基于粒子群联盟的机器人多目标搜索路径控制

在复杂环境下,机器人受未知障碍物影响,无法准确融合全部待搜索目标位置信息,在避障的同时无法精准实现任务分工。为解决上述问题,提出一种基于粒子群联盟的机器人多目标搜索路径控制方法。群机器人在并行化同时搜索多个目标时,根据机器人任务分工建立粒子群联盟,并对其确定目标协同搜索。通过改进自组织神经映射网络,在各个竞争神经元上组建锁定机制;同时采用自适应动态窗口,更新竞争神经元的权重,在障碍物信息未知的情况下实现避障,优化机器人的运动轨迹,从而实现多目标搜索路径协同控制。仿真结果表明,所提方法能够准确搜索多个目标,有效躲避障碍物,获取满意的协同控制结果。

基于粒子群优化算法的多目标搜索算法

针对多目标优化问题在实际应用中的复杂性,提出一种采用粒子群优化算法来求解多目标优化的问题的方法。在分析了多目标优化问题的基础上,以粒子群优化算法对生产配料流程中的优化问题为例进行非劣最优解集的搜索,并将其运用于实际工程制造中的某配料选型工艺计算中。仿真结果表明:该方法有效,在工程设计选型、模式分类、神经网络训练以及系统控制等领域正得到普遍应用。

未知环境下群机器人多目标搜索协同控制

未知环境下,群机器人无法预先获取多目标搜索的环境信息,仅可局部感知与局部通信.本文针对避障效率与搜索效率的缺陷提出边界扫描的避障策略和目标位置估计的粒子群算法,边界扫描的避障策略(BSOA)将障碍物简化成连续障碍物与非连续障碍物两种情况,并根据情况向特定边界运动;目标位置估计的粒子群算法(TPEPSO)则利用获取的目标信号估计目标位置,结合粒子群算法到达目标附近,从而实现目标搜索.提出的方法与基于简化虚拟受力分析模型的循障避碰方法(SVF)及扩展粒子群算法(EPSO)、自适应机器人蝙蝠算法(ARBA)仿真比较,搜索效率提高5.72%~21.58%,总能耗减少4.30%~19.11%.

改进果蝇优化算法在多目标搜索的应用

在实际工程优化问题中多数问题是多目标优化问题,多目标优化问题一直以来就是智能算法的研究热点。提出一种改进的果蝇优化算法,将其应用在多目标搜索领域,并成功使用该算法解决了一种多目标背包问题。算法在基本果蝇优化算法的基础上采用分群策略和动态半径,在群A中从种群位置开始以动态半径探索新的可行解,在群B中则通过非支配个体之间的交叉操作进行密集搜索。果蝇种群的位置在每一轮迭代产生的非劣解集中进行选取,提高了算法的收敛速度。通过在多个数据集下进行测试,并和粒子群算法、NSGA-2做了对比实验,最终结果显示使用该算法在特定条件下能取得较好的搜索效果,证明了使用果蝇优化算法解决多目标问题的可行性。

面向多目标搜索的群机器人任务分配研究

针对群机器人在多目标搜索过程中的协作分工问题,受黄蜂群劳动分工的启发,在黄蜂群的响应阈值模型中引入距离变量来解决群机器人多目标搜索中的任务分配问题。当机器人感知到目标信号时,机器人根据当前搜索该目标的机器人数量以及自身距群体最优位置之间的距离决定是否参与搜索该目标信号,从而实现了机器人之间针对搜索不同目标的任务分配。仿真结果表明,该方法有效可行。

改进的果蝇优化算法在多目标搜索中的应用

通过对果蝇算法的改进和优化,能够实现在离散环境下的多目标搜索,改善传统果蝇算法单目标搜索存在的不足.首先对传统果蝇优化算法进行研究,再通过混合步长嗅觉的方法进行果蝇算法的重新编码,使其具有多目标最优求解能力,完成对多目标的搜索.通过MFOA算法可以实现对多目标的最优计算,最终完成多目标最优解的计算.结果表明,果蝇优化算法通过混合步长嗅觉的方法可以在多目标搜索当中得到充分应用.

