应用于卫星自主任务调度的改进遗传算法

针对具有侧摆能力的对地观测卫星的自主任务调度问题,对卫星自主任务调度问题和约束条件进行了描述,针对卫星自主任务调度NP-hard的特点,构建了基于目标收益及多约束卫星任务调度模型。设计了一种改进的遗传算法,从遗传操作的各个部分进行算法优化。首先将小区间法应用于初始种群生成,保证了种群的多样性,并且交叉和变异算子均引入自适应概率;同时采用两代竞争技术来避免“早熟”现象,提高算法的效率和鲁棒性。算法还采用最优保留策略用来保存进化中的最优解,使得算法收敛于全局最优。对局部多冲突观测任务应用该改进遗传算法,并针对区域密集目标的观测问题设计了仿真试验,与传统模拟退火算法及免疫蚁群遗传混合算法进行了比较,验证了该算法的有效性和收敛效果。     

基于改进蚁群算法的低空突防航迹规划

为保证低空突防的成功率,在航迹规划时必须设计出以最小的被发现概率及可接受的航程为目标的航迹.蚁群算法ACA(Ant Colony Algorithm)作为一种新型的模拟进化算法,适合用于航迹规划中最优航迹的搜索,但是算法存在搜索时间长、收敛速度慢、易陷于局部最优解的缺点,为了克服算法自身不足,提高算法性能,引入了遗传算法中变异操作和挥发系数的自适应调节,从而形成改进蚁群算法,最后结合建立的航迹规划性能指标,利用等概率寻优、原有蚁群算法和改进蚁群算法3种方法分别进行航迹规划,并通过比较和分析结果的时间花费和航路代价,验证了改进蚁群算法的有效性.      

基于云模型的自适应并行模拟退火遗传算法

针对遗传算法收敛速度慢,容易"早熟"等缺点,提出了一种改进的遗传算法,即基于云模型的自适应并行模拟退火遗传算法(PCASAGA,Adaptive Parallel Simulated Annealing Genetic Algorithms Based On Cloud Models).PCASAGA使用云模型实现交叉概率和变异概率的自适应调节;结合模拟退火避免遗传算法陷入局部最优;使用多种群优化机制实现算法的并行操作;使用英特尔推出的线程构造模块(TBB,Threading Building Blocks)并行技术,实现算法在多核计算机上的并行执行.理论分析和仿真结果表明:该算法比其他原有的或改进的遗传算法具有更快的收敛速度和更好的寻优结果,并且充分利用了当前计算机的多核资源.      

改进蚁群算法求解时变网络中最短路径问题

给出一种时变网络中蚁群算法的信息素更新策略,使边上残留信息素能够正确反映时变网络中边上权值的变化情况;改进了传统蚁群算法的相邻节点选择策略,使蚂蚁只需计算与当前节点存在直接路径的节点的转移概率,降低算法的计算量;将蚁群算法和遗传算法结合,将蚁群算法每次遍历后形成的解作为初始群种进行单点交叉计算,避免陷入局部最优解,提高算法收敛速度.仿真结果表明,改进的蚁群算法能够有效求解时变网络中最短路径问题,比传统蚁群算法得到全局最优解的概率更大,算法的收敛速度更高.     

机载公共设备综合管理系统任务分配算法研究

机载公共设备的综合管理是机载系统发展的必然方向,为解决机载公共设备综合管理系统中任务分配问题,进行了任务划分.根据周期任务和非周期任务对系统风险系数的贡献不同,提出了两层任务分配策略;以单机风险系数均衡为目标函数,设计了基于蚁群算法的周期任务分配算法.对蚁群算法进行了模糊自适应参数调整的改进,仿真结果表明改进算法能够有效地使蚁群算法从局部最优点中逃脱,解决任务分配问题.      

基于实数编码的改进遗传算法研究

针对遗传算法运算速度低、容易陷入局部最优值、早熟收敛等缺点,提出了基于实数编码的遗传算法的改进算法,对基于实数编码的遗传算法的选择、交叉、变异算子以及操作方法进行了改进,采用最佳保留选择策略、多算子交叉和变异,并且采用自适应变焦变异,改进后的交叉与变异操作,使算法始终保持了种群的多样性,同时也提高了寻优最终结果的精确性。实验表明基于实数编码的改进遗传算法(R IGA)有效的改善了遗传算法的缺点。     

基于实数编码的改进遗传算法研究

针对遗传算法运算速度低、容易陷入局部最优值、早熟收敛等缺点,提出了基于实数编码的遗传算法的改进算法,对基于实数编码的遗传算法的选择、交叉、变异算子以及操作方法进行了改进,采肘最佳保留选择策略、多算子交叉和变异,并且采用自适应变焦变异,改进后的交叉与变异操作,使算法始终保持了,种群的多样性,同时也提高了寻优最终结果的精确性。实验表明基于实数编码的改进遗传算法（RIGA）有效的改善了遗传算法的缺点。     

