基于分区粒子群算法的焊接机器人路径规划

点焊机器人在焊接过程中通常要遍历很多焊点,如何规划焊接机器人的焊接路径已经成为焊接工艺的研究重点之一。当焊点数量达到一定程度时,使用传统的方法很难找到最优路径。焊接机器人的路径规划指标有很多,一般以路径距离最短或时间最少居多。以焊接路径距离最短为规划目标,利用改进的分区粒子群算法对焊接机器人的焊点路径进行规划,仿真结果验证了该方法的可行性。     

移动机器人路径规划的一种改进蚁群算法

提出了一种复杂静态环境下的移动机器人避碰路径规划的改进蚁群算法。基于栅格法的工作空间模型,模拟蚂蚁觅食行为,并针对移动机器人的路径规划的需要,将一些特殊功能赋予常规的蚁群算法。为了避免移动机器人的路径死锁,在路径搜索过程中,当蚂蚁探索到一个死角时,建立了相应的死角表,同时用惩罚函数来更新轨迹强度。仿真研究表明:该算法能明显改善路径规划性能,并且算法简单有效。     

基于PSO的人工势场法在移动机器人路径规划中的应用

针对栅格法环境模型下PSO算法的结果是一组离散的粒子,需要通过某种准则把离散的粒子变换为连续路径的问题,提出了一 种利用人工势场法把PSO规划的结果自行变换成连续路径的新方法。为了避免人工势场使机器人在障碍物附近产生震荡,采用均值滤 波的方法,规划出一条平滑最优路径。仿真结果表明：该算法能比较容易地得到最优路径,有效地避免路径的震荡现象,同时也可 以在变化的环境中寻找一条路径。     

基于改进蚁群算法的多目标Job-shop动态调度

实际作业车间调度中多目标的动态优化更符合生产的需求。利用多目标优化问题的Pareto解集思想构建最大完工时间最小以及总拖期时间最小的数学模型,以事件驱动作为动态调度策略实现作业车间的动态调度。采用多目标蚁群算法优化启发式算法,并对算法的转移概率及全局信息素更新进行改进,加快算法的搜索收敛速度同时避免陷入局部最优。仿真实验证明,改进后的算法能实现Pareto前沿较好的均匀性与分布性,对双目标调度以及单个目标独自调度时的甘特图对比,表明双目标优化算法能更好地平衡各个目标的解。最后对急件插入以及机器故障两种动态事件进行仿真,验证了改进蚁群算法在实际动态调度中有较好的实现。     

非满载车辆路径问题的改进粒子群优化算法

将局部版粒子群算法应用于非满载车辆路径问题,设计了一种实数编码方案,线性调整惯性权值,改进粒子更新公式,建立了解决该问题的粒子群算法。用该算法求解了两个车辆路径问题的算例,并与遗传算法和标准粒子群算法进行了比较。结果表明:该算法提高了搜索最优路径的成功率,能更有效地求解非满载车辆路径问题。     

改进的粒子群算法及其在带软时间窗车辆调度问题中的应用

针对微粒群优化算法容易陷入局部极值的缺陷,提出多相粒子群优化算法（Multi-phases Particle Swarm Optimization,MPSO）。建立了带软时间窗车辆调度问题数学模型,并将该方法运用于带软时间窗车辆调度路径优化。根据多相粒子群并行搜索的思想,给出MPSO算法在带软时间窗物流配送车辆调度路径优化的实现流程。仿真结果表明：多相粒子群算法可以快速、有效地求得车辆路径问题的优化解,是一种求解带软时间窗车辆路径问题的较好方案。     

基于花香浓度的人工蜂群算法在机器人路径规划中的应用

传统的人工蜂群算法是在一种较理想的环境中进行的,不会考虑风的阻力、长时间飞行找不到蜜源使体力下降等现实因素。本文提出了基于花香浓度的人工蜂群算法——FABC算法,在传统的人工蜂群算法中加入了步长和视野范围两个因素提升求解精度,并在侦查蜂阶段提出了花香浓度机制避免陷入局部最优,提高收敛速度。为了验证FABC算法的有效性,采用4个经典测试函数对FABC算法进行了仿真实验,并将实验结果与传统人工蜂群算法以及其他改进人工蜂群算法进行对比。最后将FABC算法应用到机器人路径规划仿真实验中,实验结果证明FABC算法能够有效地解决机器人路径规划问题。     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明：新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

基于栅格-几何混合地图的移动机器人分层路径规划

针对人工势场法中的死锁问题以及栅格地图中的可行空间损失问题, 提出了一种基于特征与栅格混合地图的分层路径规划方法。上层使用改进的A*算法在高粒度的栅格地图中找到基本路径,以此克服人工势场中的死锁以及传统A*算法的回溯问题。为减小人工势场的抖振问题, 提出了一种惯性人工势场法(IAPF), 并用 IAPF 在底层中对基本路径进行平滑处理。 仿真实验结果表明：该路径规划策略可以有效地降低计算消耗, 所规划的路径优于单纯的栅格法或惯性人工势场法。     

