基于自适应状态聚集Q学习的移动机器人动态规划方法

针对现有移动机器人路径规划方法存在的收敛速度慢和难以进行在线规划的问题,研究了一种基于状态聚集SOM网和带资格迹Q学习的移动机器人路径动态规划方法——SQ(λ);首先,设计了系统的总体闭环规划模型,将整个系统分为前端(状态聚集)和后端(路径规划);然后,在传统的SOM基础上增加输出层构建出三层的SOM网实现对移动机器人状态的聚集,并给出了三层SOM网的训练算法;最后,基于聚集的状态提出了一种基于带资格迹和探索因子自适应变化的改进Q学习算法实现最优策略的获取,并能根据改进Q学习算法的收敛速度自适应地控制前端SOM输出层神经元的增减,从而改进整体算法的收敛性能;仿真实验表明:文中设计的SQ(λ)能有效地实现移动机器人的路径规划,较其它算法相比,具有收敛速度快和寻优能力强的优点,具有较大的优越性。     

一种基于并行混沌和SFLA的风电电网无功优化模型设计

针对已有方法在解决电网无功优化时,由于系统的无功不足和电网电压的不稳定,容易过早收敛到局部最优解的缺点,设计了一种基于并行混沌和混合蛙跳算法 (Shuffle Frog Leaping Algorithm, SFLA)的电网无功优化模型。首先,建立了最小化有功网损、最大化静态电压稳定裕度和最大化无功补偿单位投资收益的多目标数学优化模型,然后,对经典的SFLA进行改进,通过引入精英协同进化机制和划分种群的方式实现并行寻优,从而增加个体的多样性和加快最优解的求取速度,在不同种群中设计不同的适应度函数和个体更新进化方法。为了使得算法的初始解分布更为均匀,引入用混沌机制来对种群进行初始化,最后,对基于并行混沌和SFLA的总体算法进行了设计和分析。在Matlab环境下进行实验,实验结果表明文中方法得到的优化结果具有电网有功损耗小、单位投资收益高和静态电压稳定裕度大的优点,具有较强的可行性和适应性。     

用于认知无线电协作频谱感知的混合蛙跳算法群体初始化技术

提出了一种用于认知无线电线性加权协作频谱感知的改进混合蛙跳算法(shuffled frog leaping algorithm, SFLA) 的群体初始化技术, 提出在SFLA初始群体中包含基于修正偏差因子所得的解, 从而改进算法初期性能. 仿真结果表明相比于传统群体初始化技术, 本文所提出的群体初始化技术能够以更快的速率得到期望解, 从而节约计算时间, 更有利于实时应用 关键词： 认知无线电 频谱感知 混合蛙跳算法 群体初始化     

基于移动Agent和混合蛙跳算法的网格计算资源管理

为了克服传统网格系统采用Globus集中式模型或P2P网络分布式模型具有的无法兼顾全局控制性和扩展性的问题,提出了一种基于移动Agent和混合蛙跳算法的网格资源管理模型;首先,引入移动Agent将资源管理模型划分为应用管理模块、资源管理模块和资源表示模块,然后通过在经典的混合蛙跳算法加入差分扰动设计了一种改进的混合蛙跳算法,最后,在资源管理模块中的资源分配Agent中运行改进的混合蛙跳算法实现用户任务到资源的调度;采用GridSim工具进行仿真,实验结果表明,文中的资源管理模型具有较强的全局控制能力和扩展性能,资源利用率高达95.65%,较其它方法具有较小的时间跨度和较高的资源利用率,是一种适用于网格环境的有效资源管理模型。     

基于模糊K均值聚类和Sarsa(λ)算法的自适应爬壁机器人路径规划

针对现有爬壁机器人规划算法难以实现在线自适应高效规划的问题,设计了一种基于模糊K-Means算法和经典Sarsa(λ)算法自适应爬壁机器人规划算法;首先,对爬壁机器人的动力学模型进行了建模和分析,然后,对爬壁机器人规划中的状态进行自适应聚集从而实现值函数的近似,设计了K值可变的改进模糊K均值聚类算法对状态进行自适应地在线聚类,将聚类中心对应的值函数作为整个聚类所有数据对象的值函数的近似值,最后,对基于模糊K均值聚类算法和Sarsa(λ)算法的爬壁机器人在线规划算法进行了定义和描述,在MATLAB环境下对简单障碍物场景和复杂障碍物场景分别仿真实验,实验结果表明文中方法能有效地进行路径规划,随着情节数的增加,规划结果逐渐收敛到最优值,同时在环境变化时,收敛效果不受影响,具有较好的稳定性,是一种高效地实现爬壁机器人在线规划的方法。     

