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。      

考虑能量最优的集群航天器避碰规划

针对传统集群聚集算法在航天器集群规划应用中存在燃料消耗大、不均衡以及耗时过长等问题,提出了向心聚集的能量最优聚类避碰算法。该算法首先基于集群相对运动方程与有限时间的能量最优模型,建立了自适应的向心聚集的能量最优模型;在此基础上,对于耗时较长且碰撞的问题,提出一种基于能量最优的聚类避碰算法,以模块间安全距离矢量作为避碰约束,将能量消耗作为聚类算法指标进行改进。仿真验证表明,该算法可以自适应选取集群聚类的中心,有效避免碰撞,减少集群聚集总能量的消耗以及模块间能量消耗的不均衡性,使得工质消耗达到全局最优,且耗时仅有常规遗传算法的万分之一。该算法为集群快速安全聚集提供了思路。     

编队卫星防碰撞规避路径规划方法与控制研究

针对编队卫星在构型重构和构型失效重组时发生碰撞可能性最大的两种机动工况,采用数学规划的方法对其进行防碰撞规避准则、规避策略和控制方面的研究;并通过系统可控性证明出无径向推力相对于全向推力,也可以达到目标相位点只是燃料消耗得多。对编队构型失效重组工况中备份星机动前停泊位置,进入编队位置选择和启动时刻选择以及故障星离开编队后,目标轨道确定等问题通过数学仿真的形式予以解答。仿真结果表明,该研究方法真实可信、简便有效。     

基于鸽群优化算法的实时避障算法

为保证机器人能安全无碰撞地抵达目标位置，提出一种在改进版圆形扩张（CSE+）法中融合鸽群优化算法的实时避障算法。所提算法引入对障碍物密集程度的判断机制，在障碍分布密集时选择最安全的路径，在障碍物分布稀松的环境中，利用鸽群优化算法在安全范围内寻找下一目标最优位置。此外，还引入了搜索树，可实现死角的检测与避免。仿真结果显示:所提避障算法能提高路径规划的性能，在障碍物分布稀松时效果更加明显，且可实现死角检测并能通过狭长通道。      

混沌麻雀搜索优化算法

针对麻雀搜索算法(SSA)在接近全局最优时，种群多样性减少，易陷入局部最优解等问题，提出了一种混沌麻雀搜索优化算法(CSSOA)。首先，通过改进Tent混沌序列初始化种群，提高初始解的质量，增强算法的全局搜索能力。其次，引入高斯变异的方法，加强局部搜索能力，提高搜索精度；同时以搜索停滞的解为基础产生Tent混沌序列，用此混沌序列对部分陷入局部最优的个体进行混沌扰动，促使算法跳出限制继续搜索。最后，对12个基准函数进行仿真实验。结果表明:所提算法能够克服SSA易陷入局部最优的缺点，提高算法的搜索精度、收敛速度和稳定性。同时，将CSSOA应用到简单图像分割问题，验证了CSSOA应用于实际工程问题的可行性。      

基于混合策略的麻雀搜索算法改进及应用

针对麻雀搜索算法(SSA)搜索精度不高、全局搜索能力不强、收敛速度慢和易于陷入局部最优等问题，提出了一种基于混合策略的麻雀搜索算法(HSSA)。采用改进的Circle混沌映射初始化种群，提高种群多样性；结合樽海鞘群算法改进发现者的搜索公式，提高算法迭代前期的全局搜索能力和范围；在加入者的搜索公式中引入自适应步长因子，提高算法的局部搜索能力和收敛速度；通过镜像选择机制，提升每次迭代后的个体质量，提高算法的寻优精度和寻优速度；在位置更新处加入模拟退火机制，帮助算法跳出局部最优。利用8种测试函数进行测试，结果表明，改进算法比SSA有更好的寻优性能。将改进前后算法与极限学习机结合进行实验，人体表面肌电信号数据集的分类预测精度从80.17%提高到90.87%，证实了改进算法的可行性和良好性能。     

