基于SMABC算法的FPRM逻辑电路面积优化

固定极性Reed-Muller (FPRM)逻辑电路面积优化是当前集成电路设计领域的研究热点。但现有FPRM逻辑电路面积优化方法存在优化效率低和优化效果差等问题。FPRM逻辑电路面积优化属于组合优化问题，提出一种自适应混合人工蜂群(SMABC)算法。所提算法在引领蜂搜索阶段引入细菌觅食算法中的细菌趋化行为，使引领蜂向靠近优秀蜜源的方向搜索，提高了所提算法的收敛速度；对跟随蜂的选择概率进行改进使其依据种群的变化自适应改变，提高了所提算法的全局搜索能力；对侦查蜂的转换条件进行改进，增加了侦查蜂在进化过程中的扰动幅度；且在进化过程中引入精英保留策略以提高种群质量。此外，提出一种基于SMABC算法的FPRM逻辑电路面积优化方法，所提方法收敛速度最快且面积优化率最高为54.62%，平均面积优化率为15.33%。     

改进粒子群优化的卫星导航选星算法

为提高选星算法的性能，提出一种基于人工鱼群算法的粒子群优化（PSO）选星算法。该算法利用人工鱼群算法良好的全局收敛特性，克服了粒子群优化算法易陷入局部最优的缺点。将每种卫星组合看作空间中的一个粒子，选取几何精度因子（GDOP）作为适应度函数。利用所提算法更新粒子自身位置，优化卫星组合与几何精度因子。利用实际数据对所提算法进行验证和对比，结果表明:改进的选星算法在保障选星效率的同时，选星结果的准确性优于标准的粒子群优化选星算法。      

基于混合人工鱼群算法的传感器网络优化

针对传感器网络节点优化的问题,提出一种混合人工鱼群算法.该算法在人工鱼群算法优化的末段引入模式搜索法,以人工鱼搜索到的最优解作为模式搜索法的初始解,利用模式搜索法的单调搜索特性,将解引向全局极值.新算法保留了人工鱼群算法全局搜索能力强、寻优速度快的特点,使寻优精度得到了提高.仿真实验表明:混合人工鱼群算法能够有效地优化传感器网络节点部署,提高覆盖率.     

基于BABFA的XNOR/OR电路面积优化

基于XNOR/OR的固定极性Reed-Muller（FPRM）电路面积优化是当前集成电路设计领域的研究热点之一。由于基于XNOR/OR的FPRM电路面积优化属于组合优化问题，提出了一种二进制自适应细菌觅食算法（BFA）。该算法在复制操作中加入概率模式，提高种群多样性，采用模糊规则对复制概率和迁移概率进行修正，提高算法的收敛速度。使细菌在邻域内进行搜索，替代细菌群体感应机制中的斥力操作，细菌无需感应其他个体位置对其的影响。提出一种基于XNOR/OR的FPRM电路面积优化方法，利用提出的二进制自适应细菌觅食算法搜索电路面积最小的FPRM电路。基于MCNC Benchmark电路的实验结果表明:面积最大优化率为18%，时间最大节省率为46%。      

基于改进人工鱼群算法的无人直升机编队航迹规划

针对无人直升机（UH）编队的航迹规划问题,提出了一种基于改进人工鱼群算法（AFSA）的航迹规划算法。从邻域学习和算法特性2个角度出发,针对人工鱼群算法中的人工鱼视野模型提出了一种人工鱼自适应视野模型,并对其鱼群的进化策略在无性繁殖方式的基础上进行了改进;从规划原理、代价函数、约束条件3个方面建立了无人直升机编队航迹规划模型;针对航迹规划中普遍存在的搜索效率低、精度差等特有问题改进了所提算法的编码方式和聚类策略。利用三机编队航迹规划的算例对所提算法进行了验证,仿真结果证明,通过对人工鱼群算法的改进、航迹规划模型的建立等措施实现了良好的无人直升机编队航迹规划,同时在搜索效率、收敛速度及求解精度上都有了显著提高。      

基于自适应学习策略的改进鸽群优化算法

鸽群优化（PIO）算法已广泛用于无人机编队和控制参数优化等领域，但标准PIO算法容易陷入局部最优。提出了一种基于自适应学习策略的改进鸽群优化（ALPIO）算法。该算法引入了基于容差的搜索方向调整策略、基于自学习的候选者生成策略以及基于竞争学习的预测策略，通过增强种群的多样性，可提高算法全局最优概率，其已在8个基准函数上进行测试。仿真试验结果表明:所提算法在多峰函数优化问题中的收敛精度和收敛速度有了显著提升，并且能够更有效避免陷入局部最优解。      

