基于多策略麻雀搜索算法的机器人路径规划

通过多种策略对基本麻雀搜索算法(SSA)进行改进,以解决麻雀搜索算法后期由于种群多样性丢失而导致的全局优化精度和速度问题。首先,改进无限折叠迭代映射(ICMIC)初始化种群,将自适应分段步长因子引入麻雀探测器的位置更新公式中,使麻雀搜索算法观察者的固定比例系数随迭代次数动态变化。然后,将观察者的位置与新公式和正弦余弦算法(SCA)相结合,并干扰先前的观察者步长。最后,在基准测试函数上比较了改进的麻雀搜索算法(ISSA)、麻雀搜索算法(SSA)、鲸鱼算法(WOA)、灰狼算法(GWO)、改进的灰狼算法(CGWO)、正弦余弦算法(SCA)和粒子群优化算法(PSO)的收敛性和准确性,并将其应用于路径规划。实验表明改进的麻雀搜索算法具有良好的优化性能。

基于值迭代的自适应动态规划的收敛条件

研究了应用于离散时间非仿射非线性系统的基于值迭代的自适应动态规划的收敛条件,指出了迭代性能指标函数初始化为半正定函数可保证值迭代收敛到最优,并给出了证明.

一种自适应变步长迭代动态规划方法研究

针对传统迭代动态规划方法计算效率低的缺点,提出了一种改进的自适应变步长迭代动态规划方法,在求解中引入Runge-Kutta-Fehlberg自适应变步长方法来提高寻优精度和求解效率。以经典的间歇反应过程动态优化问题作为研究实例,研究结果表明:所提出的自适应变步长迭代动态规划方法,在保留传统的迭代动态规划方法有效寻找全局最优优点的同时,能够进一步提高寻优精度,而且优化效率也较高。

基于迭代神经动态规划的数据驱动非线性近似最优调节

利用数据驱动控制思想,建立一种设计离散时间非线性系统近似最优调节器的迭代神经动态规划方法.提出针对离散时间一般非线性系统的迭代自适应动态规划算法并且证明其收敛性与最优性.通过构建三种神经网络,给出全局二次启发式动态规划技术及其详细的实现过程,其中执行网络是在神经动态规划的框架下进行训练.这种新颖的结构可以近似代价函数及其导函数,同时在不依赖系统动态的情况下自适应地学习近似最优控制律.值得注意的是,这在降低对于控制矩阵或者其神经网络表示的要求方面,明显地改进了迭代自适应动态规划算法的现有结果,能够促进复杂非线性系统基于数据的优化与控制设计的发展.通过两个仿真实验,验证本文提出的数据驱动最优调节方法的有效性.

改进麻雀搜索算法的飞行器航迹规划

针对传统麻雀搜索算法(SSA)在飞行器航迹规划求解问题中计算过程复杂、易陷入局部解等不足,提出了一种融合鲸鱼搜索因子和柯西-高斯变异的麻雀搜索算法(WSSA)。首先借助佳点集法对种群进行了初始化处理;其次借助鲸鱼算法中螺旋式搜索因子形成自适应权重迭代因子,提高算法全局搜索能力的同时保证局部的收敛性;随后在跟随者位置更新中加入柯西-高斯变异因子对原迭代进行扰动更新,提高算法的全局寻优能力;最后基于改进前后的算法进行了模型求解和适应度比较,验证了所提算法的有效性。

基于自适应动态规划的时滞多智能体系统协同输出调节

研究一类在状态、控制输入上具有多个时滞的离散时间多智能体系统的协同输出调节问题。首先,引入了一种扩展状态的方法,在不需要知道时滞的情况下,将有时滞的系统转化为扩展的无时滞系统;然后,利用内模原理和值迭代相结合的分布式控制方法来实现该类问题的最优控制;其次,在不依赖系统动力学知识和初始稳定控制策略的情况下,仅使用系统的控制输入和状态数据,在线学习出一种基于值迭代的数据驱动的自适应控制策略,能够保证闭环多智能体系统既能抑制干扰又能实现渐近跟踪;最后,通过一个仿真案例验证了所提方法的有效性。

一种基于自适应动态规划的协同优化算法

采用值迭代的自适应动态规划的收敛条件是迭代性能指标函数初始化为任意半正定函数.根据此收敛条件,本文研究了迭代性能指标函数的初始化和更新方法,提出了一种基于自适应动态规划的协同优化算法.仿真结果表明,该协同优化算法令迭代的残差快速减小,大幅提高了自适应动态规划的收敛速度.