基于遗传模糊聚类的机群编队最优分配方法

针对当前机群的编队分配存在效率低、编队分配结果不可靠、智能性差等问题,提出了一种新的结合遗传算法和模糊聚类算法的机群编队最优分配方法.该混合算法通过模糊聚类算法解决了机群的编队分配不确定性问题,并且通过对传统遗传操作算子的改进,采用改进的遗传算法有效地克服了模糊聚类算法容易陷入局部极小值和对初始条件敏感的缺点,使机群的编队分配能快速收敛至全局最优解.3组不同分布类型的机群编队分配算例结果表明,该混合算法具有较好的通用性、有效性和智能性,适用于机群的编队最优分配.      

电磁航天器编队动力学建模与运动规划方法

基于电磁航天器作用原理,利用拉格朗日方法,建立电磁航天器“绳系”动力学模型.基于偏差线性化动力学模型,以切向、径向编队为例,分析编队构型保持稳定性,设计构型保持控制律;将双星电磁航天器编队(EMFF,Electromagnetic Formation Flight)重构运动规划问题转化为标准优化问题,利用高斯伪谱优化方法进行求解.并提出序列控制策略,将该双星模型扩展应用于多星电磁编队构型重构问题,转化为多阶段运动规划问题利用多阶段优化方法进行求解.仿真结果表明本文的动力学建模方法和控制方法是可行的.      

对接口匹配的航天器双主动最优交会研究

研究了两航天器协同轨道机动（双主动）完成近距离交会任务的最优控制问题。在考虑航天器姿态变化、对接口位置及路径约束的情况下,构建了完整的6自由度、26状态的双主动最优交会数学模型。利用高斯伪谱法分别将燃料总消耗最少和交会时间最短两种最优问题离散为大型非线性规划问题,而后应用SNOPT软件包进行了求解。在此基础上通过大量数值计算分析总结了不同初始参数对最小燃料消耗和最短交会时间的影响规律,并与主被动交会形式进行了对比。结果表明,当两航天器质量接近时,双主动交会通常可明显减少燃料消耗,或缩短交会时间;而当质量差距较大时,双主动最优交会逐渐退化为主被动最优交会。     

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。     

多种群合作学习的多模态多目标路径规划算法

为同时规划出满足多种目标需求的多条可行路径,提高规划路径的鲁棒性与实用性,提出一种基于多种群合作学习的路径规划算法。基于粒子群算法的基本思想,先针对单一种群在多维目标空间内搜索时容易陷入局优的问题,提出基于多目标分解的子种群划分策略,平衡算法在目标空间内各个维度上的搜索能力。再依据地图中栅格点的出入度信息提取关键路径点。在编码阶段,根据关键路径点提供的维度信息,利用实数编码的方式初始化种群,降低解空间大小;在解码阶段,提出利用精英解的解码经验指导可行解的快速搜索,使解码经验能够被有效传递,降低解码的不确定性,提高了算法的寻优能力。最后,将多个种群的搜索结果进行非支配排序,得到满足优化目标的所有路径。实验结果表明:与标准粒子群算法相比,基于解码经验表指导的多种群合作学习算法具有更强的搜索能力和寻优能力,能够解决多模态多目标路径规划问题。      

多模函数优化的改进花朵授粉算法

为了探讨花朵授粉算法（FPA）在解算多模函数优化问题中存在的不足,通过定义种群多样性及差异性指标,定性分析了FPA在多模复杂函数优化中的寻优缺点。基于模拟退火思想优化全局授粉过程,并利用Nelder-Mead单纯形搜索技术对花朵局部授粉进行重构,提出一种新的花朵授粉寻优架构。仿真结果表明,相对于基本的FPA、布谷鸟算法、萤火虫算法,改进花朵授粉算法能够有效避免陷入局部最优,具备优异的全局勘探和局部开采能力,对多模优化问题具有一定优势。      

