基于信息熵的布谷鸟搜索算法

针对布谷鸟搜索算法(CS)迭代过程中易陷入局部最优的问题,提出基于信息熵的改进布谷鸟算法,用种群中个体分量的信息熵加权来衡量个体的差异程度,从而赋予各分量不同的权重,降低个体盲目搜索过程,克服了CS算法搜索阶段易陷入局部最优和早熟收敛的缺陷.通过对8个典型的基准测试函数对算法进行了性能仿真测试,结果表明,改进的布谷鸟算法在收敛速度、寻优精度及鲁棒性等方面均具有一定优势.     

改进沙猫群优化算法的机器人路径规划

为了寻找更优的机器人移动路径,将沙猫群优化算法与三次样条插值方法进行融合,对沙猫群优化算法进行改进。在改进的沙猫群优化算法中,利用混沌映射的均匀性初始化种群以提高种群多样性;通过融合互利共生和莱维飞行策略减少局部最优解的消极影响,提高算法的收敛速度和精度。通过两种仿真实验对比6种优化算法的实验数据,结果表明,改进的沙猫群优化算法的最优解、最差解和平均解都优于对比算法,验证了改进沙猫群优化算法对于解决移动机器人路径规划问题的有效性和工程实用性。     

一种改进的粒子群算法研究

为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。     

一种改进的人工蜂群算法及其应用研究

针对传统的人工蜂群算法具有较强的勘探能力,但是算法局部开采能力较弱,演化后期收敛速度慢,容易陷入局部最优,提出了基于混沌算法和逆向学习算法相结合的初始化种群方法,有效改进种群的多样性;提出了一种新型的搜索策略来改进观察峰与侦察蜂的搜索过程,加快了算法的收敛速度;通过5个标准函数进行测试,文中算法在搜索效率、最优解质量、稳定性均优于传统的人工蜂群算法.     

一种改进蚁群算法的移动机器人路径规划

路径规划是移动机器人运动控制中的关键问题。针对传统蚁群算法在机器人全局路径规划中存在收敛速度慢、易陷入局部最优等缺点,提出一种改进型蚁群路径规划算法。首先,通过栅格法建立机器人运动环境模型,然后在传统蚁群算法基础上引入A*搜索算法的估价函数思想,改进蚁群算法的启发函数,增加目标节点与可选行进节点数对启发函数的影响。其次,在信息素更新公式中,通过引入Logistic增长函数对信息素挥发因子作自适应调整,提高算法速度与精度。最后,通过Matlab仿真实验证明,改进蚁群算法比传统算法在路径搜索速度和精度上都有较大提升。     

一种基于叠加Logistic映射分布的FWA-PSO新算法

为了解决传统粒子群算法早熟收敛陷入局部最优、粒子中期震荡及收敛结果不精确的问题,提出一种基于叠加Logistic映射分布的FWA-PSO算法对其进行改进。具体方法是：叠加Logistic映射用于对粒子位置的混沌初始化,在粒子数量一定的情况下,平衡最大遍历路径与最快收敛速度;引入FWA算法,同时根据迭代次数与粒子位置标准差,基于惩罚机制非线性调整爆炸半径r、惯性权重w、个体学习因子c1和社会学习因子c2,融合高斯变异算子与循环单维度寻优策略,在维系粒子群多样性的同时,也能避免粒子越过最优解。实验结果表明：FWA-PSO算法针对单峰函数50次平均值均能达到最优解0,证明了算法的稳定性与可靠性;对于多峰函数,FWA-PSO算法也能求得最优解,证明该算法可跳出局部最优,得到全局最优解。     

基于基因库的最优个体保存遗传算法

针对一般最优个体保存方法的缺陷,提出了一种基于基因库的最优个体保存遗传算法。其基本思想是:对每代种群建立一个基因库,将该代种群中的若干较优个体存入基因库;对每个基因库设定一个距离di,将基因库中的较优个体与最优个体进行距离比较,然后将距离大于di的较优个体保留在基因库中,而将距离小于di的较优个体剔除出基因库。数值计算表明,这种新的算法既提高了收敛速度,又提高了种群的多样性,避免了过早收敛于局部最优解的现象。     