基于迭代ADP算法的污水处理过程最优控制

针对污水处理过程(wastewater treatment process,WWTP)中溶解氧质量浓度和硝态氮质量浓度的最优控制问题,提出了一种基于迭代自适应动态规划(adaptive dynamic programming,ADP)算法的最优控制策略.该策略无须知道污水处理过程的非线性动力学模型,只需污水处理系统的输入输出观测信息,设计基于ADP强化学习原理的控制体系结构,并利用神经网络辨识特性,通过在线迭代来逼近性能评价指标和最优控制策略.实验结果表明:该控制器相对于传统的PID控制策略,提高了污水处理过程的控制精度,系统鲁棒性也明显增强,控制性能更优.

基于改进的迭代动态规划的化工过程动态优化

为了对化工动态系统进行快速的全局优化,结合并加强迭代动态规划算法和一阶梯度算法的优势,同时利用随机搜索和定向搜索,提出了基于一阶梯度算法的迭代动态规划算法,通过2个化工生产实际例子应用,证明了该算法具有高效、高精度、全局性好等特点。

基于改进迭代算法的动态调度优化模型

笔者针对当前智能加工系统中的动态作业调度问题,考虑作业工序、等待时间等实际情况中产生的约束条件,在3大原则的前提下,应用改进迭代算法建立了一道工序的工作调度模型和两道工序的调度模型,通过验证模型的时间空间复杂度,得出此模型具有较好的实用性。最后,在模型的推广中加入1%的工作故障概率,得到故障概率分布,进而得到更加稳定的模型。

模型未知非零和博弈问题的策略迭代算法

提出了一种在线积分策略迭代算法,用来求解内部非线性动力模型未知的双人非零和博弈问题.通过在控制策略和干扰策略中引入探测信号,从而避开了系统的模型信息,得到了一个求解非零和博弈的无模型的近似动态规划算法.该算法同步更新值函数、控制策略、扰动策略,并且最终得到收敛的策略权值.在算法实现过程中,使用4个神经网络分别近似两个值函数、控制策略和扰动策略,使用最小二乘法估计神经网络的未知参数.最后仿真结果验证了算法的有效性.

在线自适应动态规划计算智能博弈导引律

针对导弹末制导拦截系统,建立了导弹-目标相对运动非线性模型,将导弹-目标拦截问题转化为非线性系统微分博弈问题。考虑到Hamilton-Jacobi-Isaacs(HJI)方程难以找到解析解,提出了采用策略迭代(PI)算法构建一种在线自适应动态规划方案,通过建立评价神经网络和执行神经网络实现PI算法中的策略评估和策略改进。策略评估阶段通过在线的数据采集完成神经网络权值的更新,因此该算法的实现不需要显性已知非线性系统的内动态模型。重复进行策略评估和策略改进2个步骤,可迭代计算出导弹-目标拦截微分博弈问题的近似最优解。将该方法应用到导弹-目标拦截系统中,通过数值仿真验证了该导引律的有效性。

基于IDP的重型商用车自适应距离域预见性巡航控制策略

为降低重型商用车燃油消耗、减少运输成本,本文协调“人-车-路”交互体系,将车辆与智能网联环境下的多维度信息进行融合,提出了一种基于迭代动态规划(iterative dynamic programming,IDP)的自适应距离域预见性巡航控制策略(adaptive range predictive cruise control strategy,ARPCC)。首先结合车辆状态与前方环境多维度信息,基于车辆纵向动力学建立自适应距离域模型对路网重构,简化网格数量并利用IDP求取全局最优速度序列。其次,在全局最优速度序列的基础上,求取自适应距离域内的分段最优速度序列,实现车辆控制状态的快速求解。最后,利用Matlab/Simulink进行验证。结果表明,通过多次迭代缩小网格,该算法有效提高了计算效率和车辆燃油经济性。

自适应粒子群算法求解双层规划模型

双层规划(Bilevel Programming Problem,BLPP)是一种具有二层递阶结构的系统,上层结构和下层结构都有各自的决策变量、约束条件和目标函数。BLPP研究的是具有两个层次系统的规划与管理问题,自适应粒子群优化算法(Adaptive Particle Swarm Optimization,APSO)不仅具有PSO的优势,如算法简洁,参数少,易于实现等,而且平衡了PSO算法的全局搜索能力和局部改善能力,大大提高了PSO算法的收敛性与精度。提出用APSO算法求解BLPP的问题,借助分层迭代的思想,进而提出了求解双层规划模型的通用算法,最后通过实验验证了算法的有效性。