基于改进交叉熵算法的随机需求车辆路径设计方法

传统的车辆路径规划方法无法有效地应对实时在线客户需求量随机变化的情形且收敛速度过慢,为了克服其缺点,设计了一种基于蒙特卡罗和重要性采样的交叉熵车辆路径规划方法;首先对随机动态车辆路径规划问题进行了数学建模,然后,描述了蒙特卡罗和交叉熵算法实现稀有事件概率估计的原理,并引入Tsallis熵实现对传统交叉熵的改进,采用蒙特卡罗多次采样获得的费用期望作为路径真实费用的估计值,通过交叉熵算法对重要性概率密度函数和分位数进行不断更新,以增加重要样本获取的概率,从而实现最优路径的获取;最后定义了具体的基于Tsallis熵的随机动态车辆路径规划方法;在MATLAB仿真工具下进行试验,结果表明文中方法能有效地解决随机动态车辆路径问题,与其它方法相比,具有收敛速度快和收敛精度高的优点,是一种有效的随机动态车辆路径规划方法。     

基于混合蛙跳算法的时序电路测试生成

阐述了将混合蛙跳算法应用在时序电路自动测试生成的实现方法和结果;根据时序电路自身的结构特点,构造了测试生成的混合蛙跳表达方式,设计了自动测试生成离散混合蛙跳模型,通过群体中青蛙间的合作和竞争产生的群智能指导快速优化收敛;最后,根据国际标准时序电路进行了验证试验;结果表明,与同类算法相比,该算法获得了较小的测试集和较高的故障覆盖率。     

基于改进蛙跳算法的无线传感器网络覆盖优化

针对传统算法在解决无线传感器网络覆盖优化上存在的覆盖率较低和节点分布不够均匀的问题,提出了一种改进的蛙跳算法;为了同时达到增加算法的种群多样性和加快算法收敛速度的目的,改进蛙跳算法分别增加了个体高斯学习机制和根据粒子群思想改进的更新策略,让族内最差个体在自身附近进行局部搜索,若无效,则使族内最差个体同时向族内最优个体和全局最优个体学习;在性能评估实验中,对改进的蛙跳算法分别进行了标准函数测试和无线传感器网络覆盖优化测试;测试结果表明,在6个标准测试函数中,改进的蛙跳算法与其他算法相比在4个测试函数上的收敛精度有了明显提高;在无线传感器网络覆盖优化中,改进的蛙跳算法也能够使节点分布更加均匀,使网络覆盖率达到了85.6%。      

改进蚁群算法的局部信息动态路径规划

针对传统蚁群算法收敛速度慢、对动态路径变化适应性低的局限性,提出了一种基于局部信息获取策略的动态改进型蚁群算法。该算法利用局部信息获取策略,进行最优局部目标点的获取,然后调用改进蚁群算法获取局部区域内的最优路径,再重复循环获取新的最优局部目标点,直到找到全局目标点。与此同时,将提出的改进型蚁群算法应用于动态路径规划中的路径寻优与避障,仿真结果表明：提出的算法在具有与传统蚁群算法相当的路径优化效果的同时,能够有效适应障碍变化、大大提高了路径规划的收敛速度。     

基于IAGA的空间测量定位系统测站优化部署

空间测量定位系统是一种基于光电扫描的角度交汇测量系统,由于该系统是在多测站协同作用下实现坐标测量,因此测站的布局优化是应用时面临的重要问题。为了解决该问题,提出了一种基于改进自适应遗传算法的测站优化部署方案。以系统定位精度、覆盖度和使用成本作为多目标优化函数;将进化代数衰减因子与自适应遗传算法相结合,根据多目标函数建立改进自适应遗传算法优化流程;对2~4个测站进行仿真优化分析。仿真结果表明,与传统自适应遗传算法相比,该方法能在10~20代内收敛到最优解并获得更优的目标函数值。因此该方法在空间布局优化设计中能有效提高系统的测量性能。     

基于模糊距离和DS证据融合的清洁机器人定位设计

针对现有清洁机器人定位算法具有的定位精度不高且难以保证在线定位的实时性问题,设计了一种基于模糊距离和DS(DEMPSTER-SHAFER)证据融合的清洁机器人自定位算法。首先,对清洁机器人的总体结构进行了建模和分析,并对其进行硬件设计,为了实现清洁机器人的实时精确定位,采用DS证据数据融合方法对多传感器采集的数据进行有效数据融合,为了进一步提高其精确性,引入了模糊距离,定义当前传感器采集数据与理想结果之间的距离,根据距模糊距离的大小自适应地调大或减少传感器采集数据分配信度的权重,将加权信度作为新的信度进行融合得到最终的融合结果。在不同的场地中进行实际试验,对文中设计的清洁机器人进行实际定位,实验结果表明文中方法能有效地进行定位,较经典的DS证据融合和其它方法具有较高的定位精度,且具有较小的时间复杂度和空间复杂度, 具有较大的优越性。     