基于粒子群算法的多目标搜索算法的资产配置研究

国内有关资产配置的研究成果主要集中在风险平价模型、B-L模型等方面,但这种研究方法存在一定的局限性,难以根据投资者的实际情况得出相应的资产配置比例。本文通过使用Kelly公式计算资产增值率得到目标函数和利用CVaR风险度量方法进行风险控制来构建数学模型,基于粒子群算法的多目标搜索算法来求解多目标优化问题,得到非劣解。

基于多目标搜索的无人机协同轨迹智能规划

由于路径规划问题,无人机起始点与目标点的距离在5 000-5 500 m内,导致飞行耗时较长。因此,本文提出一种基于多目标搜索的无人机协同轨迹智能规划方法。该方法将双坐标系做为量化基准,构造无人机动力学模型;通过蚁群算法,规划无人机运行的初始路径;进行多目标搜索,实现无人机协同轨迹智能规划。经对比实验,设置威胁源,获取相应的飞行耗时数据。对比数据可知,该方法的飞行耗时低于原有方法,实现了性能上的突破。

复杂环境下异构无人机集群协同目标搜索方法

为实现无人机集群高效且精准的多目标搜索,考虑集群成员中探测范围广的高空无人机和机动能力较强的低空无人机,提出了一种新颖的异构无人机集群协同目标搜索方法,根据不同无人机的特性快速实现区域搜索以及多目标的精准搜索。高空无人机采用基于数字信息素的区域搜索算法确定目标存在区域,在较短时间内实现区域覆盖。低空无人机在其指引下前往目标区域,并根据目标信号强度采用改进狼群算法实现对目标的精准搜索。对于传统狼群算法信息共享不足、步长固定和易陷入局部最优的问题,采用粒子群算法、自适应参数调整和差分进化方法进行改进,提高了算法的全局寻优能力和收敛速度。仿真实验证明了所提出的模型与方法在复杂环境下目标搜索任务中的有效性和优越性。

基于多目标原子轨道搜索算法的风电场集群最优经济调度

随着环保意识的增强以及风电渗透率的不断攀升,使得电力部门对含风电系统的经济调度提出了更高的要求。为了在降低污染物排放及促进风电消纳的同时将发电成本控制在最低,建立了考虑环境与经济指标的风-火多随机变量经济调度模型。该模型中的目标函数考虑了火力发电成本、风力发电成本、弃风惩罚成本及污染气体排放。采用多目标原子轨道搜索算法进行模型求解,该算法在传统原子轨道搜索算法的基础上添加了存档机制、网络机制以及领导者选择机制,具有较强的多目标优化执行能力。结合修改后的IEEE30节点算例进行仿真分析,结果验证了所提模型的可行性以及多目标原子轨道搜索算法求解此类问题的有效性。

基于多目标乌鸦搜索算法优化DenseNet图像分类算法研究

图像分类是计算机视觉领域中的关键任务,其目标是将输入的图像分配到预定义的类别中,核心思想是通过学习从图像的局部特征中提取高级抽象表示,使模型能够有效识别并区分不同类别的图像。图像分类已应用于诸多领域,包括医学影像识别、自动驾驶、安全监控等。但图像分类也存在一些问题,如小样本问题、类别不平衡及对抗攻击等。近年来,随着深度学习的迅速发展,卷积神经网络(CNN)在图像分类任务中取得了显著的效果。设计了一种启发式算法,引入多目标乌鸦搜索算法,解决多目标优化问题,通过实验,与其他先进算法进行比较,验证了优化后的DenseNet在图像分类任务上性能有所提升,可优化卷积神经网络模型在图像分类中的应用。

