摘要：在对交通参数数据进行聚类分析时,传统K均值聚类(KMC)存在聚类中心初始化过程随机性较大,聚类边界划分不清晰且迭代速度慢、易陷入局部最优解等问题。针对这些问题,提出了一种基于多策略自适应繁衍传递鹈鹕算法(MARPOA)优化的KMC交叉迭代聚类算法(MARPOA-KMC),实现对交通运行状态的准确划分。首先,设计了一种聚拢映射法,解决了KMC随机初始化引起的交通状态聚类结果不稳定问题;然后,通过多策略自适应繁衍传递来修正当前代最优解,解决了鹈鹕算法搜索路径单一带来的全局寻优能力差和搜索精度不足的问题;最后,将MARPOA引入KMC优化寻找聚类中心的过程,提高了聚类精度。利用标准测试函数对MARPOA、POA、SSA、GWO、MFO算法进行比较,由性能指标可以看出,提出的MARPOA相较于其他比较算法,在收敛速度和精度等方面都表现最佳。由PeMSD8公开交通数据集上的验证结果可知,相对于比较算法,提出的MARPOA-KMC算法能够更快速、准确地划分交通运行状态。

摘要：针对钢管柔性生产的入口段张力控制问题,采用模糊控制方法,研究了由多台电机组成的恒张力控制系统模型,并给出了相应的二维模糊控制器设计方案,在此基础上完成了实验平台的搭建和算法的梯形图实现工作。SIMULINK仿真显示系统的超调量Mp<16%,调节时间小于35Ts,上升时间约为7Ts,结果表明所采用的模糊控制算法满足控制要求。测试表明改进后的控制器能够满足实际系统快速、稳定、准确的控制要求。

摘要：针对无人机在三维路径规划时存在搜素范围和寻优性能不足等问题,以及现有黏菌算法(SMA)寻优精度不足,易陷入局部最优的缺陷,提出了一种基于自适应黏菌算法(GSMA)优化的无人机三维路径规划方法.首先,根据无人机经过的实际环境,建立三维地形、威胁源和无人机自身约束条件;其次,针对搜素范围不足的问题,设计改进的Logistic混沌映射增加种群的多样性并扩大搜索范围,提升了SMA的全局搜索能力;然后,设计一种非线性自适应惯性权重因子,将线性收敛方式改进为非线性收敛,利用权重值更新黏菌位置,提高了收敛速度;最后,在算法后期中设计自适应柯西变异,增大了黏菌的搜索空间,寻优精度也得到了提高.实验结果表明,GSMA相比于灰狼优化(GWO)算法、SMA和海鸥算法(SOA)3种算法,路径更短且更平滑,收敛速度更快,寻优精度更高,同时能耗更低,进一步提升了无人机的路径规划能力.

摘要：研究了群体智能算法与目标跟踪相关的机理,提取了跟踪区域快速方向梯度直方图(FHOG)作为特征模板,利用食肉植物算法在图像搜索区域搜寻目标位置,基于巴氏距离作为模板匹配的相似度函数设计了一种食肉植物算法跟踪框架;考虑到实际跟踪过程的遮挡、背景杂乱等复杂状况,设计了一种短期记忆模块来预测跟踪过程中食肉植物算法的初始化个体,该模块采用高斯分布方式,利用视频序列前2帧中目标位置来预测运动轨迹;为更好地利用食肉植物算法优化目标跟踪,在迭代过程中设计了一种随机跟随策略与种群划分机制,并作为搜索策略引入跟踪框架中;为弥补方向梯度直方图单特征对目标的表述能力不强的问题,在FHOG基础上融合了ResNet-50中的Conv2-1与Conv4-1两层特征,并在融合特征的基础上设计了一种自适应学习率动态更新模板;在种群维度上添加二维比例感知因子,使得目标窗口的长宽比各自变化,更好适应目标窗口的尺度变化。研究结果表明:随机跟随策略和种群划分机制的引入显著改善了食肉植物算法的迭代速度和寻优能力;融合特征和自适应模板更新增强了目标特征表述能力,解决了由于遮挡等情况学习到大量无效信息,从而导致特征模板退化的问题;算法在跟踪UAV123中几个具有挑战性的车辆视频序列时性能优越,精确度和成功率分别为0.81和0.58,速度为每秒11.05帧;与同类算法相比,跟踪精度和鲁棒性均有大幅提升,能够适应复杂场景中的环境变化,对目标车辆长期保持稳定跟踪。

摘要：RoboCup是研究动态环境中的机器人自主决策的典型平台.针对5v5标准平台组足球比赛角色行为的多态性,采用面向对象方法建模并设计不同的策略,减少了程序设计的复杂度和降低了逻辑推理难度.同时考虑上层策略是比赛成功的关键,提出一种在B-Human框架下能够兼顾多种比赛环境信息的多状态Petri网建模策略.该方法通过建立精确的数学模型,实现了机器人运动中的各状态协调运行,在SimRobot仿真平台下与基本状态机模型相比,减少了任务规划时间和提高了成功率.最后在标准平台组足球赛场中验证了该策略的可行性和正确性.