CSSA-DWNN算法的机器人焊接工艺参数优化研究

使用机器人进行焊接作业是提升工业生产效率的重要手段，合理的工艺参数是保障机器人焊接质量的关键。针对现有焊接工艺参数优化方法易陷入局部最小、训练时间长、拟合精度不高的问题，提出了一种混沌麻雀搜索算法优化双权值神经网络的新算法。该方法利用混沌麻雀搜索算法的全局搜索能力为双权值神经网络的方向权值、核心权值、幅值选取最优参数。提出了基于新算法的焊接工艺参数优化方法，建立焊接工艺参数与焊接质量之间的映射模型，获取最优焊接参数。分别采用模拟数据与实测激光焊接实验数据对所提方法进行测试，结果表明，混沌麻雀搜索算法优化的双权值神经网络迭代速度快、拟合精度高，较传统的双权值神经网络和径向基神经网络性能更优，适用于工业生产中焊接机器人工艺参数的高效设定。     

基于二次插值法的布谷鸟搜索算法研究

对基本的布谷鸟搜索算法(Cuckoo Search,CS)进行研究,为改进CS算法局部搜索能力差、进化后期收敛速度慢、求解精度低等缺陷,考虑到二次插值法是一种局部搜索能力较强的搜索方法,提出一种基于二次插值法的布谷鸟搜索算法(QI_CS)。新算法充分利用鸟窝个体局部的优化信息,增强算法的局部搜索能力,加快算法搜索全局最优解的收敛速度。仿真实验结果表明,QI_CS算法在保持原算法的强大全局寻优能力的基础上大幅提高算法的收敛能力和求解精度,是求解多峰函数优化问题的一种可行和有效的方法。     

融合 Rosenbrock 搜索法的混合粒子群算法

为克服粒子群算法在处理复杂高维问题时易陷入局部最优及寻优精度低等缺陷,提出一种融合 Rosenbrock 搜索法的混合粒子群算法。首先,利用 Tent 混沌序列进行种群初始化;其次,采用去速度项的简化粒子群公式提高收敛速度并对个体极值加入扰动,增强粒子种群多样性;最后,当全局最优个体更新停滞时,利用Rosenbrock 搜索法对全局最优个体进行局部搜索,提高解的精度。利用 8 个常用基准测试函数分别对 30 维和50 维问题进行实验,证实该算法可寻到病态函数 Rosenbrock 全局最优值,且比其它 7 个函数的寻优精度提高10-2 数量级。实验证明该算法收敛速度快,解的精度高,全局搜索能力强,寻优能力明显提高。     

APG算法在TSP优化中的应用

为解决蚁群算法（ACO）求解TSP收敛速度缓慢、易陷入局部最优的问题,提出一种基于蚁群的融合算法（APG）。首先在ACO的初始种群中引入精英策略,获得精英路径并构建精英可行解空间;其次引入PSO模型,令精英可行解作为PSO的初始种群,加入GA中的进化策略,使粒子与Gbest进行交叉操作,再使交叉操作后的粒子发生变异,得到第二次优化的可行解空间;最后更新ACO信息素,完成一次ACO优化迭代过程。通过APG在TSPLIB中不同实例的验证,结果表明,APG算法较其它路径优化算法能够得到更优路径。     

基于神经网络的移动机器人路径规划研究

利用一种并列连接的神经网络结构对移动机器人路径进行规划,并把神经网络与模拟退火算法相结合,解决了局部极值问题,最终收敛到全局最优解。计算机仿真研究表明:模拟退火算法具有计算简单,初值鲁棒性强以及通用易实现等优点。     

一种新型自适应遗传算法在多峰函数优化中的应用

为解决传统遗传算法在一维多峰函数优化中容易陷入局部极值、收敛概率低、稳定性不理想等问题,提出了一种新型的自适应遗传算法。结合自适应差分进化算法流程,提出了一种基于种群适应度变化程度而变化的非线性交叉算子和变异算子,使算法跳出局部极值,寻找到全局最优解,提升最优值迭代效率。函数测试实验表明,在一维多峰函数优化中,该算法在函数收敛概率、最优值迭代效率以及稳定性上比已有算法均有提高。     

