基于改进蝴蝶优化算法的无人机3-D航迹规划方法

针对基本蝴蝶优化算法（Butterfly optimization algorithm,BOA）在进行无人机（Unmanned aerial vehicle,UAV）三维航迹规划时存在的搜索速度慢、搜索精度低以及易陷入局部最优等问题，提出一种改进的蝴蝶优化算法（Improved butterfly optimization algorithm,IBOA）。在全局搜索阶段提出对数自适应惯性权重策略和动态更新调节策略，提高了算法全局搜索能力和搜索精度。同时，在局部搜索阶段，提出一种动态概率余弦选择策略，增加位置更新多样性，避免陷入局部最优。首先，为检验改进算法与基本算法的寻优性能，在部分标准多元函数上进行仿真对比。对比结果表明，改进算法对复杂函数具有较强的寻优能力，能在更短时间内找到全局最优解。然后，在二维路径规划仿真中对比了改进算法与PSO算法性能，从对比结果看，IBOA具有更优的规划效果。接着，利用山峰模拟函数对UAV三维航迹规划进行建模，将改进算法应用到航迹规划中，利用MATLAB仿真对比了不同复杂度环境下的航迹规划效果。仿真实验表明：相同实验条件下，该优化算法较BOA综合适应度值减...     

基于BSO-BP神经网络的赤潮预测模型

针对天牛须(BAS)算法在处理高维数据时容易陷入局部最优的缺陷,在BAS算法的基础上结合粒子群(PSO)群体信息共享的机制,提出一种倒S型函数的BSO-BP模型。通过建立BSO算法优化BP神经网络的复合模型对夜光藻密度进行预测,从而实现赤潮灾害预测。首先,采用核主成分分析法(KPCA)对输入变量进行降维处理,加快网络的收敛速度。接着,利用BSO优化BP神经网络初始权值、阈值。为了更好地平衡BSO算法的全局搜索以及局部搜索能力,引入倒S型函数来调整惯性权重。相对于BP、PSO-BP、BAS-BP等模型,BSO-BP具有更好的预测精度以及非线性拟合效果。     

基于动态扰动策略的人工搜索群算法

为了提高人工搜索群算法(ASSA)的整体性能,提出一种基于动态扰动策略的人工搜索群算法。为了增加算法的种群多样性,在算法初期,通过Tent映射的混沌策略产生初始种群。结合反向学习策略,算法在进化过程中对种群进行反向学习扰动,从而增加算法跳出局部最优解的可能性。算法采用动态步长的方式,在初期时能够扩大最优解的搜索范围,在后期时能够加速种群收敛到最优解。基于标准测试函数的实验研究结果表明,提出的改进算法与标准人工搜索群算法,及其改进算法进行对比,在收敛速度和收敛精度上都有明显提高,整体上提升了该算法的性能。     

应用于传感器网络覆盖问题的能量有效性启发式机制

提出了一种解决无线传感器网络覆盖问题的分布式启发式机制。该机制在节能前提下,得到优化的目标覆盖集合,以实现对目标监控区域的完全覆盖,并通过对其中重点目标集合的冗余覆盖来满足对重点目标集的可靠监控。同时,该目标覆盖集合与数据汇集点在通信结构上保持连通性。本文采用了改进的蚁群优化算法（最大最小蚁群混合算法）来实现上述启发式机制。通过构造新颖的启发式因子,人工蚂蚁能够由局域信息感知传感器网络的能量状况和覆盖能力,从而自适应地建立具备通信连通性的数据汇集路径。此外,将信息素浓度调节因子和评价函数引入了信息素更新规则的设计,使得蚁群在扩大搜索范围的基础上,提高了解的质量,且避免了求解过程陷入局部最优。算法的输出为能量有效的优化解集,具备较长生命周期,能够在保证与数据汇集点可靠连通的同时实现对目标区域的有效覆盖。     

基于改进微粒群算法的无人机姿态控制参数智能整定(英文)

提出了基于改进微粒群算法的无人机姿态控制器参数智能整定方法.标准微粒群算法在搜索后期由于群体缺乏多样性而容易出现收敛停滞现象,为此提出了一种改进的微粒群算法.标准微粒群算法中的微粒速度是根据惯性运动、群体历史最优位置和自身历史最优位置来调节的.改进微粒群算法中的微粒除了保持惯性运动外,仅向当前群体中任意更优个体的状态学习,而且惯性权重系数是随机数.改进方案减少了算法不确定参数,简化了微粒学习机制,且增强了群体多样性.本文构建了无人机姿态控制系统,将改进微粒群算法用于四个控制参数的寻优整定.仿真结果表明,改进微粒群算法比一般微粒群算法具有更强的全局搜索能力,故获得更优的无人机姿态控制参数.     