开放环境中基于自适应分布控制的群体机器人多目标搜索方法

多目标搜索问题是群体机器人一个重要的研究方向.现有工作多集中在带边界空间内的多目标搜索问题,而在开放环境中,探索机制会导致群体分散性过强而减弱探索能力.本文通过引入自适应扩散回归策略,在带有假目标的开放环境中,提出了具有高鲁棒性和适应性的群体机器人多目标搜索算法.文中首先从初始状态和处理假目标两方面对现有的主流群体机器人多目标搜索算法进行优化;基于机器人分布控制,本文对自适应群体机器人粒子群优化算法进行优化,提出基于自适应分布控制的群体机器人粒子群优化算法;其次,基于概率有限状态机搜索算法(PFSMS)对开放环境中的多目标搜索算法进行进一步的探索,本文以搜索时间为切入点,在PFSMS原有三种状态的基础上,添加回归状态作为附加状态,提出了基于自适应分布控制的概率有限状态机搜索算法(DPFSMS).当智能体的探索时间超过阈值时,智能体的速度由回归分量和扩散/搜索分量构成.DPFSMS算法给出了在无边界开放环境中的搜索策略,通过限制群体的扩散速度来自适应地调整智能体在无适应度值区域的运动随机性.最后,本文将DPFSMS算法与现有方法进行了对比,在对比实验中DPFSMS算法取得了目前最好的效果.

基于深度强化学习的多无人艇协同目标搜索算法

针对应用于海上多无人艇目标搜索任务的经典深度强化学习模型难以收敛且训练耗时长的问题,提出一种基于优先经验回放的异步确定性策略梯度模型。为提升模型收敛效果,引入一种基于优先级的经验回放机制,该机制可以有效提高高价值经验的利用率,从而避免算法收敛困难的问题。为进一步减少模型训练耗时长,引入异步学习的训练框架,该框架通过多子线程的同步训练参数更新主进程网络,有效提高了模型训练效率。在MPE仿真环境对提出的PA-MADDPG算法与MADDPG、MAPPO和PER-MADDPG算法进行对比实验,结果表明:提出模型在1000~1200回合就达到收敛,经过1000回合左右训练智能体总碰撞次数就趋于0,相较于其他算法任务成功率提高了5%~10%。

基于多目标优化禁忌搜索算法的停机位分配方法研究

针对机位资源分配不均给机场运行多方带来的公平性问题,提出多目标优化的停机位分配方法。建立以旅客通行距离、飞机滑行距离和远机位使用次数最小为多目标优化分配模型。分析航班属性设置分配优先级表。设计一种基于pareto最优的多目标优化禁忌搜索算法,使用pareto最优策略对解集进行筛选。在机场实际分配方案的基础上进行仿真实验,旅客通行距离和飞机滑行距离分别缩短18%和5%,机位资源的使用数量减少20%,航班靠桥率提高到93%,多目标优化禁忌搜索算法比遗传算法更优。

基于硬件感知的多目标神经结构搜索方法

神经结构搜索技术可以在大量候选网络集合中搜索到适用于特定任务的神经网络结构.目前,大多数结构搜索网络的部署是针对英伟达GPU、英特尔CPU或谷歌TPU等硬件设备的.然而,将搜索到的架构迁移到一些AI专用加速器中,如寒武纪加速卡或华为Atlas推理加速器,推理效果却表现不佳.主要存在两方面的问题:在搜索空间设计层面,由于硬件架构设计对不同算子的支持存在差异,复用传统的搜索空间到专用神经网络加速器上,其推理效率不是最优的;在结构搜索层面,由于专用神经网络加速器在并行计算资源和数据流水通道等设计的不同,仅采用参数量、计算量作为搜索目标不能准确度量推理延迟,并且限制了神经结构搜索在精度和延迟上的探索空间.为了解决上述问题,本文提出一种基于硬件感知的多目标神经结构搜索方法,首先通过测试不同类型的卷积算子在目标硬件上的性能表现,使用非支配排序设计出定制化的高效搜索空间.然后,将延迟纳入搜索目标,提出一种启发式的混合粒度交叉算子,通过粗粒度阶段间交叉和细粒度阶段内交叉提高种群在多目标下的收敛性和多样性,更好地权衡神经网络的精度和推理延迟.本文主要针对国产寒武纪加速卡MLU270-F4进行了实验分析与方法验证,在CIFAR-10上搜索得到的MLUNet-S4精度比DARTS高0.14%的同时推理速度提升了4.7倍,相比于NSGANet精度仅下降0.04%的同时速度提升了5.5倍;在ILSVRC2012数据集上MLUNet-C相较于具有相同推理速度的Mobile Net V2和Mnas Net速度上提升了1.2倍的同时预测精度也分别提升了2.3%和0.2%,效果提升显著.