混沌多精英鲸鱼优化算法

针对无人机（UAV）的航迹规划问题，提出了一种基于混沌多精英鲸鱼优化算法（CML-WOA）的航迹规划方法。首先，在已知飞行环境下，建立3D飞行空间模型和航迹代价模型。通过引入罚函数，将有约束3D航迹规划问题转化为无约束多维函数优化问题，利用CML-WOA求解模型来获得最优航迹。其次，为克服WOA易陷入局部最优的缺陷，引入立方映射混沌算子改善初始种群，增强种群多样性，并通过自适应框架融入正余弦算法（SCA），利用多精英搜索策略有效地提高了算法开发能力和探索能力。最后，使用贪婪策略保证了收敛效率。通过20个基准函数测试和航迹规划仿真实验对提出的改进WOA进行验证。结果表明:所提算法相对其他算法，寻优性能明显提升，具有较强局部最优规避能力和更高的收敛精度与收敛速度；能够稳定快速地规划出代价最少、满足约束的安全可行的飞行航迹。      

面向多星区域观测调度的改进型自适应遗传算法

针对传统优化算法在解决多星区域观测调度问题中收敛速度缓慢和易于陷入局部最优解的不足，提出了一种改进型自适应遗传算法。该算法通过蒙特卡洛方法结合Hamming距离，给出较优的初始种群；根据种群的平均Hamming距离确定交叉和变异操作的执行顺序，并结合sigmoid函数和高斯函数基于种群的个体适应度设计了自适应非线性的交叉率和变异率；结合双精英保留策略和锦标赛策略，保证最优个体的遗传；使用双重停机条件，提高算法的搜索效率。最后，通过实验表明，该方法可以显著提高全局搜索能力，加快算法的收敛速度，有效提高卫星的观测效率。     

Time suboptimal formation flying manoeuvres through improved magnetic charged system search

The development of fast and reliable optimization algorithms is required in order to obtain real-time optimal trajectory on-board spacecraft. In addition, the wide spread of small satellites, due to their low costs, is leading to a greater number of satellite formations in space. This paper presents an Improved version of the Magnetic Charged System Search (IMCSS) metaheuristic algorithm to compute time-suboptimal manoeuvres for satellite formation flying. The proposed algorithm exploits some strategies aimed at improving the convergence to the optimum, such as the chaotic local search and the boundary handling technique, and it is able to self-tune its internal parameters and coefficients. Moreover, the inverse dynamics technique and the differential flatness approach, through the B-splines curves, are used to approximate the trajectory. The optimization procedure is applied to the circular J2 relative model developed by Schweighart and Sedwick and to the elliptical relative motion model developed by Yamanaka and Ankersen. The results of this paper show that the convergence is better achieved by using the proposed tools, thus proving the efficiency and reliability of the algorithm in solving some space engineering problems.     

一种基于莱维飞行的新型改进平衡全局优化算法

本文将莱维飞行（Lévy flight）和平衡优化算法（EO）相结合，提出了一种新型的全局优化算法（LEO）。该算法从平衡优化算法核心出发，采用莱维飞行轨迹实现了在探索和开发之间更好的平衡，并且可以有效防止算法陷入局部最优解。同时给出了新型全局优化算法的数学模型和算法流程，进一步保证了算法中全局搜索和局部开发之间平衡性。将该算法应用于基准测试函数求解以测试算法性能，通过与主流智能算法对比，优化结果表明新算法在解决优化问题方面表现更为优越，为更多工程问题的解决提供了新的思路。     

基于混合多智能体遗传算法的作业车间调度问题研究

针对作业车间调度问题(JSP)的非确定性多项式特性与解空间分布的大山谷属性,本文提出一种多智能体遗传算法(MAGA)与自适应模拟退火算法(ASA)的混合优化算法,用于寻找最大完工时间最短的调度。首先,将每个染色体视作独立的智能体并采用工序编码方式随机初始化每个智能体,结合多智能体协作与竞争理论设计了实现智能体之间交互作用的邻居交互算子,进而利用一定数量智能体进行全局搜索,找到多个适应度较高的可行解。其次,为避免算法陷入局部最优,采用ASA对每个智能体开展局部寻优。最后,通过基准测试库中典型实例的计算结果验证了该算法的有效性。