云制造资源的工序级多目标调度方法研究

由于云制造资源的分散性、多样性、负载率不均衡性等特点对其调度与调度粒度有更高的要求,将云制造任务分解后的工序作为调度的最小粒度,构建一种以最短制造服务时间、最低制造服务成本以及均衡负载率为多目标的云制造资源工序级调度模型,采用以粒子群、遗传相结合的混合多目标调度算法,将遗传算法中通过双层编码的染色体作为粒子群算法的粒子,双层编码方式是指以工序加工顺序作为第一层、工序对应加工资源编号为第二层,随后通过对染色体交叉变异进行粒子更新,使整个调度过程快速收敛于全局最优解。最后电梯实例证明了该算法能在较短的时间内给出最优的调度方案,从而有效地解决云制造资源多目标调度问题。     

基于VGWO算法的风力机二阶积分滑模转矩控制器设计（英文）

提出了一种基于变速灰狼优化算法(Variable speed grey wolf optimization,VGWO)的二阶积分滑模(Sec?ond?order integral sliding mode control,SOISMC)鲁棒控制策略。该策略的目的是实现风力机的最大风能捕获,提高风力机的发电量。首先,根据风力机的不确定性模型,设计了一种收敛速度快、鲁棒性强且能有效抑制抖振的二阶积分滑模转矩控制器,保证了转矩控制器能够有效地跟踪参考转速。其次,考虑到灰狼优化算法(Grey wolf optimization,GWO)具有较强的局部搜索能力和粒子群优化算法(Particle swarm optimization,PSO)具有较快的收敛速度和较强的全局搜索能力,将PSO的速度分量引入GWO中,使改进的VGWO具有较快的收敛速度、较高的求解精度和较强的全局搜索能力。然后,利用VGWO对风力机转矩控制器的参数进行优化。最后,在Simulink/SimPowerSystem平台上进行了仿真,结果表明了该策略在存在外部干扰和模型不确定性情况下的有效性。     

基于量子搜索和高斯变异的MOEA/D算法

在实际应用中,尤其是在研究大规模决策空间的优化问题时,MOEA/D算法容易陷入局部最优。针对此问题,提出了一种基于量子搜索和高斯变异的MOEA/D算法。引入环境迁移模型,将两者进行并联,并且与原算法进行串联,利用量子搜索来提升算法的全局搜索能力,采用高斯变异位置更新方法保证算法的局部搜索能力。同时为了避免算法在迭代后期陷入"早熟"危险,提出了基于邻居位置的量子搜索,通过改变吸引点的生成方式,来加强量子搜索在迭代后期的局部搜索能力。结果表明:改进后的MOEA/D算法与原算法相比,提升了算法的搜索能力,也保证了算法的收敛能力。     

多机协同多目标攻击系统研究

研究了多机协同多目标攻击系统，定义了自主优先权，提出了分组决策的方案，设计了目标分配和火力分配的原则，采用神经网络实现了决策算法，并对整个决策系统进行了仿真；阐述了导弹攻击区的计算方法，用比例导引法实现了空空导弹攻击。最后设计了多目标攻击系统，将空战决策，导弹攻击区判断，导弹攻击融为一体，并进行了仿真。结果验证了空战决策的正确性。它对第四代歼击的火力控制系统的研究有一定的参考价值。     

基于小生境技术的改进引力搜索算法

针对引力搜索算法（Gravitational sear ch algorithm，GSA）开发能力强而探索能力弱的特点，提出一种基于 小生境技术的引力搜索算法（Niching behavior based advanced GSA，NAGSA）。首先分析了引力搜索算法的性能，为每个粒子定义质量吸 引度和欧式距离吸引度两个属性，根据这两个属性计算出粒子吸引概率，取代原有的质量排 序选择法。其次，运用吸引概率和小生境拥挤度技术引导粒子在邻域内搜索，平衡算法的收敛 速度和多样性。此外，算法将k-best的取值按照指数函数递减，进一步提高收敛精度。 10个标准测试函数的仿真结果表明，该算法能有效地提高最优解的精度，加快收敛速度。最 后，采用4个标准柔性作业车间调度模型，验证了该算法在解决实际问题中的可行性和优越 性。     

一种新的基于粒子群算法的聚类方法

建立了聚类分析问题的数学优化模型,提出了一种新的粒子群算法解决聚类问题。对基本粒子群优化算法作了改进,思路是将K-均值方法的结果作为一个粒子和利用新的分类中心调整粒子位置。对Iris植物样本数据的测试结果表明:4种粒子群算法的效果都比较好,特别是第3种改进的粒子群算法的效果更好,粒子群优化聚类技术很有潜力．     

Solving Job-Shop Scheduling Problem Based on Improved Adaptive Particle Swarm Optimization Algorithm

An improved adaptive particle swarm optimization(IAPSO)algorithm is presented for solving the minimum makespan problem of job shop scheduling problem(JSP).Inspired by hormone modulation mechanism,an adaptive hormonal factor(HF),composed of an adaptive local hormonal factor(H l)and an adaptive global hormonal factor(H g),is devised to strengthen the information connection between particles.Using HF,each particle of the swarm can adjust its position self-adaptively to avoid premature phenomena and reach better solution.The computational results validate the effectiveness and stability of the proposed IAPSO,which can not only find optimal or close-to-optimal solutions but also obtain both better and more stability results than the existing particle swarm optimization(PSO)algorithms.     