基于改进混合蛙跳算法的认知无线电协作频谱感知

提出了一种改进的混合蛙跳算法（shuffled frog leaping algorithm,SFLA）,并提出了基于改进SFLA的认知无线电协作频谱感知方法,通过仿真对改进SFLA算法性能与传统SFLA算法性能进行了比较,并对本文提出的基于改进SFLA的协作感知方法与已有的基于修正偏差因子（modified deflection coefficient,MDC）的协作感知方法性能进行了比较.结果表明改进SFLA算法性能优于传统SFLA;基于改进SFLA的协作感知方法比MDC方法能获得更大的检测概率,验证 关键词： 认知无线电 频谱感知 混合蛙跳算法     

基于近似模型的透平机械多目标优化

本文研究了采用多目标优化算法NSGA—II与前馈神经网络的耦合优化方法的收敛性问题。提出了一种改进的拥挤距离和coarse-to-fine的迭代策略,有效地解决了原耦合方法不收敛的问题。在此基础上,提出了基于数值模拟和耦合优化方法的多目标气动设计框架,并对转子37进行了三目标优化。优化结果表明,多目标优化结果的气动性能...     

Dammann光栅在光互连中的应用

本文将Ｄａｍｍａｎｎ光栅［１，２］应用于光互连，提出了用Ｄａｍｍａｎｎ光栅实现完全混洗的方法．一个２×２的Ｄａｍｍａｎｎ光栅与一个成像透镜的组合，具有与四焦点透镜类似的成像作用．像面上，像的位置与Ｄａｍｍａｎｎ光栅的位置有关，适当选择光栅的位置可以实现不同元素数目及不同元素密度的完全混洗．本文给出了有关的理论推导及实验结果．     

Cooperative spectrum sensing based on a modified shuffled frog leaping algorithm in 5G network

The explosion of different types of wireless communications is leading to an impending spectrum famine. As a result, spectrum sensing has gained increasing interest from governments, industry and regulators. In this paper, a novel approach for cooperative spectrum sensing is proposed based on a modified shuffled frog leaping algorithm (SFLA). This approach is to fuse the perceived results of multiple nodes, and to improve the detection reliability. Simulations are used to compare the performance of the modified SFLA to the conventional one. The performance of the proposed cooperative spectrum sensing method based on the modified SFLA and that of the cooperative spectrum sensing method using modified deflection coefficient (MDC) are also compared. Results show that the proposed SFLA outperforms the traditional SFLA, and the proposed cooperative spectrum sensing method based on the modified SFLA gives higher miss detection probability than the MDC-based method, which validates the effectiveness of the modified SFLA-based cooperative sensing method.     

An Improved K-Means Algorithm Based on Evidence Distance

The main influencing factors of the clustering effect of the k-means algorithm are the selection of the initial clustering center and the distance measurement between the sample points. The traditional k-mean algorithm uses Euclidean distance to measure the distance between sample points, thus it suffers from low differentiation of attributes between sample points and is prone to local optimal solutions. For this feature, this paper proposes an improved k-means algorithm based on evidence distance. Firstly, the attribute values of sample points are modelled as the basic probability assignment (BPA) of sample points. Then, the traditional Euclidean distance is replaced by the evidence distance for measuring the distance between sample points, and finally k-means clustering is carried out using UCI data. Experimental comparisons are made with the traditional k-means algorithm, the k-means algorithm based on the aggregation distance parameter, and the Gaussian mixture model. The experimental results show that the improved k-means algorithm based on evidence distance proposed in this paper has a better clustering effect and the convergence of the algorithm is also better.     

基于改进的二维指数熵及混沌粒子群的阈值分割

鉴于现常用的灰度级—平均灰度级二维直方图区域划分存在明显的不足,提出了基于灰度级—梯度二维直方图的指数熵阈值选取方法,给出了基于改进的二维直方图的指数熵阈值选取公式,并利用混沌粒子群优化算法寻找最佳分割阈值,采用递推方式降低迭代过程中适应度函数的计算代价。实验结果表明,与现有的有关算法相比,该方法不仅使分割后的图像区域内部更均匀、边界形状更准确、特征细节更清晰,而且使计算效率及粒子群的收敛精度得到提高。     

利用频域β-warping变换的浅海修正纯方位目标运动分析方法

针对纯方位目标运动分析方法收敛时间较长的问题,提出了一种利用频域β-warping变换的浅海修正纯方位目标运动分析方法.该方法利用频域β-warping变换从声强干涉结构中提取与目标距离成线性关系的时延,进而估计距离特征量,并利用距离特征量推导得到的目标状态向量的线性约束修正纯方位扩展卡尔曼滤波算法。数值仿真结果表明,对于浅海匀速直线运动目标,在信噪比不低于8 dB的情况下,与常规纯方位扩展卡尔曼滤波算法相比,改进算法将距离估计的收敛时间由26.5 min缩短至11.5 min.在浅海水平不变波导远场条件下,该方法可以快速稳定地估计距离特征量,并能够对目标进行可靠地跟踪定位。