摘要：设计了手术机器人从手机械结构,建立了手术机器人从手的数学模型,确定了手指夹持力与电机运动的关系。针对传统模糊控制器控制精度低的不足,提出了一种基于粒子群优化的PI型模糊控制器设计方法。该方法通过PI模糊模拟进行模糊规则初始化,再以粒子群算法优化其模糊规则权值与量化比例因子,最后得到粒子群优化的PI型模糊控制器。该设计方法解决了传统模糊控制器设计中模糊规则权值与量化比例因子难以确定的问题,使设计出的控制器继承了PI控制器和传统模糊控制器的各自优点。仿真结果表明,当人体组织弹性模量产生较大变化时,该控制器具有良好的控制性能。

摘要：为了利用粒子群优化算法解决作业车间调度问题,提出了将调度问题转化为连续优化问题的有效策略;设计了Pareto档案粒子群算法(PAPSO),该算法将档案维护和全局最好位置选取结合在一起,在档案维护过程中为每个粒子选取全局最好位置;给出了变异与PAPSO的结合新策略.将PAPSO和带变异的PAPSO应用于15个调度实例,以最小化总拖后时间和最大完成时间,与强度Pareto进化算法2等进行比较,结果验证了PAPSO在作业车间调度方面的良好性能.

摘要：针对多点协作单用户联合处理(CoMP SU JP)频谱分配问题,提出了基于改进粒子群优化的频谱分配算法.以同时最大化边缘用户性能和系统整体性能为优化准则,引入边缘用户权重因子,建立了CoMP SU JP频谱分配的有约束非线性0-1规划模型;并针对该模型设计了基于改进粒子群优化的频谱分配算法.仿真结果表明:本算法通过控制边缘用户权重因子可以有效地平衡边缘用户和系统整体的性能,在应用上更具有灵活性;在权重因子设置合理的情况下与现有算法相比,本算法对边缘用户和系统整体的吞吐量均有较大提升.

摘要：现实生活中的很多黑盒优化问题可归为高计算代价的多模态优化问题(Multimodal optimization problem,MMOP),即昂贵多模态优化问题(Expensive MMOP,EMMOP).在处理该类问题时,决策者希望以尽量少的计算代价(即尽量少的真实函数评价次数)找到多个高质量的最优解.然而,已有代理辅助的进化优化算法(Surrogate-assisted evolutionary algorithm,SAEA)很少考虑问题的多模态属性,运行一次仅可获得问题的一个最优解.鉴于此,研究一种异构集成代理辅助的区间多模态粒子群优化(Interval multimodal particle swarm optimization algorithm assisted by heterogeneous ensemble surrogate,IMPSO-HES)算法.首先,借助异构集成的思想构建一个由多个基础代理模型组成的模型池;随后,依据待评价粒子与已发现模态之间的匹配关系,从模型池中自主选择部分基础代理模型进行集成,并使用集成后的代理模型预测该粒子的适应值.进一步,为节约代理模型管理的代价,设计一种增量式的代理模型管理策略;为减少代理模型预测误差对算法性能的影响,首次将区间排序关系引入到进化过程中.将所提算法与当前流行的5种代理辅助进化优化算法和7种最先进的多模态优化算法进行对比,在20个测试函数和1个建筑节能实际问题上的实验结果表明,所提算法可以在较少计算代价下获得问题的多个高竞争最优解.

摘要：针对复杂水下环境中基于捷联惯性导航系统/多普勒计程仪(SINS/DVL)组合导航系统受干扰导致定位精度下降的问题,提出一种自适应粒子群优化的SINS/DVL组合导航方法。首先,针对模型中方差估计不一致问题,构建了基于状态变换原理的SINS/DVL导航模型;其次,考虑到复杂水下环境中基于卡尔曼滤波的噪声难以估计问题,构造粒子滤波适应度函数,并设计了一种自适应粒子群优化算法;最后,对所提方法进行了仿真实验和湖试实验。实验结果表明:所提方法可以解决复杂水下环境中SINS/DVL组合导航系统受干扰导致定位精度不高的问题。相比于卡尔曼滤波方法、Huber鲁棒滤波方法,所提方法的水平位置误差最大值分别减少了49.56%和41.20%。

摘要：提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.

