificial Bee Colony)存在难以收敛和候选解多样性难以保持的问题,对其各部分求解策略进行了改进。基于ABC算法框架,设计了一种基于自适应求解策略的多目标ABC算法,并在机电执行器设计的实际应用工程设计问题中,将所提出的改进多目标ABC与其他典型的群智能算法进行优化性能比较。通过实验验证可知,所提出的MOABC/DD(Multi-Objective Artificial Bee Colony Based on Dominance and Decomposition)算法在求解机电执行器设计问题基准测试用例时,与典型算法相比,具有较好的问题求解精度。并且MOABC/DD的实验结果较为稳定,从而证明了MOABC/DD具有较高的求解稳定性和健壮性。

人工免疫粒子群算法在系统可靠性优化中的应用

为了优化舰载装备系统在其设计初期的可靠性,根据模糊优选理论,建立了基于正负理想方案的可靠性分配的多指标模糊优化模型.针对基本粒子群(PSO)算法易陷入早熟状态以及群体缺乏多样性等不足之处,将人工免疫系统(AIS)原理与改进的粒子群算法有机结合,并对粒子的飞行速度进行控制,提出一种基于人工免疫的粒子群算法(AI-PSO).将该算法应用于系统可靠性优化求解中,仿真试验结果表明,相比其他算法而言,该算法具有较强的全局搜索能力,其优化结果更为合理.

基于粒子群人工蜂群算法的灌区渠-塘-田优化调配耦合模型

为了缓解农业水资源供需矛盾,减少南方季节性干旱造成的损失,该文结合南方灌区渠、塘、田地复杂的水量转化关系,建立了以灌溉区域效益最大为目标的渠-塘优化调控与田间多种作物优化配水相结合的耦合模型;根据该模型的特点,提出了模型求解的粒子群-人工蜂群混合算法。将模型应用于漳河灌区,并与常规的渠-塘调控和作物配水模型和只考虑作物优化配水模型相比较。结果表明,渠-塘-田地协同调配效果显著,耦合模型计算所得特别枯水年(降雨频率为95%)下灌溉用水效益比采用其他2种模型分别提高了20.7%和6.9%。粒子群-人工蜂群混合算法能快速求解该优化调配耦合模型,有利于解决多水源、长距离输配水、库塘共同调控等复杂情况下的高效用水模型的求解问题。

人工萤火虫群优化算法求解约束优化问题

约束优化问题是工程应用领域经常出现的一类数学规划问题,近年来,约束优化问题求解已成为进化计算研究的一个重要方向.而一系列新型的进化计算方法 ,如人工神经网络、模拟退火、遗传算法、进化规划、进化策略、粒子群、人工鱼群等获得了极其迅速的发展和广泛的应用.本文提出了一种基于人工萤火虫群优化算法求解约束优化问题的新方法.该方法在求解约束优化问题的过程中,不断地寻找更优可行解,逐渐达到搜索全局最优解.通过标准测试函数和工程实例仿真表明,该方法能很好的求解约束优化问题,精度高、适应性强,在工程实际中有较大的应用价值.

基于蚁群优化算法和人工势场的无人机航迹规划

针对复杂环境下的无人机航迹规划问题,建立栅格化环境模型,提出了结合蚁群算法与人工势场的航迹规划方法.在航迹搜索过程中,蚂蚁不仅受到信息素和启发信息作用,还受到势场力的影响.根据节点位置的势场力分布,提出了确定性选择和概率性选择相结合的状态转移规则,并设计环境感知因子,动态调整确定性选择的比例.将节点的势场方向、节点与目标间的距离构造蚂蚁的综合启发信息,以充分利用对已知环境的认知,指引蚂蚁的搜索.仿真结果表明所提方法能有效得到无人机的最优航迹,优化效果优于单一的蚁群算法和人工势场法,具有更好的收敛速度和优化精度.