基于简化虚拟受力模型的群机器人多目标搜索协调控制

针对未知凸和非凸障碍物以及动态障碍物环境下群机器人多目标搜索问题,提出了一种基于简化虚拟受力分析模型的循障和避碰方法(SRSMT-SVF).对复杂环境下群机器人多目标搜索行为进行了分解并抽象出简化虚拟受力分析模型.基于此受力模型,设计了个体机器人协同搜索和漫游状态下的运动控制策略,使得机器人在搜索目标的同时能够实时避碰.通过对不同群体规模系统的仿真实验表明,本文控制方法能够使个体机器人在整个搜索过程中保持良好的避碰性能,有效地减少系统与环境之间和系统内部个体之间的碰撞冲突.相比于扩展粒子群算法(EPSO),本文方法使得搜索耗时和系统能耗至少减少了13.78%、11.96%,数值仿真结果验证了本文方法的有效性.

地磁仿生导航的多目标进化搜索算法

针对水下自主航行器地磁多参量多目标搜索的问题,提出一种基于磁趋势敏感的多目标进化搜索算法。在进化算法的结构下,利用地磁场参量与导航路径的约束关系,以磁趋势敏感作为后验评估准则,建立导航模型,使得地磁多分量伴随航行器的运动同时同地收敛至各自目标值,实现导航目的。通过与六边形路径搜索算法的仿真对比,验证了多目标进化搜索算法的有效性和优越性。

多目标快速搜索算法——芯片图像识别中应用

提出一种多搜索结果的三极管芯片图像匹配算法。首先利用金字塔搜索算法对目标图像进行分层搜索匹配,减少了图像的匹配计算量。其次在搜索过程中依次判断搜索目标是否符合要求,并消除重复结果。所提出的算法主要用于三极管芯片的粘片机及焊线机的图像识别系统中,试验证明该算法能满足设备的实时性和精度要求。

基于改进分层的永磁同步电机多目标优化策略

齿槽转矩作为永磁同步电机的一个重要特性,对电机的输出转矩和噪声振动有较大的影响。为了降低内置式永磁同步电机齿槽转矩,提高电机整体的工作性能,提出基于改进分层优化策略和多目标麻雀算法的优化方法。对隔磁桥厚度、永磁体宽度、齿宽等优化参数做单参数灵敏度分析与组合参数灵敏度分析,以齿槽转矩幅值、相反电动势有效值、相反电动势畸变率为优化目标,进行多目标优化试验。通过分析对比传统分层优化策略和改进分层优化策略,证明改进分层优化策略优化效果更佳。

基于蜂群激发抑制的群机器人多目标协同搜索算法

在求解群机器人多目标搜索问题时,个体机器人之间的相互协作可以形成整体优化的效果。本文结合激发抑制原理,提出基于蜂群激发抑制的群机器人多目标协同搜索算法(AICA)。在个体层面进行细粒度协同,AICA通过激发抑制原理实现个体之间的紧密协作,快速形成子群体;在子群体层面进行粗粒度协同,使子群体之间能够进行进一步协同,充分发挥每个机器人的作用。仿真实验结果与分析讨论表明,AICA能够充分利用各个个体机器人和子群体在搜索过程中搜索到的信息,从而提升搜索效率,使群机器人能够以较高的效率完成搜索任务。