基于Safe-PPO算法的安全优先路径规划方法

现有的路径规划算法对路径规划过程中的路径安全性问题考虑较少，并且传统的近端策略优化(PPO)算法存在一定的方差适应性问题。为解决这些问题，提出一种融合进化策略思想和安全奖励函数的安全近端策略优化(Safe-PPO)算法，所提算法以安全优先进行路径规划。采用协方差自适应调整的进化策略(CMA-ES)的思想对PPO算法进行改进，并引入危险系数与动作因子来评估路径的安全性。使用二维栅格地图进行仿真实验，采用传统的PPO算法和Safe-PPO算法进行对比；采用六足机器人在搭建的场景中进行实物实验。仿真实验结果表明：所提算法在安全优先导向的路径规划方面具有合理性与可行性：在训练时Safe-PPO算法相比传统的PPO算法收敛速度提升了18%，获得的奖励提升了5.3%；在测试时采用融合危险系数与动作因子的方案能使机器人学会选择更加安全的道路而非直观上最快速的道路。实物实验结果表明：机器人可以在现实环境中选择更加安全的路径到达目标点。     

非线性多目标概率约束规划免疫优化算法

针对噪声信息未知的一般非线性多目标概率约束规划（MOPCP）问题，探讨基于危险理论的多目标免疫优化算法（MOIOA）。算法设计中，借助自适应采样方法估计机会约束的概率和目标值；借助危险理论蕴含的应答模式分割进化种群为已感染、易感染和未感染子群；借助二进制交叉、自适应变异概率、多项式变异策略平衡种群的全局与局部搜索能力。与7种算法相比较获得的数值结果表明，所提算法的搜索效率有明显优势且搜索效果有一定的优越性，同时对复杂工程问题有应用潜力。      

基于CEA-GA的多无人机三维协同曲线航迹规划方法

针对多无人机协同航迹规划求解计算复杂度高，收敛效率差等问题，提出一种基于混沌精英适应遗传算法（CEA-GA）的多无人机三维协同曲线航迹规划方法。利用层级规划思想，建立基于单机规划层-航迹平滑层-多机协同规划层的多无人机三维协同曲线航迹层级规划模型，将复杂约束规划问题分解为子函数优化求解问题，减小计算量；考虑到遗传算法（GA）求解高维复杂约束优化问题存在的性能局限，采用Tent混沌映射均匀初始化种群，以扩大个体搜索空间，丰富种群多样性，在此基础上，通过引入自适应遗传算子平衡算法的全局搜索与局部开发能力，帮助个体跳出局部最优，并采用适应度动态更新策略进一步提高算法的局部探索能力和收敛速度。将精英保留策略引入GA以更好地保证改进算法的全局收敛性。将CEA-GA应用于模型求解，仿真实验结果表明：CEA-GA具有较强的鲁棒性、较好的寻优性能和收敛效率，且能够为集群规划满足约束条件的协同曲线航迹，从而验证了所提方法的有效性和CEA-GA的优越性。     

自适应变异麻雀搜索优化算法

针对麻雀搜索算法前期易陷入局部极值点、后期寻优精度不高等问题，提出一种自适应变异麻雀搜索算法（AMSSA）。先通过猫映射混沌序列初始化种群，增强初始种群的随机性、遍历性，提高算法的全局搜索能力；再引入柯西变异和Tent混沌扰动，拓展局部搜索能力，使陷入局部极值点的个体跳出限制继续搜索；最后，提出探索者-跟随者数量自适应调整策略，利用各阶段探索者和跟随者数量的改变增强算法前期的全局搜索能力和后期的局部深度挖掘能力，提高算法的寻优精度。选取16个基准函数和Wilcoxon检验进行验证，实验结果表明：所提算法与其他算法相比，寻优精度、收敛速度和稳定性都取得较大提升。     

一种改进X-best引导个体和动态等级更新机制的鸡群算法

在群智能算法的改进中，常利用优秀个体加速算法收敛，但对其依赖过度会导致种群多样性和算法全局收敛性下降的现象。对此，提出一种改进X-best引导个体和动态等级更新机制的鸡群算法。首先，在个体更新阶段不仅引入优秀个体加速收敛，并且通过普通个体对优秀个体的影响进行适当平衡，因此，优秀个体与普通个体的信息都能得到利用，进而种群多样性和算法全局收敛性得到提升。其次，通过对等级更新参数进行动态优化，加强了种群等级更新机制对算法收敛的促进作用。最后，经过时间复杂度与收敛性分析，证明了改进算法仍具有简单性和全局收敛性。仿真结果表明:所提出的改进算法较其他对比算法在寻优精度、寻优成功率和收敛速度等方面都具有明显优势。      

