基于改进蚁群算法的机器人全局路径规划

针对传统蚁群算法存在初始信息素缺乏、收敛速度慢以及无法有效躲避障碍物等问题,文中提出了一种基于改进蚁群算法的全局路径规划。引入正态分布函数改进传统启发函数,提高了算法效率,缩短了算法收敛所需时间。自适应调整信息素挥发系数,限定信息素范围,避免过早收敛。对算法路径平滑处理,缩短路径长度,从而实现机器人的全局路径规划。仿真结果表明,在20×20环境下,文中算法平均迭代次数比传统蚁群算法减少了28代,收敛速度更快。平均拐点减少了33.3%,使路径更为平滑,克服了初始信息素缺乏,加快了收敛速度,减少了拐点数量,能够有效躲避环境中的障碍物,证明了该算法的可行性。

基于改进PSO算法的光伏阵列MPPT研究

为解决传统粒子群优化(PSO)算法在寻优过程中出现粒子早熟、收敛速度慢、易陷入局部优化等问题,提出一种基于反向学习的Logistic-Tent双重混沌映射和时变双重压缩因子(TVCF)策略的改进粒子群优化(LT-TVCFPSO)算法,在传统PSO算法基础上,引入了Logistic-Tent混沌映射和TVCF,既可增强种群多样性,避免粒子早熟,跳出局部优化,又能加快粒子收敛,提升全局寻优能力。最后在MATLAB/Simu-link上进行仿真。仿真结果表明:相比于传统MPPT算法,LT-TVCFPSO算法能够快速准确地追踪到全局最大功率点(GMPP)。

改进Sobol算法支持下的PROSAIL模型参数全局敏感性分析

定量分析模型参数的敏感性是构建参数反演模型的关键步骤。本文采用改进Sobol全局敏感性分析算法,对PROSAIL模型的输入参数进行全局敏感性分析。结果表明：1在可见光波段430～760 nm范围内,叶绿素含量的总敏感度约为80%;2在近红外波段800～1100 nm范围内,平均叶倾角、叶片干物质含量和LAI是影响冠层反射率的3个最重要的参数;3在短波红外波段1100～2500 nm范围内,叶片含水量逐渐成为影响冠层反射率的主要参数。叶绿素、水和干物质等参数吸收系数的变化及相对大小的不同是造成以上变化的主要原因。该研究可以为植被生化参数的反演提供理论基础。

遗传算法的改进及其在电机全局优化中的应用

在描述遗传算法（ＧＡ）过程的基础上，指出了遗传算法所存在的缺点，并提出了改进措施．算例表明，按照文中提出的改进思路进行优化，效果是明显的，成本得到更进一步的下降，运算时间大为缩短．

改进型人工鱼群算法及复杂函数全局优化方法

在分析人工鱼群算法存在不足的基础上,对人工鱼群算法加以改进,提出了一种改进型人工鱼群算法。该算法提高了全局搜索能力和收敛速度,并用于求解具有变量边界约束的非线性复杂函数最优化问题。仿真结果表明,改进后的人工鱼群算法具有精度高、搜索速度快等特点,是一种求解复杂函数全局最优化的智能算法。

基于改进蚁群算法的复杂环境路径规划

针对蚁群算法在复杂环境下难以收敛、最优值差的问题,提出了一种改进蚁群算法。引入修正策略,提出两种局部修正方法以减少无效路径。提出一种自适应信息素更新机制,将初始信息素与蚂蚁所释放的信息素区分挥发;针对每次迭代蚂蚁所释放的信息素,通过设计时变挥发因子的变化律单独挥发,得到自适应挥发强度的信息素挥发机制。最后,将算法应用到不同复杂环境,与已有改进蚁群算法对比分析,研究结果说明改进算法在有效时间、平均距离、最短距离的优越性。

一种改进的BFGS算法及其全局收敛性分析

针对无约束最优化问题,提出了一个基于新拟牛顿方程Bk+1sk=yk*的新改进BFGS算法,并在目标函数一致凸的假设条件下证明了该算法的全局收敛性。

激励机制改进蚁群优化算法用于全局路径规划

为提高优化算法搜索能力,分析了基本蚁群优化算法和心理学家斯金纳的强化激励方法的基本原理,将正、负激励原理应用于改进基本蚁群优化算法,提出了基于激励机制的改进蚁群算法,并给出了其数学描述。将改进的算法应用于求解旅行商问题和避碰约束下的最短路径规划问题,并与基本算法进行比较。仿真试验显示,改进的蚁群算法有效搜索到最短路径,实现全局路径优化。由于采用了激励机制,使得种群中所有个体都能够积极向最优解移动,从而更快地找到最优解,其较之基本蚁群算法具有较快的收敛速度,整体性能优越,能够应用于求解路径规划等问题。

