基于改进粒子群优化算法的巡航导弹航路规划

粒子群优化(PSO, Particle Swarm Optimization)算法是继遗传算法、蚁群算法之后的又一种新的群体智能算法,经常用于复杂问题的求解.由于其迭代公式是面向连续空间的,因此更适合解决非网格拓扑的航路规划问题.标准的粒子群优化算法在寻优的过程中容易出现早熟现象,针对这种现象,提出了一种改进的粒子群优化算法.改进算法根据相应的代价函数选择精英粒子和较差粒子,对较差粒子采用了带有动能补偿的速度更新策略,从而避免了寻优过程中的早熟现象;在单个粒子的运动方面引入了最差粒子的失败经验,让群体中粒子有效避开最差解.仿真表明:改进算法在航路规划的应用中具有更强的搜索能力,获得的航路代价在进化代数相同的前提下更小.      

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。      

基于混沌的改进粒子群优化粒子滤波算法

针对基本粒子滤波(PF)算法存在的粒子退化和重采样引起的粒子多样性丧失,导致粒子样本无法精确表示状态概率密度函数真实分布,提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量,将产生的变量映射到优化变量的区间提高粒子质量,并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO-PF)的性能进行仿真比较。结果表明:该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化粒子滤波,改善了算法的精度和跟踪性能。      

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。      

改进遗传算法在飞机总体参数优化中的应用

基于飞机总体参数设计中的多目标优化问题,提出了改进的多目标遗传算法.算法围绕Pareto最优解的概念,利用遗传算法的内在并行性,设法求取多目标优化问题的"Pareto前沿".将不同的改进遗传算法应用于同一干线客机总体参数优化设计中,要求巡航升阻比和有效载荷系数两个目标达到最大,并对各种算法所得的结果进行综合分析与比较,结果显示:基于Pareto排序的多目标优化算法(NSGA,Non-dominated Sorting Genetic Algorithm)的Pareto解最优,可以支配改进的向量评价遗传算法(VEGA,Vector-Evaluated Genetic Algorithm)和随机权重遗传算法(RWGA,Random-Weight Genetic Algorithm)的结果;而VEGA和RWGA的结果互有优劣.      

基于粒子群算法的多脉冲转移轨迹优化

通过引入Lambert算法处理终端约束条件,建立基于可行解迭代的多脉冲转移轨迹优化模型,采用粒子群算法优化最省燃料转移轨道,并对分别采用变轨点真近点角和变轨时刻作为设计变量的优化结果进行了对比分析.对相同的两脉冲、三脉冲轨道转移问题,优化结果验证了提出的优化模型和优化算法的正确高效性.仿真表明,使用变轨点真近点角为设计变量时优化效率和结果更好.     

基于人工蜂群算法的固定时间多脉冲交会

在两航天器交会问题中,采用多脉冲变轨策略往往能取得更小的燃料消耗.利用人工蜂群算法优化了航天器固定时间多脉冲交会问题,提出一种改进的人工蜂群算法.该方法能够简化时间约束的处理,能获得满足地球半径约束的解.该方法易于编程,鲁棒性强,可以应用到不同的摄动模型.仿真结果表明,该算法不易陷入局部最优,相比于粒子群算法和传统人工蜂群算法具有更高的求解精度.     

基于CPSO优化的空空导弹μ综合控制器设计

粒子群优化算法（PSO,Particle Swarm Optimization）在空空导弹μ综合控制器参数优化中易出现早熟现象而无法获得全局最优解.针对此问题,提出一种动态加速常数的粒子群优化算法（CPSO,Constant Particle Swarm Optimization）.改进算法通过对加速常数的指数形式变化,在寻优前期扩大搜索范围,在后期提高收敛效率,从而避免了寻优过程中的早熟现象.仿真结果表明,改进的CPSO优化算法具有更强的全局搜索能力,设计出的μ综合控制器具有更优的性能,满足给定的性能指标和自动设计指标,节省了大量设计时间,具有工程应用价值.     