叠加支持向量机及其在醋酸精馏软测量中的应用

为了提高粒子群算法搜索精度和避免陷入局部最优,提出了一种改进的粒子群优化算法。一方面引入平均最好位置调整速度,使粒子可以利用更多的信息决策自己的行为;另一方面对引入的平均最好位置进行小波变异,增加算法的种群多样性。仿真实验结果表明：改进的粒子群算法具有寻优能力强、搜索精度高、稳定性好等特点。     

求解TSP问题的文化蚁群优化算法

将蚁群系统(Ant Colony System,ACS)纳入文化算法框架,提出了一种新的高效文化蚁群优化算法(Cultural Ant Colony System,CACS)。该计算模型包含基于蚁群系统的群体空间和基于当前最优解的信仰空间,两空间具有各自群体并独立并行演化。群体空间定期将最优解贡献给信仰空间,信仰空间采用随机2OPT交换操作,对最优解进行变异优化;经演化后的解个体用来对群体空间全局信息素更新,帮助指导群体空间的进化过程,从而达到提高种群的多样性、防止早熟、降低计算代价的目的。针对典型的旅行商问题（TSP）进行对比实验, 验证了所提出的算法在速度和精度方面优于传统的蚁群系统。     

基于蚁群算法的故障识别

提出了一种新的基于蚁群算法的故障诊断知识获取算法。该算法将故障诊断中故障的识别分类问题转化为求解带约束的最优化聚类问题，并应用改进的蚁群算法，基于群体的协作与学习求解这一聚类问题。将该方法应用于一化学反应器的故障诊断过程，结果表明该算法具有实现简单、收敛速度快、本质分布式并行性、鲁棒性强以及故障识别结果可靠等优点。     

基于综合评判的蚁群聚类分析

首先介绍聚类分析和蚁群算法的内涵,然后提出基于综合评判的蚁群聚类分析方法,该方法依据蚂蚁觅食寻路的聚类特性,将数据对象看作蚂蚁,相应的聚类中心看作食物源,利用综合评判值作为转移概率来确定数据对象的归属.聚类分析试验结果表明该聚类方法合理、有效、可靠.     

组合蚁群算法及其化工应用

针对连续空间优化问题,提出基于新型蚁群算法和模式搜索策略的组合蚁群优化算法。该算法将解空间的每维变量都划分成若干子域,根据每维变量各个子域中信息量占每维变量总信息量的比例来决定蚂蚁在各个子域间的转移,并在各子域中引入遗传操作实现蚂蚁品质的提升。同时,当最优解经过若干代没有改进时,对所有蚂蚁通过模式搜索策略加快收敛进程。以非线性连续优化问题为例进行仿真,结果表明:该方法比遗传算法具有更好的性能。最后,将该算法应用于反应动力学模型参数估计,取得良好的效果。     

基于变精度粗糙-模糊集模型的诊断知识获取

提出一种基于变精度粗糙-模糊集模型的诊断知识获取算法,利用相似性聚类方法自动获取模糊隶属函数,将连续属性表示成模糊值,通过定义模糊相似关系和模糊相似类给出了变精度粗糙-模糊模型的近似表示,并引入蚁群算法求取模糊相似关系下的属性约简,进行诊断知识的获取。将其应用于精对苯二甲酸生产过程尾氧浓度故障诊断知识获取中,结果表明:该算法可以从故障数据中提取更客观有效的诊断规则,在实际故障诊断中具有很好的应用价值。     

具有滚动优化特性的改进型蚁群算法及其在提前/拖期Job Shop问题中的应用

随着JIT生产管理技术的出现和发展,考虑工件提前拖期费用的生产调度问题已经成为人们研究的热点领域.本文对蚁群算法进行了有效的改进,在状态转移规则中引入了有限时段滚动优化的特点,并应用在解决带交货期窗口的提前/拖期Job Shop问题上,仿真实验验证了改进算法的有效性,给出了相应问题的最优值的演化曲线图与Gantt排序图.     

改进型蚁群算法在Job Shop问题中的应用

应用改进型蚁群算法解决车间作业调度问题。在原有标准蚁群算法的基础上采用了新的状态转移规则,讨论了各种不同的轨迹更新规则对仿真结果的影响,并通过统计数据验证了改进型蚁群算法优于标准的蚁群优化算法。由于算法中的参数对算法的求解效率和求解结果都有一定的影响,所以对此也进行了初步的研究,得到了运行较好的参数取值范围。