离散型制造车间AGV小车自主避障路径选择研究

离散型制造车间分工区域多,导致工件运输环境复杂,自动导向车(Automated Guided Vehicle,简称AGV小车)极易发生碰撞事故,提出离散型制造车间AGV小车自主避障路径选择方法。采用栅格地图法将离散型制造车间划分为若干栅格,构建路径长度、转角和、危险率、避障等待时间等目标函数,建立AGV小车多目标路径规划评价函数。利用熵权法确定各目标的权重系数,设置动态环境中AGV小车避障约束条件。通过粒子群优化算法和鸽群优化算法进行AGV小车运行路径联合寻优,得到最优路径集合。将评价值最低的路径作为AGV小车运行路径,实现AGV小车自主避障路径选择。实验结果表明,所提方法选择出来的AGV小车运行路径更为平滑、长度更短且规划用时更少。

鸽群优化算法在多无人机航迹规划中的应用

为了优化多无人机编队的协同飞行和航迹规划,本文通过介绍多无人机编队模型的建立过程,详细分析了航迹规划环境约束条件的设置方法。在此基础上,提出了基于鸽群优化算法的多无人机协同优化策略,该策略通过模拟鸽群的飞行和寻巢行为,实现无人机编队的协同飞行和航迹规划。此外,本文还探讨了多无人机空间协同碰撞检验的重要性,以确保无人机在飞行过程中的安全性。研究结果表明,基于鸽群优化算法的多无人机协同优化方法能够有效提高航迹规划的全局搜索能力,减少陷入局部最优的情况,同时降低计算量,提升算法效率,为无人机编队的协同飞行提供了有效的解决方案。

基于混沌初始化和高斯变异的鸽群算法

针对鸽群优化算法在求解非线性优化问题中,容易陷入局部最优,收敛精度不高的问题,提出改进的鸽群优化算法。采用混沌映射中的立方映射方法对鸽群位置进行初始化,增加种群的多样性;引入高斯变异算子,弥补鸽群算法容易陷入局部最优的不足,提高算法的全局搜索能力和搜索效率;在地标算子中添加递减因子,能够有效避免算法由于过早收敛而陷入局部最优,提高算法的收敛精度。测试19个基准函数和电力系统经济调度工程应用实验的结果表明,改进后算法与其它群智能算法相比,拥有更好的寻优能力。

基于布谷鸟鸽群融合算法的多智能体避障研究

针对多智能体系统在避障过程中易出现避障路径冗长、时效性较差的问题,提出一种布谷鸟鸽群融合避障算法。首先,利用自适应调整步长策略调整布谷鸟Levy飞行步长大小,进行长、短交替搜索获得鸟巢位置更新点,得到次优避障路径;其次,在次优路径的基础上,引入鸽群优化算法(PIO)的地图罗盘算子与地表算子进行二次避障路径规划演示,再次更新位置点,进而获得最优避障路径。最后利用MATLAB仿真,通过效率函数分析对比布谷鸟人工势场算法,在20、40、60个随机分布的障碍物环境中,融合算法你避障时间缩短了约5.55%、16.00%、17.35%.

基于组合赋权模型的重庆降雨预测模型构建

为找出适用于区域不同尺度降雨的估算模型,本研究以重庆为研究区域,以极限学习机模型(ELM)为基础,采用鸽群算法(PIO)和蝙蝠算法(BA)对ELM模型进行优化,与XGBoost模型进行组合赋权,得出了XG-PIO-ELM和XG-BA-ELM共2种组合赋权模型,得出了适用于重庆地区的降雨估算模型,结果表明:XG-PIO-ELM在模拟重庆降雨日值和月值时均表现出了较高的精度,可推荐用于估算重庆降雨。

基于改进鸽群算法的稀疏阵列优化问题研究

针对平面稀疏阵列阵形优化算法搜索策略单一问题,提出了一种改进鸽群优化算法,对阵元间距为半波长、最大阵元数目为400的矩形平面稀疏阵列阵型进行优化。仿真结果表明,与粒子群算法、传统鸽群算法相比,改进鸽群优化算法针对平面稀疏阵列阵形优化问题有更好的效果。