基于MODPSO-GSA的协同空战武器目标分配

提出基于多目标决策理论的协同空战武器目标分配模型,并用进化多目标优化算法求解.空战是一个多阶段攻防过程,针对多数空战武器目标分配采用一次性完全分配、不考虑火力资源消耗等不足,构建多目标决策模型,在达到毁伤门限的前提下,同时对一次攻击后使敌编队的总期望剩余威胁最小和分配导弹消耗量最小两个目标函数寻优.提出用多目标离散粒子群-引力搜索算法(MODPSO-GSA)求解分配模型,该混合进化多目标优化算法结合二者优点,具有稳定的全局搜索能力并保证收敛到Pareto前沿.该算法可求得满足毁伤门限的不同耗弹量的分配方案最优解集以供指挥员决策参考.仿真算例验证了新模型及所提出MODPSO-GSA进化多目标优化求解算法的有效性.      

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。      

基于Tent映射的自适应混沌混合多目标遗传算法

提出一种Tent映射在计算机上实现的改进算法,有效解决了受计算机字长影响,Tent映射存在不动点和小周期的情况.将改进的Tent映射应用于混沌优化算法中,对基本NSGA-Ⅱ算法进行改进.使用混沌序列对初始种群赋值,提高算法收敛能力;使用改进的混沌搜索增强种群多样性;分别使用基本算法和改进算法对标准测试函数进行数值仿真.统计结果显示:改进的算法可以在保持高效率求解的同时,得到的非劣解在收敛性和多样性指标上均优于基本NSGA-Ⅱ算法.     

挠性航天器多目标鲁棒姿态控制的DPSO算法实现

复杂航天器高性能姿态控制是完成现代新型空间任务的基础,需兼顾鲁棒性、快速性、精度和控制能量等多目标要求,但目前大多数控制系统只针对某单一目标设计.针对大型挠性航天器多目标姿态控制问题,提出一种基于差分粒子群优化算法和输出反馈的鲁棒控制方法.首先,推导了含参数不确定性的系统动力学模型;然后,给出了差分粒子群优化算法的定义...     

全局最优导向模糊布谷鸟搜索算法及应用

针对标准布谷鸟搜索算法探索能力强而开发能力较弱、收敛速度慢及计算精度较差等问题,提出了具有全局最优导向的模糊布谷鸟搜索算法。在鸟窝更新公式中引入全局最优导向策略,在产生新的鸟窝位置时利用到当前最优鸟窝位置信息,以保持鸟窝的多样性并提高算法的开发能力。另外,采用模糊逻辑规则对布谷鸟算法中的搜索步长和外来鸟蛋被发现概率这2个重要参数进行自适应调整,以提高算法的全局收敛性能和求解精度。通过2个经典结构可靠性分析极限状态方程测试该算法的性能,并将其应用于某飞机舱门锁定机构可靠性分析中。实验结果表明,与粒子群算法、标准布谷鸟搜索算法和改进布谷鸟搜索算法相比,所提出的全局最优导向模糊布谷鸟搜索算法在进行可靠性分析中,能够有效地提高解的精度并增加收敛速度,寻优效果更优。      

基于M-AFSA的MPRM逻辑电路面积优化

现有基于传统智能优化算法的MPRM电路面积优化算法存在效果差的问题。由于MPRM电路面积优化属于组合优化问题，先提出一种多策略协同进化人工鱼群算法（MAFSA），该算法引入基于反向学习的种群初始化策略，以提高种群多样性及初始种群解的质量；引入觅食与追尾交互性策略，以加强人工鱼个体之间的信息交流、提高所提算法的收敛速度；引入自适应扰动策略，以增加人工鱼个体位置变异的随机性、避免所提算法陷入局部最优。此外，提出一种MPRM逻辑电路面积优化方法，利用所提算法来搜索电路面积最小的最佳极性。基于北卡罗莱纳州微电子中心（MCNC）Benchmark电路的实验结果表明：与遗传算法相比，所提算法优化电路平均面积百分比最高为57.24%，平均为39.57%；与人工鱼群算法相比，所提算法优化电路平均面积百分比最高为33.53%，平均为14.54%；与改进的人工鱼群算法相比，所提算法优化电路平均面积百分比最高为30.25%，平均为13.86%。