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。     

改进自适应人工免疫算法求解函数优化问题

为克服经典人工免疫算法（AIA）在函数优化过程中存在的计算量大、收敛精度不高和收敛速度较慢等不足,引入多个自适应免疫算子,提出了一种改进自适应人工免疫算法（IAAIA）。在经典人工免疫算法中,引入迭代次数对抗体激励度计算算子进行自适应设计,引入种群抗体平均激励度与抗体激励度对免疫选择算子、克隆算子、变异算子与克隆抑制算子进行自适应设计,提升人工免疫算法的收敛速度、收敛精度和稳定性。选择9个典型测试函数作为实验对象,同时选择4种典型人工免疫算法作为对比算法优化实验函数,对比实验结果表明了改进的自适应人工免疫算法在求解函数优化问题的有效性和优越性。      

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP, Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP,Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

应用改进果蝇优化算法的月面巡视器路径规划

文章针对果蝇优化算法易陷入局部最优的问题,对果蝇算法中的味道浓度判定值进行改进,并将其用于月球探测巡视器的动态路径规划。为验证算法的有效性,将改进果蝇优化算法与粒子群优化算法的路径规划寻优特性进行了仿真对比分析,结果表明改进果蝇优化算法具有良好的实时性,并有效解决了算法易陷入局部最优的问题。考虑到月球探测巡视器在沿规划路径进行月面巡视的过程中,有可能遇到未知障碍物的情况,提出了动态环境下月球巡视器遇到未知静态障碍物的避障策略。     

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。      

基于LM优化算法的神经网络在航空发动机转子故障诊断中的应用

针对传统BP算法存在的收敛速度慢以及容易陷入局部最小点等问题,给出了两种改进BP算法:LM(Levenberg-Marquardt)优化算法和SCG(Scaled Conjugate Gradient)算法,应用这两种算法对航空发动机转子故障进行诊断研究,比较它们之间的研究结果,仿真和实验表明LM优化算法比SCG算法具有更高的准确度和较快的收敛速度,可行性更强。     

基于混合遗传算法的多箱型集装箱装载问题分析

航空多箱型集装箱装载是实现快速、高效、安全航空货物运输的重要环节。针对现实约束条件下多种货物和箱型的集装箱多箱装载优化问题,搭建数学优化模型,提出一种求解货物装载布局方案的混合遗传算法,以达到充分利用集装箱装载空间的目的。采用三段式编码确定货物装载顺序、货物放置状态及集装箱编号,随机产生初始种群;在常规选择操作中加入最佳个体保护策略,并将重心、不重叠、承重约束考虑到适应度函数中,以此来评价解的优劣;加入模拟退火算子,用其突跳性避免遗传陷入局部最优的情况,进一步提高优化效果。通过算例对比表明,所提算法在满足多种约束条件下仍能保持较高的体积利用率,能够很好地解决强弱异构货物的装载;采用具体货物数据进一步验证算法的可行性与适用性,4种航空集装箱的平均体积利用率高于82%,表明所提算法能够有效解决规则和不规则多箱型集装箱的货物装载问题,具有较好的工程应用价值。      

基于云模型的全局最优化算法

基于云模型在定性概念与其定量数值表示之间转换过程中的优良特性,结合遗传算法的基本思想,提出一种自适应高精度快速随机搜索算法,并将之运用到函数寻优中.在定性知识的指导下该算法能够自适应控制搜索空间的范围,较好地避免了传统遗传算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题.算法易于实现,不存在遗传算法中的编码问题.试验结果表明该算法具有精度高、收敛速度快等优点.在众多优化问题上有广泛的应用前景.      

基于改进蚁群算法的月面机器人的路径规划及虚拟仿真

针对月面机器人在复杂地形下的路径规划问题,提出了一种改进的蚁群算法。算法构建了栅格化地形图,基于人工势场法改进了蚁群算法的启发函数,加快了算法收敛速度;引入空间信息素划分方法,提高了蚁群在最短路径附近区域的搜索能力;实验证明,改进后的蚁群算法,路径规划成功率显著提高,收敛速度加快。在算法规划出月面机器人的最短路径后,采用虚拟仿真技术,基于unity3D构建虚拟月面环境和月球车,直观地展示了月面机器人在月面环境下的路径规划效果。     

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。      

PSO选星算法参数分析与改进

多星座组合导航提供更多的可用卫星,但也增大接收机计算复杂度,选取部分可见星代替全部可见星进行接收机位置解算成为选星算法研究的热点。粒子群优化（PSO）选星算法将PSO算法引入到选星过程中,该方法能够减少选星时间,实现北斗/GPS组合星座快速选星。研究了该算法的关键参数包括惯性权重因子、加速系数、种群大小等对PSO选星算法性能的影响,并针对搜索过程容易陷入局部最优问题,提出自适应模拟退火粒子群优化（ASAPSO）选星算法,该算法通过引入随适应值大小自适应调整进化参数及结合模拟退火算法调整粒子速度,以增强算法跳出局部极值的能力。采用实际数据对算法进行验证,结果表明:ASAPSO选星算法在保证选星时间的同时,能够提高算法搜索结果的准确性,其性能优于PSO选星算法。