Cooperative Search of UAV Swarm Based on Ant Colony Optimization with Artificial Potential Field

An ant colony optimization with artificial potential field(ACOAPF)algorithm is proposed to solve the cooperative search mission planning problem of unmanned aerial vehicle(UAV) swarm. This algorithm adopts a distributed architecture where each UAV is considered as an ant and makes decision autonomously. At each decision step,the ants choose the next gird according to the state transition rule and update its own artificial potential field and pheromone map based on the current search results. Through iterations of this process,the cooperative search of UAV swarm for mission area is realized. The state transition rule is divided into two types. If the artificial potential force is larger than a threshold,the deterministic transition rule is adopted,otherwise a heuristic transition rule is used. The deterministic transition rule can ensure UAVs to avoid the threat or approach the target quickly. And the heuristics transition rule considering the pheromone and heuristic information ensures the continuous search of area with the goal of covering more unknown area and finding more targets. Finally,simulations are carried out to verify the effectiveness of the proposed ACOAPF algorithm for cooperative search mission of UAV swarm.     

基于改进PSO算法的导弹控制参数优化

研究了将粒子群算法(PSO)应用于空对空导弹控制参数自动设计的方法,解决导弹控制参数手工设计中遇到的困难与问题.标准PSO算法在导弹静稳定工作点参数优化中表现出良好性能,但在静不稳定工作点优化时容易限入局部最优,因此引入遗传算法(GA)的杂交思想对标准PSO算法进行了改进,以扩大解空间的范围.仿真结果表明:改进后的PSO优化算法具有更强的全局搜索能力,获得的参数能够满足给定的性能指标,并且可以节省大量的设计时间,具有很高的工程应用价值.     

一种新PSO混合算法在直升机配平中的应用

直升机配平计算是动力学分析的基础，其实质是求解高维复杂的非线性方程组。针对经典算法与智能算法的特点与不足，提出了一种求解非线性方程组的新粒子群方法。在粒子群(Particle swarm optimization, PSO)算法的基础上，根据模拟退火(Simulated annealing, SA)思想，引入了嵌入式LM (Levenberg-marquardt)优化 算子。该方法充分发挥了3种算法的优势，克服了LM算法初值敏感性，PSO算法易陷入局部极值等问题。通过UH-60A直升机实例配平计算，验证了本文算例模型的准确性。在此基础 上，针对某一前飞状态下的配平算例，在收敛可靠性和计算效率上通过与其他算法进行对比，表明该算法具有可靠的收敛性和较高的计算效率，进一步验证了该算法在配平问题上的可信度与实用性，为直升机飞行动力学问题的处理提供了一种新的有效方法。     

多旋翼无人机飞行控制自动调参技术

目前,多旋翼无人机控制器设计问题中存在着大量的依靠经验的调参工作。为了使调参简单而又可靠,本文基于控制器参数与控制系统性能响应存在的对应关系,提出了自动调参思想。在满足控制器各项性能指标的前提下,利用粒子群算法(Particle swarm optimization,PSO)提炼出优化目标和约束条件。对被控对象进行建模并搭建非线性模型。然后,利用工程实践方法估算出参数范围,并利用粒子群快速优化特点自动寻找在约束条件下符合性能指标的控制器参数。最后,通过Matlab/Simulink对模型进行仿真验证。仿真结果分析表明,PSD可快速准确地对飞行控制进行自动调参。     

AC-PSO算法在无人机任务规划中的应用

无人机飞行中合理的路线规划可以减小飞行时间、降低油耗,减小被敌方发现、攻击的可能,从而提高了完成任务的概率.鉴于大部分无人机是以一个相对固定的高度进行侦察和任务飞行,故可将无人机的飞行任务规划视为二维平面的TSP问题.本文进一步将地面防空威胁与飞行距离统一量化,通过求解TSP求取最优无人机任务规划.文中通过分析蚁群算法与粒子群算法,提出了一种新的混合方法AC-PSO算法解决TSP求解问题.算法借鉴了蚁群算法的路线构造方法和粒子群算法的进化策略思想,同时给出了提升算法效率的一些措施.实验验证,该算法和威胁建模方法相结合,能有效地满足无人机飞行任务规划的要求.     

基于混合粒子群算法的机场停机位优化分配问题研究

合理且高效的停机位分配方案是提高机场运营效益的重要手段之一。通过对航班占用停机位特性的分析,以旅客步行距离最短和停机位空闲时间均衡为目标函数建立优化模型,设计一种基于遗传算法与PSO算法相结合的混合粒子群算法对其求解,最后运用试验数据来说明该算法求解停机位分配问题的可行性。