人工神经网络优化油莎豆油亚临界萃取工艺

为优化亚临界丁烷萃取脱皮油莎豆油工艺,采用单因素试验确定因素水平,中心复合表面设计(CCF)安排寻优试验,在此基础上分别构建了响应面(RSM)和反向传播人工神经网络(BP-ANN)模型,运用粒子群算法(PSO)对BP-ANN模型进行优化,并对RSM和PSO-BP-ANN模型的寻优结果进行了比较。结果表明,RSM模型优化的萃取条件为:料液比(脱皮油莎豆∶丁烷)1∶10.36 g/mL、萃取时间45 min、萃取温度30℃、坯料厚度0.5 mm;PSOBP-ANN模型优化的萃取条件为:料液比1∶10.67 g/mL、萃取时间40.10 min、萃取温度34℃、轧坯厚度0.5 mm。在最佳条件下,RSM模型预测提取率为91.63%,验证值为94.27%,相对误差2.56%;PSO-BP-ANN模型预测值为95.58%,验证值为95.14%,相对误差0.46%。采用人工神经网络耦合粒子群算法(PSO-BP-ANN)优化油莎豆油亚临界萃取工艺,具有提取率高、相对误差小等优势。本研究可为亚临界萃取技术在油莎豆油高效制取中应用提供参考。

人工鱼群——粒子群混合算法优化进港航班排序

针对空中交通管理中的进港航班排序问题,提出了人工鱼群—粒子群混合算法(AFPSO)这一航班排序算法来优化进港航班排序,使时段内进港航班队列总延误时间最少。算法结合了基本人工鱼群算法(AFSA)和基本粒子群算法(PSO)各自的优点,先以AFSA在全局寻找满意的解域,再以PSO算法在这些解域中进行快速的局部搜索获得精确解,最终使算法提高收敛速度和搜索精度。仿真结果表明,在单跑道和双跑道情况下,AFPSO算法使得航班队列总延误时间比FCFS调度方法减少了20.9%和34.4%,比基本AFSA减少了3.2%和3.5%。算法得到的满意解能够为自动化空中交通管理提供实时支持。

基于混合人工蜂群算法和A^(*)算法的求解旅行商问题算法

针对旅行商问题(travel salesman problem,TSP),基于群智能优化算法的人工蜂群算法(artificial bee colony,ABC)可以较为有效地解决并规划出一条合理的路线。ABC算法的优点在于将优化求解的过程转化为模仿蜂群采蜜的仿生行为,容易求得可行解。但是该算法依然存在着种群数量过多、速度较慢的缺点。分析了ABC算法的模型并对更新策略进行了改进,在ABC算法得到初始解的路径点后再使用A-star算法进行优化,通过将两种算法组合的方式进行改进。实验证明在解决TSP的路径规划中,整体的路径表现更优,且减少了冗杂的迭代更新,提升了算法的效果。

基于人工智能算法的刀具磨损形貌预测研究现状

磨损表面形貌能够反映运动副的磨损状态,通过对运动副表面磨损形貌进行研究分析,可以得到其磨损规律,预测磨损形貌变化。随着人工智能的快速发展以及在工程中的广泛应用,人工智能技术中的人工神经网络、模糊神经网络算法、遗传神经网络算法、支持向量机和多目标粒子群优化算法等方法逐步应用于磨损表面形貌表征参数的预测,且具有较高的预测精度。本文主要介绍国内外利用人工智能技术对磨损表面形貌的研究现状,分析各种算法的优点和应用局限性。总结了人工智能技术在磨损表面形貌预测领域中亟待解决的关键难题以及未来的研究方向。

基于样条插值与人工蜂群优化的非线性盲源分离算法

针对更加复杂的非线性混合情况,提出一种基于样条插值拟合与群智能优化的后非线性盲源分离算法。采用样条插值函数拟合去非线性函数,使用负熵作为分离的评价准则,建立分离模型。分离过程采用改进的人工蜂群算法优化求解样条插值节点参数,并在分离的目标函数中引入相关性约束条件进行解空间范围限制,克服分离过程中存在的异常值现象。针对语音数据的分离实验结果表明,所提算法能够有效实现非线性混合信号的盲分离,较传统的基于奇数多项式拟合的分离算法具有更高的分离精度。