优化复杂函数的粒子群-鸽群混合优化算法

针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。

无线可充电传感器网络中的充电路径优化

在无线可充电传感器网络中,多充电小车路径规划是根据成本目标规划出最优充电路径的全局优化问题.针对该问题,仅仅考虑路径距离是不全面的.因此,本文提出将路径距离、充电时间和车辆成本组合为新的成本目标模型.同时,对于求解路径问题,采用改进的鸽群算法和遗传算法混合的方式求解.在鸽群算法中引入遗传算法的交叉变异操作,改善了最优解的质量,并且提出了基于自适应惯性权重的速度更新公式,以加快全局搜索的收敛速度.仿真实验表明,算法的混合克服了自身算法的不足.并且,改进后的混合算法实际充电成本更低.

基于离散鸽群算法的无人机任务分配

为了求解多无人机的任务分配问题,对鸽群算法进行了离散化,并进行改进。建立了多无人机任务分配的问题模型,对多个约束条件进行处理,采用离散化的鸽群算法对无人机的任务分配问题进行了求解,生成了最优分配方案。并与引入Sigmoid函数惯性权重自适应调整的粒子群优化算法及遍历算法在不同的条件下进行了对比。结果表明,离散鸽群算法有更快的计算速度与更强的全局寻优能力。

基于鸽群算法的Fuch混沌蝗虫算法

针对蝗虫算法(GOA)存在位置更新易陷于局部最优和收敛精度低等问题,提出一种基于鸽群算法的Fuch混沌蝗虫算法(PFGOA)。首先用Fuch混沌映射初始化种群;然后将正弦余弦算子嵌入到位置更新公式,同时将鸽子搜索算子加入优化过程,并且通过改变惯性权重c来改善和平衡该算法的探索和开发能力;最后对最优个体引入非线性惯性权重,增加算法全局搜索能力,跳出局部最优。通过对11个测试函数进行仿真测试以及用Wilcoxon秩和检验的方法进行差异显著性统计检验的实验结果证明,改进后的算法性能更优,求解精度更高,显著性更好。

基于鸽群优化BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性较差等问题,本文提出将鸽群优化算法和误差反向传播(Back Propagation,BP)神经网络模型相结合用于短期电力负荷预测研究。本文介绍了鸽群优化算法的原理以及算法模型,并利用鸽群优化算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优参数,构建负荷预测模型。对某市7月的平均负荷预测来验证预测模型的有效性,其结果表明,改进的模型能够降低BP神经网络的预测误差,提高预测精度,并具有一定的普适性。

基于鸽群算法的移动异构网络通信资源分配方法

针对在通信资源分配方案设定过程中忽视网络动态性,导致资源分配过程能效较高且用户资源获取量公平性较低的问题,提出基于鸽群算法的移动异构网络通信资源分配方法。将异构通信网络的组成部分分割为一个宏小区以及多个微小区,构建异构通信网络模型,为后续的研究提供基础。选择网络的数据吞吐量与能效值作为移动异构网络通信资源分配的目标函数,根据目标函数使用鸽群算法,求解通信资源分配方案的设计与优化。构建实验环节,分析此方法的应用效果。实验结果表明:该方法具有降低资源分配过程能效,提升用户资源获取量公平性和通信业务平均效用的作用。可为日后移动异构网络通信资源分配技术的发展寻找新方向。

一种多策略搜索寻优的改进鸽群优化算法

针对鸽群优化算法易于早熟收敛、陷入局部最优解的不足,提出了一种改进的鸽群优化算法(MSIPIO).首先,在地图和指南针算子中引入免疫算法,并提出变异因子,通过交叉变异,同时提升了算法前期找到最佳寻优方向的概率;其次,在地标算子中提出种群衰减因子和全局影响因子,克服标准鸽群优化算法后期数目衰减过快的不足,增强算法寻优能力;最后,利用模拟退火机制对次优解进行保留,有效减缓标准鸽群优化算法陷入局部最优解的问题,提高了算法获得全局最优概率.仿真结果表明,与其他5种算法相比,MSIPIO算法在收敛精度上有明显提升,并且能够有效避免陷入局部最优解.