摘要：针对未知环境下采用竞争行为动力学协调方法进行移动机器人路径规划时存在机器人运动速度参数确定困难,并且在各基本行为竞争时容易产生行为参数振荡现象而导致规划出来的路径不优化等问题,提出了基于粒子群优化算法融合行为动力学进行路径规划的方法。该方法在行为动力学模型的基础上利用粒子群优化算法(Particle swarm optimization,PSO)对路径规划过程中的基本行为进行融合,代替了竞争行为动力学的行为参数协调,从而使移动机器人能够根据传感器采集的实时环境信息自动获取各个基本行为的权值。通过把该方法与基于竞争动力学行为协调方法的机器人路径规划进行了仿真对比实验,实验结果验证了该方法的可行性和优越性。

摘要：目前,基于压缩感知的可见光定位采用线性最小二乘法重构信号,容易陷入局部最优解,且需要高密度的发光二极管布局。针对这些问题,提出了一种基于粒子群优化压缩感知的可见光定位算法。首先,建立一种基于重构接收信号强度残差的适应度函数;其次,将指纹定位的权重求解问题转换为稀疏矩阵的重构问题;最后,采用粒子群优化重构信号。仿真结果表明,所提算法的时间复杂度较低、鲁棒性好,即使在低密度的发光二极管布局下,定位误差依然很小。当信噪比为10 dB、网格间距为50 cm时,所提算法定位误差的平均值为3.67 cm,显著低于现有的10种同类算法。还详细分析了不同参数对所提算法定位误差的影响,所得结果可为实际可见光定位系统的设计提供有益的参考。

摘要：粒子群及其改进算法是进行建筑能耗优化的重要方法,但是算法性能很大程度上取决于其参数设置.目前针对改进粒子群算法在建筑性能优化领域的最优参数设置的研究较少.本文旨在探讨两种常见的改进粒子群算法:差分粒子群(dPSO)算法和遗传粒子群(gPSO)算法在建筑能耗优化中的最优参数设置问题.在使用测试函数验证改进算法的有效性后,针对以能耗为目标的办公建筑形体优化问题,使用15组常见的参数组合进行重复实验.建立以稳定性、准确性和收敛时间3个指标为目标的算法性能多目标评价模型,计算pareto解集,得到性能表现优异的算法参数组合,即进行建筑能耗优化时,当对计算速度或计算准确度有较高要求时,建议采用参数设置为c_1=c_2=1.5,p_m=0.5,p_c=0.9或c_1=c_2=2.0,p_m=0.1,p_c=0.9的gPSO算法;当对优化过程没有偏好时,可采用参数设置为c_1=c_2=2.0,C_R=0.5,F=0.4的dPSO算法.最后使用不同气候区的同类型建筑优化问题,对得到的高效参数组合进行了验证.

摘要：根据微钻头检测的要求,提出了基于混合变异神经网络-模糊自适应粒子群优化拟合微钻头特征曲线的新方法。实验中所设计的神经网络与需要拟合的方程相一致,在神经网络训练以及粒子个体的每一次迭代之后,对所得到的神经网络的权值进行归一化处理,该处理相当于权值一种特定的变异操作。同时为了获得全局最优解,在求解中引入模糊自适应粒子群优化被,并根据粒子个体纵向与横向运动轨迹的特性,采用模糊逻辑推理,自适应地调整惯性因子。在求解系统达到全局平衡点时,根据最优粒子的位置矢量获得微钻头的特征曲线的拟合方程,并据此求得微钻头的结构参数与刃面缺陷。所提出的方法为微钻头以及其他工件特征曲线的拟合提供了一个新的解决方案。实验结果表明,与传统的检测方法相比较,该方法具有较高检测精度。