基于协同进化的动态双重自适应改进PSO算法

针对PSO算法易陷入局部最优,发生早熟这一先天缺陷,在一定的误差容忍度下,借鉴协同进化理论中主体的能动性,系统的非线性,个体与环境的协同进化及个体的自适应性等优良特性,利用Feigenbaum迭代构造混沌序列,对粒子的位置和速度进行初始化取值;采用非线性和自适应调整策略对算法中的自我学习因子、社会学习因子及惯性权重进行取值,从而形成了动态双重自适应PSO改进算法(DDAPSO)。在单模态和多模态Benchmark函数上对上述算法进行仿真,并与其他5种算法进行了对比,仿真结果表明,DDAPSO算法较其他算法在求解精度、寻优效率和稳定性上具有极大的优势,表现出了较强的寻找全局最优解的能力,具有广泛的应用前景。

针对方向图综合的MIMO雷达双边自适应矩阵算法

为了降低MIMO雷达自适应矩阵算法(Adaptive Matrix Approach,AMA)的计算复杂度和样本需求,该文提出一种双边AMA(Two-Sided AMA,TS-AMA)算法。TS-AMA算法将AMA算法的权矩阵分解成两个低维权矩阵的Kronecker积,从而将AMA算法的代价函数转化为一个双二次的代价函数。新的代价函数可以通过结合半正定规划(Semi-Definite Programming,SDP)和双迭代算法(Bi-Iterative Algorithm,BIA)有效地求解。相比AMA算法,TS-AMA算法的收敛速度更快,样本需求更低,运算量更小。仿真结果说明了该算法的有效性。

自适应变步长迭代动态规划方法及其在间歇过程优化中的应用

迭代动态规划(IDP)作为一种求解非线性问题的离散算法,其寻优精度和收敛速度受到时间段划分的影响.通常,时间段划分依赖主观经验,缺乏科学有效的指导.针对终端时刻固定的动态优化问题,提出一种自适应变步长IDP算法,综合考虑控制变量与目标函数值的变化,对时间段数量、长度和切换点进行优化.将该方法应用于间歇过程优化,结果表明其能够智能分配时间段数量与长度,可有效提升寻优精度.

基于人工鱼群算法的园林导览路径规划方法研究

导览路径规划作为园林智能辅助导览系统中的重要一环,能够为游客提供实时的目的地地图路径指导,直接影响着用户的使用体验。为了提高其准确性和实时性,提出一种基于人工鱼群算法的园林导览路径规划方法。对导览环境模型及相关问题进行描述,并通过总长度和平滑度两个方面设计了路径规划的目标函数。对采用的人工鱼群优化算法进行分析,并针对人工鱼群算法存在的缺点,在步长更新方式上进行了改进,有利于提高寻优精度和运行速度。仿真环境下的测试结果表明,提出的改进算法具有更好的最优解和快速收敛性能。实际案例应用结果验证了提出路径规划方法的可行性和有效性。

基于遗传算法与迭代动态规划混合策略的青霉素发酵过程优化控制

对于青霉素发酵过程优化控制问题,考虑到遗传算法难以处理模型的不确定性以及迭代动态规划搜寻效率过度依赖初始给定轨迹问题,论文提出了一种两者结合的混合策略,使用遗传算法对青霉素补料发酵过程最优补料速率进行初始求解,结果作为迭代动态规划算法给定参考值,进行二次优化。遗传算法优化得出的青霉素发酵产量是8.02 g/L,经过迭代动态规划算法的二次优化之后,青霉素的产量为8.27 g/L,优化效果均比常规等级补料优化控制策略给出的结果有所提高。给定初始参考控制轨迹之后,迭代动态规划算法的运行时间由243 s降为179 s,算法运行效率大大提高。可见混合优化控制策略既可以提高迭代动态规划寻优效率,同时也在一定程度上克服了遗传算法对于过程模型不确定性敏感的问题。混合优化控制策略的思想可以为类似微生物发酵过程的优化控制提供参考。

基于ADP的一类时滞离散系统跟踪控制

时滞现象是自然界中广泛存在的一种物理现象,时滞的存在使得被控量不能及时反映系统的变化,从而使控制系统的稳定性变差,给时滞系统控制器的设计带来很大困难。针对一类状态和控制输入均含有时滞的离散仿射系统的跟踪控制进行研究,采用自适应动态规划迭代算法求解时滞系统的跟踪控制,在自适应动态规划的基础上,建立系统性能指标函数,通过系统变换将跟踪问题转化成为最优调节问题,并采用自适应动态规划迭代算法对性能指标函数进行迭代求解,得到最优控制策略。并给出了一个仿真算例,结果证明了所提出的跟踪控制方案是有效的。