考虑节能降耗的轨道牵引供电系统优化仿真模型

考虑到城市轨道牵引供电系统能耗主要受列车运行状态所影响,为降低牵引供电系统能耗,设计一种考虑节能降耗的轨道牵引供电系统优化仿真模型。此模型利用轨道交通列车的实迹运行图,构建基于实迹运行图的牵引供电系统能耗仿真模型,分析当下轨道牵引供电系统实迹运行信息、系统能耗状态后,由基于改进式鸽群算法的牵引供电系统节能优化模型,构建牵引变电系统能耗转化率最大化的,列车时刻表最优设计目标函数,通过改进鸽群算法求解此目标函数,获取牵引供电系统节能降耗优化时,列车时刻表的最优设计方案解。实验结果验证:此模型能将轨道牵引供电系统的能耗转化率提高9.04%,节能降耗效果显著。

基于改进鸽群算法组合优化的入侵检测模型

入侵检测作为一种保护网络免受攻击的安全防御技术,在网络安全领域中扮演着重要的角色。研究人员利用机器学习技术提出了不同的网络入侵检测模型。然而,特征冗余和机器学习参数优化问题仍然是入侵检测系统面临的挑战。现有研究均将二者视为独立问题,分别优化。但机器学习参数与训练数据中的特征密切相关,特征集的改变很可能引起最优机器学习参数的变化。针对这一问题,提出了一种基于改进鸽群算法组合优化的入侵检测方法(ICOPIO)。该方法可以同时实现特征筛选和机器学习参数优化,避免了人为参数设置的干扰,减少了冗余和无关特征的影响,进一步提高了入侵检测模型的性能。此外,还利用Spark对ICOPIO进行并行化处理,提高了ICOPIO的效率。最后,使用NSL-KDD和UNSW-NB15两个入侵检测标准数据集对模型进行了评估,与现有的几种相关方法相比,所提出的模型在TPR、FPR、平均准确率上都取得了最好的结果,且证明了ICOPIO具有良好的可扩展性。

平衡探索与利用的广义鸽群优化算法

为了平衡鸽群优化算法的探索与利用能力,本文提出了一种广义鸽群优化算法.传统的鸽群优化算法包含两种优化算子,分别为地图与指南针算子和地标算子.这两种算子依次执行,在一次算法运行中,仅执行一轮迭代.在广义鸽群优化算法中,将算法搜索分为多个阶段,每个阶段分别执行两种算子.在算法的一次运行中,两种算子执行多轮.地图与指南针算子侧重于算法的探索能力,而地标算子侧重于算法的利用能力.改进算法仅改变了两种算子的执行顺序,无需增加额外的函数值计算.此外,广义鸽群优化算法扩展了解集合结构和算子参数设置,这对于提高算法的搜索质量大有裨益.在11个单目标测试函数和8个多模态优化测试函数上进行仿真对比试验,结果表明广义鸽群优化算法提高了鸽群优化算法的搜索效率,改进了算法的搜索结果.

基于A^*和鸽群算法的快递无人机航路规划

针对快递无人机在复杂城镇环境条件下的路径寻优问题,提出了一种基于A^*和鸽群算法的航路规划算法。首先,建立威胁代价和障碍物模型,利用约束条件缩短A^*算法搜索时间,再通过A^*算法引导无人机快速到达目标点;然后,对鸽群的粒子编码方式和适应度函数计算方法进行改进,通过鸽群优化算法实现障碍物的规避;最后,利用三次B样条曲线对航路进行平滑化和重规划。仿真结果表明,该算法收敛速度快、航路长度短、威胁代价小,生成的航迹平滑可飞,适合快递无人机在复杂城镇环境中穿行。