基于改进蚁群算法的 AGV 路径规划研究

近年来,自动导引机器人（AGV）一直是研究的热点问题,其中复杂路径规划为研究重点。为了更好地规划机器人路径,提出一种改进蚁群算法,该算法在传统蚁群算法基础上充分利用了 MMAS 算法的特点。首 先,构建网格环境模型,引入算法概率函数和抑制因子,通过改变算法的启发式信息,加快算法收敛速度|其次,引入回退机制解决死锁问题,再将 MMAS 蚂蚁系统转化为局部扩散信息素,只有迭代试验的最优解才能加入到信息素更新中|最后,有效限制信息素浓度,避免发生搜索路径过早收敛现象。仿真实验结果表明,改进蚁群算法与传统蚁群算法相比,迭代次数减少 45.6%,时间缩短 46.2%,改进蚁群算法收敛速度更快、效率更高。     

一种改进的全局和声搜索算法求解函数优化问题

针对和声搜索算法的早期收敛速度快,后期收敛慢,容易陷入局部最优解的问题,本文提出了一种改进的全局和声搜索算法.该算法对标准和声搜索算法作了三点改进,首先在和声记忆库初始化时采用反向学习策略,提高初始解的质量,提高收敛速度,其次,采用动态方式调整参数,第三,利用当前和声记忆库中的全局最优解产生新解,提高全局搜索能力.采用该算法对6个标准的测试函数进行优化,结果表明,该算法避免算法的早熟和增强算法的全局搜索能力,具有较好的优化性能.     

权值自适应的局部路径规划方法及应用

移动机器人在工业生产和社会生活中逐步得到应用。路径规划是移动机器人完成其任务的前提和基础,也是机器人导航的核心技术。针对移动机器人在现有局部路径规划中无法自适应复杂环境、规划路径不合理等问题,提出基于权值自适应的局部路径规划方法。利用传感器信息自动获取合理的目标函数权值,实现具有较高实时性、安全性和鲁棒性的局部路径规划。实验结果表明,改进的动态窗口法能有效自适应复杂环境,规划的路径安全、合理、平滑,算法效率明显提升,计算量和迭代次数明显减少,总运行时间缩短20%以上。     

基于层级交流机制的混合蛙跳算法

针对混合蛙跳算法收敛速度慢,求解精度不高且易于早熟的缺点,提出了一种新的基于层间交流机制的混合蛙跳算法。该算法在原混合蛙跳算法的基础上增加了层间交流机制,使得群中的个体能够进行纵向学习,增强了个体之间信息共享,有利于增强全局搜索能力;并且在对最差青蛙更新的过程中添加了自旋操作,保证了算法后期的多样性,减少了其陷入局部最优的概率。实验结果表明,在6个常用的测试函数上,该算法相比于混合蛙跳算法都取得了较优的结果。     

自适应调整布谷鸟搜索算法研究

布谷鸟算法是基于启发式搜索的智能仿生算法。传统的布谷鸟算法收敛速度较慢,容易陷入局部最优解。针对该算法特点,对算法原理进行了分析,并就算法中步长和发现概率两个控制因素进行改进,使其根据迭代次数动态变化,提出了具有自适应调整特点的搜索算法,改变了步长和发现概率相应的更新方式,避免了传统布谷鸟算法容易陷入局部最优的缺陷,以增强算法搜索性能。实验对比表明,自适应调整的布谷鸟算法具有更好的寻优性能。     

基于改进蚁群算法的AGV全局路径规划

目的:针对传统蚁群算法存在易陷入局部最优值、前期盲目搜索和收敛速度慢等问题,提出一种改进算法并应用于AGV(Automated Guided Vehicles)全局路径规划。方法:通过优化状态转移概率以及信息素更新方法完成对传统蚁群算法的改进;然后建立环境地图模型,并将改进算法应用于AGV路径规划;最后进行对比试验,并分析算法的改进效果。结果:与现有算法比较,改进算法可更快获得更短的规划路径长度,同时可有效减少算法迭代次数。结论:通过优化状态转移概率和信息素更新方法,可有效加快蚁群算法的收敛速度,增强蚁群全局搜索能力。     

一种基于佳点集原理与引力搜索的新型蜻蜓算法

为改进标准蜻蜓算法（DA）存在的收敛质量不高、全局寻优能力欠佳、易陷入局部最优等问题，利用基于佳点集原理的方法初始化种群，将其与万有引力搜索算法（GSA）结合，改进步长更新公式，并引入考虑维度变化的更新全局最优解方法，提出一种新的改进蜻蜓算法（DGSDA）。通过对10个测试函数的测试结果表明，改进后的DGSDA收敛速度快，全局寻优能力强，寻优精度高。