改进型蚁群算法的全局路径规划仿真研究

针对传统蚁群算法收敛较慢的问题,提出了一种在复杂环境下全局路径规划的改进型蚁群算法。利用链接图法建立了路径规划的空间模型;借鉴狼群分配原则对信息素进行更新;在缩小搜索区域,提高搜索效率的过程中,引入了启发式概率公式和启发函数;通过参数自适应调整策略,进一步对最优解进行了优化。将基于Dijkstra算法的初始路径规划和改进后蚁群算法的规划结果进行了仿真对比,结果表明,改进后蚁群算法的全局优化性能较好,具有一定的有效性和可行性。

基于射线模型的改进全局路径规划算法

针对目前服务于移动机器人的全局路径规划算法存在拐点多、耗时长或递归计算复杂等问题,本文提出一种基于射线模型的改进全局路径搜索算法.利用形态学滤波处理障碍物栅格地图,并引入碰撞估值增加靠近障碍物的栅格的代价值,形成梯度代价栅格地图.结合射线模型从起点向终点进行射线搜索,并在搜索过程中通过逆向优化算法优化路径.通过实验证明该全局路径规划算法比A*算法拥有更好的平滑性、灵活性、稳定性以及更短的路程,且搜索速度比A*快50%,移动机器人可以更安全、简洁的路径向目标点移动.

新拟牛顿方程下一类改进BFGS算法的全局收敛性

文献[1]曾在已建立的一类新拟牛顿方程Bk+1sk=yk-=yk+kγskTsksk的基础上,证明了满足新拟牛顿方程的一类改进BFGS算法在目标函数为一致凸的条件下,具有全局收敛性。此文针对该算法,给出了全局收敛性的另一种证明方法。

智能变电站巡检机器人路径规划的改进ABC算法及其应用研究

为提升智能变电站巡检机器人的路径规划的效率,针对传统人工蜂群算法(ABC)的缺点,通过反向学习策略改进初始种群,利用精英反向学习优化算法的时间滞后性,同时借助差分算法的变异思维改进蜜源更新环节,提高算法的深度挖掘性能和全局寻优性能。实验数据表明,改进的ABC算法能够有效降低73.3%的巡检路径规划时间,巡检准确率可达95.2%,该算法可以提高智能变电站巡检机器人路径规划的效率,对提升智能变电站巡检机器人的智能化水平具有积极影响。

基于改进花授粉算法的无人船空间全局优化

在分析无人船的空间路径规划的数学建模基础上,提出基于粒子群局部搜索算法策略和维度改进算法策略的改进花授粉(IFPA)的全局搜索优化算法。该算法在水面中解决无人船(US)路径规划问题中,可以加快全局收敛速度,同时保留标准花授粉算法(FPA)的强鲁棒性。实验结果表明:相比其他9种基于群体的算法,IFPA方法对解决US在水面路径规划更为有效。

基于改进A^(*)算法和Bezier曲线的多机协同全局路径规划

为了实现农田作业环境下的多机协同导航作业的远程调度管理,开展了基于改进A^(*)算法和Bezier曲线的全局路径规划研究。阐述了农田作业环境下的多机协同路径规划,多机协同路径规划分为全局路径规划和局部动态避障;利用改进A^(*)算法实现了全局路径寻优和拐角优化,并基于Bezier曲线对全局路径进行了平滑处理;根据随机生成的障碍物环境地图和涿州试验农场环境地图,利用Matlab平台分别对全局路径规划算法进行了仿真试验。仿真结果表明,通过调节改进A^(*)算法中的权重w(n),搜索效率得到了明显提高,基于涿州试验农场的仿真试验中,优化后算法运行时间为0.832 s;通过对全局路径进行拐角优化,在路径长度相近的情况下,有效降低了转弯次数;同样,利用Bezier曲线进行路径平滑后,拐角处的尖峰得到了优化,确保农机在实际农田作业中平稳行进,初步满足了实时性和平滑性需求,为实现农田作业环境下的多机协同路径规划提供了基础。