铝基微结构光栅几何参数反演

微结构光栅是一种广泛应用的电子元件。采用随机微粒群优化(SPSO)算法反演了一维铝基衬底矩形光栅的几何结构参数。首先介绍了严格耦合波分析(RCWA)法和微粒群优化算法的基本原理,并采用RCWA法求解了光栅内电磁场问题;然后根据正问题求得的光栅光谱反射率建立目标函数,并采用SPSO算法优化目标函数,反演得到单槽和双槽矩形光栅的周期、凸脊宽度和凹槽深度;最后分析了种群大小和搜索区间对反演结果的影响。结果表明,SPSO算法可以准确地反演光栅几何结构参数,并推荐种群数取30。     

一种改进的多目标粒子群优化算法

为了增强多目标粒子群优化算法的收敛性与多样性,提出一种改进的多目标粒子群算法.采用Kent映射对种群进行初始化,并将目标空间均匀划分为若干扇形区域;基于一种新的多样性和收敛性判定标准,选取合适的收敛性最优解和多样性最优解,并提出一种改进的粒子群更新公式进行全局搜索;采用聚类算法对外部种群与坐标轴夹角进行分析,维护外部种群.通过标准测试函数的仿真实验,与多目标优化算法基本MOPSO(Multi-objective Particle Swarm Optimization Algorithm)和NSGA-II(Nondominated Sorting Genetic Algorithm II)进行对比,结果表明了该改进算法的有效性.     

基于自适应RVM的电子系统缓变故障预测方法

针对电子系统缓变故障的预测问题,提出一种自适应相关向量机(RVM, Relevance Vector Machine)方法.首先,对反映电子系统性能的参数序列进行相空间重构,建立RVM的输入输出对应关系;然后,将嵌入维数和核函数参数作为人工鱼位置,取留一交叉验证(LOOCV, Leave-One-Out Cross-Validation)误差的相反数作为目标函数,利用人工鱼群算法(AFSA, Artificial Fish Swarm Algorithm)实现方法参数的自适应优化选择;最后,通过雷达发射机高压电源与多注速调管的故障预测实验验证了方法的性能.实验结果表明:该方法在预测精度和预测可靠性方面优于现有方法.     

基于GA-SVM的GNSS-IR土壤湿度反演方法

针对提高大范围土壤湿度测量精度的问题,研究了土壤湿度的全球卫星导航系统干涉测量法（GNSS-IR）,提出了一种基于支持向量机（SVM）的土壤湿度反演模型,利用遗传算法（GA）的自动寻优功能寻找SVM的最佳参数。结果表明,GA-SVM模型在测试集上得到的土壤湿度反演值与实测值的平均绝对百分比误差（MAPE）仅为0.69%,最大相对误差（MRE）为1.22%,线性回归方程决定系数达到了0.956 9。进一步与统计回归、粒子群优化的SVM模型（PSO-SVM）及反向传播（BP）神经网络方法进行对比,结果说明:在样本数目有限的情况下,GA-SVM方法更适用于土壤湿度的GNSS-IR技术反演,且反演精度较高,泛化性能良好。      

基于帝国竞争优化的双目标综合决策选星算法

全球卫星导航系统（GNSS）的应用前景已经得到世界各国的普遍承认,其应用领域也趋于多样化,在此背景下,卫星接收机也要求其具有更快的解算速度和可靠的精度。针对目前多数接收机的选星算法都是固定选星数目从而限制算法机动性的问题,提出基于帝国竞争优化算法（ICA）的双目标综合决策选星算法。为了更好获取几何构型较好的卫星星座,引入可见卫星的卫星仰角和方向角先验信息,进行先验性约束,通过构建几何精度因子（GDOP）以及选星数目2个目标,进行综合决策的快速选星,提高了选星的灵活度,并且在满足用户精度的要求下减轻了多星座卫星接收机的计算负担。通过仿真实验和实测数据对双目标综合决策选星算法验证的结果表明:所提算法在高度截止角5°下引入先验性约束条件后平均选星数目在仿真数据和实测数据中缩减率分别为51.8%和45.4%,平均GDOP值较无约束下分别减少0.209 2和0.248 4。同时,所提算法单次选星平均耗时分别为0.168 4 s和0.303 1 s,与遍历法的选星耗时4 s相比,提高了95.79%和92.42%。