摘要：针对传统方法在车型信息数据聚类过程中受初始化中心点的影响较大导致聚类精度低、鲁棒性差以及在迭代过程中求取均值选择聚类中心受离群点影响大的问题,提出了一种DHSSA优化的K均值互补迭代车型信息数据聚类方法。首先,针对SSA算法中发现者位置更新不足和种群多样性不足的问题,设计了一种扰动因子-领头雀优化策略,通过自适应领头雀策略加强了最优个体的影响力,利用扰动因子扩大搜索空间,提升了寻找聚类中心的准确率;其次,设计了基于筛选最大最小距离积方法 SMMP优化聚类中心的初始化,在MMP基础上增加了筛选机制,使初始化的中心尽可能更均匀地分布在每个簇中;最后,融合DHSSA和SMMP来优化K均值互补迭代,在减小迭代次数的同时增加搜索效率,得到较好的聚类结果。利用多种数据集进行测试,通过试验结果中的收敛曲线和性能指标可以看出,提出的DHSSA-KMC方法相对于SSA-KMC、IMFO-KMC、KMC和KMC++具有更高的搜索精度、收敛速度和更低的聚类代价,并且耗时相对于SSA-KMC和IMFO-KMC有所减少,证明了算法的有效性和优越性。在车型信息数据处理过程中,DHSSA-KMC可以高效聚类生成竞品车型供消费者选择,应用价值明显。

摘要：对空气质量数据进行聚类,传统聚类方法因受初始点的影响,存在随机性高、聚类精度低以及多个中心点出现在同一簇中的问题,为此提出了一种反向学习差分进化天鹰优化器(RLDEAO)优化的K-means互补迭代空气质量数据聚类方法。天鹰优化器(aquila optimizer,AO)算法具有很强的探索能力,不易受初始点的影响且更易实现,但易陷入局部最优。基于自适应逐维小孔成像反向学习策略、停滞扰动结合莱维飞行策略以及生物进化策略等改进思想,对AO算法进行了改进,有效提高了搜索性能,避免了局部最优;在求取聚类中心点时,设计了一种加权最大最小距离积法(weighted maximum minimum distance product,WMMP),能反映各特征的重要性,对改进聚类结果作用良好;将RLDEAO与WMMP相结合优化K-means互补迭代,提高了搜索速率和搜索精度。通过在多个数据集上的聚类测试,发现RLDEAO-KMC算法的收敛精度和聚类效果较AO-KMC、FCM、KMC、KMC++算法更优。可知,RLDEAO-KMC算法可以更高效地对空气质量数据进行聚类分析,有针对性地做出预测和应对。

摘要：研究RoboCup比赛未知环境中足球机器人的路径规划问题。提出一种多优化设计快速扩展随机树(rapidly exploring random tree,RRT)的足球机器人路径规划算法,解决了足球机器人在路径规划中存在的速度慢、效果差的问题。依据基本RRT算法原理,针对其随机性强、收敛速度慢以及路径平滑效果差的缺点,提出了随机采样点处增加引力分量、多步扩展逼近目标点以及冗余节点的剪裁与路径平滑等优化方式。在不同障碍物地图中的仿真实验表明,优化的规划路径长度比基本快速扩展随机树算法所得路径缩短约20%~30%,采样点数量减少45%~65%。最终将优化算法移植到SimRobot仿真平台,结果表明多优化设计RRT算法在未知环境中具备良好的实时性和鲁棒性,能够满足机器人在赛场上的路径规划要求。

摘要：针对无人机在航拍目标跟踪的复杂场景过程中,运动目标可能会被遮挡或不确定跟踪,导致视觉模型出现逐渐损坏、漂移和不可逆转失败等问题,提出了一种无人机航拍目标的长期跟踪算法。首先,进行互补分类器多特征自适应融合设计,在贝叶斯分类器中采用颜色直方图特征,在相关滤波器中采用方向梯度直方图、灰度以及颜色名特征;结合多种特征的优点,构建目标鲁棒性的外观以适应复杂场景。然后,在相关滤波器中加入自适应时空正则化项。在空间正则化参数中引入局部变化,实现学习时限制像素可信度较低的滤波器;而在时间正则化中,根据全局响应自适应地调整滤波器的学习,并用初始滤波器约束更新范围,这样在缓解边界效应的同时,有效防止滤波器退化。最后,在上述基础上,加入重检测模块,使得跟踪过程更加准确。实验结果表明,本文算法可以适应无人机航拍的复杂场景,缓解边界效应和防止滤波器退化。与同类主流算法相比,在目标经历严重遮挡、移出视野等情况后,仍然满足实时性需要,获得了较好的跟踪效果。

摘要：针对现有去雾算法大都存在复原图像亮度低、天空明显色彩失真等问题,提出了一种融合大气光值-图估计的无人机航拍图像去雾方法。首先,根据颜色衰减先验理论获取景深图像,将景深图像内偏差最小区域均值作为大气光值;其次,设计了一种自适应随机游走聚类方法用来估计大气光图,通过自适应随机游走算法将图像聚类为N个子区域,对子区域前0.1%像素求均值作为区域大气光值,将区域大气光值组合并通过引导滤波对其进行细化,获得大气光图;然后,通过融合大气光值-图估计方法将两种大气光估计融合为新的大气光图,作为更加准确的大气光估计;利用雾霾线先验方法获得透射率,同时提出一种暗补偿方法对其进行优化,提高透射率精度;最后,根据大气散射模型,利用求得的融合大气光图和优化透射率,得到清晰的复原图像。实验结果表明,相对于比较算法,提出的算法的复原图像在信息熵、平均梯度、模糊系数及对比度上分别提升1.1%、6.3%、8.5%、6.4%,主观视觉效果更好,信息更加丰富。