基于细菌觅食-改进蚁群优化算法的水面无人船路径规划

为了解决水面无人船全局路径规划问题,提出了一种细菌觅食-改进蚁群优化算法(bacterial foraging-improved ant colony optimization algorithm,BF-IACOA)。相较于传统蚁群优化算法(ant colony optimization algorithm,ACOA),该算法在路径搜索策略上考虑水面无人船航行需要尽可能减少转向次数和完全规避过大转向角的约束,引入转向角启发因子,综合求解转移概率;同时引入细菌觅食算法的繁殖操作和趋化操作,改进信息素浓度的更新方式,解决传统ACOA容易陷入局部最优解和收敛速度较慢的问题。仿真结果表明,相较于传统ACOA,BF-IACOA的全局搜索能力得到较大幅度的提升,并且收敛迭代次数减少超过30%;在实际水域环境模型下,BF-IACOA可以通过14次迭代为无人船规划出全局可行路径。

非凸函数的一类改进BFGS算法的全局收敛性

文[1]提出了一类改进的BFGS算法,并在目标函数为一致凸的条件下,证明了算法具有全局收敛性。针对该算法,在目标函数为非凸函数时,提出一个假设条件,证明具有wolf线搜索的该算法亦具有全局收敛性。

一种基于莱维飞行的新型改进平衡全局优化算法

本文将莱维飞行(Lévy flight)和平衡优化算法(EO)相结合,提出了一种新型的全局优化算法(LEO)。该算法从平衡优化算法核心出发,采用莱维飞行轨迹实现了在探索和开发之间更好的平衡,并且可以有效防止算法陷入局部最优解。同时给出了新型全局优化算法的数学模型和算法流程,进一步保证了算法中全局搜索和局部开发之间平衡性。将该算法应用于基准测试函数求解以测试算法性能,通过与主流智能算法对比,优化结果表明新算法在解决优化问题方面表现更为优越,为更多工程问题的解决提供了新的思路。

改进蚁群算法在全局路径规划中的应用

本文利用一种改进的蚁群算法来解决全局路径规划问题。采用栅格法对移动机器人的工作环境进行建模,通过改进蚁群算法完成全局路径规划的目的。这种改进蚁群算法主要是对蚁群算法中的参数进行改进。其针对信息强度因子和信息素挥发因子的不同作用进行相应的函数设计,来达到全局路径规划的目的。通过实验与基本蚁群算法的算法性能比较,得出该改进策略的优越性。

基于全局优化改进混沌粒子群遗传算法的物料平衡数据校正

结合遗传算法(GA)和粒子群算法(PSO)的优点以及混沌运动的特性,提出了加入混沌扰动的混沌粒子群遗传算法(DCPSO-GA),并使用5个高维非线性测试函数考察全局优化混合算法的性能。DCPSO-GA解决了在寻优搜索时出现的停滞现象,扩大了全局优化的搜索空间,丰富了粒子的多样性,且不需要函数梯度信息。测试结果证明,针对本文的5个测试函数DCPSO-GA能找到全局最优解,其收敛速度很快,大大减少了计算量。而且,经过与其他相关算法比较可知,当总的目标函数调用次数较接近或更少时,改进算法不论在计算精度还是收敛速度上,均有很大的提高。并将DCPSO-GA算法应用到重油裂解参数估计和预测中,测试结果证明,其提高了参数估计和预测的准确性,降低了误差,能有效找到全局最优解,收敛速度快,大大减少计算量。

基于全局和声搜索的模拟退火算法改进

本文针对传统的模拟退火算法存在收敛速度慢的问题,采用全局和声搜索算法对其进行了改进,即在保持模拟退火原有机制的基础上,使用一个函数随机产生模拟退火算法的初始解,采用全局和声搜索算法中产生候选解的方法产生新解。该方法的优点在于保留中间最优解并及时更新,从而既保证了优化质量又提高了算法的搜索效率。最后,采用benchmark测试函数进行仿真,仿真实验结果表明,该方法在收敛速度及优化质量上都优于传统的模拟退火及其它算法,值得进一步研究。