基于改进甲虫搜索算法的城市无人机路径规划

为提高无人机在城市多障碍物环境下执行任务时的安全性和路径平滑度,并获得最短路径,提出一种改进退火甲虫搜索算法。该算法在探索路径进行位置更新时不再完全依赖于甲虫左右触须的气味浓度差,而是在充分利用甲虫搜索算法较强的搜索能力的基础上,通过引入退火算法增加下一位置的邻域位置解,最终在邻域位置解中筛选得到下一步最佳位置。由退火算法的Metropolis准则对以上得到的最佳位置进行是否可以移动的判断,克服了经典甲虫搜索算法易陷入局部最优解的缺点。仿真结果表明:在城市多障碍物环境下,该算法在收敛速度和生成路径的安全性、平滑度和路径长度方面都优于甲虫搜索算法和蚁群算法。在当前多障碍物城市场景下,当初始步长和步长因子分别为16 m和0.99时,规划的路径最优。

基于甲虫搜索的改进粒子群无人机辅助网络部署优化算法

在体育赛场等用户大规模聚集或者突发灾难的情况下,地面基站经常面临过载甚至瘫痪的问题。此时,多无人机(UAV)辅助网络系统可以很好地为地面基站提供信号补偿,有效地增强局部地区的通信质量。然而,无人机的机动性和网络流动引起的拓扑结构变化,会导致频繁的间歇性连接甚至出现传输故障。因此,UAV基站的有效部署以及网络性能的优化成为亟待解决的问题。该文提出一种基于甲虫搜索的改进粒子群UAV辅助网络部署优化算法—智能高效算法(IEA),利用甲虫搜索算法(BAS)的个体寻优优势,对粒子群算法(PSO)进行改进,并首次采用双门限约束保证用户通信质量,使得多UAV系统下的网络性能得到了改善。仿真结果表明,相对于传统算法,该文提出的IEA算法在系统吞吐量、用户平均吞吐量以及频谱效率等方面都获得了较大提升。

采用改进黑猩猩优化算法的特征选择

针对黑猩猩优化算法在勘探阶段可能会陷入局部最优的缺点,提出了一种改进的黑猩猩优化算法。首先计算适应度值最高和最低的黑猩猩之间的斯皮尔曼等级相关系数,然后采用甲虫天线搜索算法使得适应度值低的黑猩猩获得嗅觉能力,以提高适应度值低的黑猩猩的局部勘探开发能力。同时为解决传统支持向量机在封装式特征选择中分类精度较差的问题,将改进后的黑猩猩优化算法与支持向量机相结合,实现同步优化。为了验证所提方法的有效性,选取了UCI(University of California,Irvine)数据库中的10个数据集进行实验,从精确度、所用特征个数和适应度值三个方面与常用算法进行比较和综合评价,实验结果表明该算法具有更好的精确度和稳定性,有效适用于特征选择这一工程问题。