基于改进灰狼算法的自动导航小车控制策略

针对灰狼算法(grey wolf optimizer,GWO)易陷入局部最优、后期收敛速度慢等问题,通过引入改进Tent混沌映射反向学习策略和非线性收敛因子,并加入差分进化的变异、交叉、选择操作,提出一种改进的差分灰狼优化算法(improved differential evolution grey wolf optimizer,IDE-GWO)。将改进算法应用于优化自动导航小车(automated guided vehicle,AGV)的比例积分微分(proportion integration differentiation,PID)控制参数,并与其他几种算法进行对比。Simulink仿真实验结果表明:该改进算法优化PID参数的控制效果明显优于其他智能优化算法,能够有效地提升AGV轨迹跟踪性能,使得AGV实际轨迹能较好拟合目标轨迹。

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。