您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
粒子群优化算法研究与应用.pdf128页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
文档加载中...广告还剩秒
需要金币：200 &&
粒子群优化算法研究与应用
你可能关注的文档：
··········
··········
东北大学 博士学位论文
粒子群优化算法研究与应用 姓名：任苹 申请学位级别：博士
专业：模式识别与智能系统 指导教师：高立群 座机电话号码 东北天擘博士学位论文 摘要 粒子群优化算法研究与应用 摘要 优化是人们在科学研究、工程技术和经济管理等诸多领域中经常碰到的问题。其目 的是找到使目标函数达到最小或最大的条件。已有的许多优化方法在处理人们所面对的 复杂问题时，往往很不能令人满意。近年来，一种毅的优化方法一粒子群优化算法逐渐 成为学者关注的研究方向之一。它的主要特点是简单、收敛速度较快，且所需领域知识 较少。 本文利用粒子群优化算法来研究高速旅客列车优化调度、电网规划和电网扩展规划 等优化问题。尽管粒子群优化算法发展十多年了，但无论是理论还是实践都尚未成熟。 针对粒子群优化算法局部搜索能力较弱和存在早熟收敛等问题，提出了几种改进方法。 首先，为解决粒子群优化算法中参数不易确定的问题，引入微分进化计算来确定算 法中的控制参数，给出了混合粒子群优化算法。它运用微分进化算法中的变异、交叉和 选择操作来确定粒子的最好位置，以此为依据来给出惯性权重、加速因子等参数的值。 其次，为解决粒子群优化算法易陷入局部极小等问题，将混沌思想引入粒子群优化 算法中，构建了混沌粒子群优化算法。它首先运行粒子群优化算法的操作，直到粒子群 优化算法处于早熟收敛状态，然后再运行混沌搜索，搜索一定次数后，把混沌搜索的最
优解向量作为粒子群优化算法的全局最优解向量，从而引导粒子快速跳出局部最优，加
快收敛速度，局部搜索能力加强，在新的最优位置的引导下，粒子群将会做更加精细的
正在加载中，请稍后...优秀研究生学位论文题录展示基于粒子群优化算法的水下潜器实时路径规划技术研究专　业: 导航、制导与控制关键词: 粒子群优化算法 水下潜器 实时路径规划 智能控制 自主导航分类号: U675.55　
TP273.4形　态: 共 147 页　约 96,285 个字　约 4.606 M内容阅　读: 内容摘要随着海洋资源日趋得到关注，人们利用水下潜器完成海洋资源探索和开发的期望也日益高涨，对潜器实现智能控制和自主导航提出了越来越高的要求。路径规划技术直接关系到水下潜器智能水平的高低，是其智能导航控制的关键技术之一。本文围绕粒子群优化算法(PSO)在路径规划中的应用展开研究，特别针对动态障碍物环境下如何避障这个难点，提出解决方法。研究过程中充分利用了粒子群优化算法求解迅速、全局寻优能力强的优点，提高了路径规划方法的效率和性能。论文按照“先算法理论再应用、先静态再动态、先二维再三维”的顺序层层深入展开研究，主要的研究内容和成果包括以下几个方面：
从参数设置、求解原理、应用效果、环境适应性这几个方面对PSO算法在路径规划中的应用价值进行研究，总结出PSO解决路径规划问题的特点和改进方向，为下文的具体应用研究提供依据。
为了保证PSO自身的性能，我们首先对粒子群优化算法的优化机理进行分析，结合路径规划的应用背景，提出基于均衡分布参数的改进粒子群优化算法。这种算法中从粒子维变量组成的微观角度出发，针对PSO中存在的缺陷，构造了保证进化过程多样性的均衡分布参数，并且提出一种粒子维变量“自探索飞行”的改进机制。实验仿真结果证明了算法的改进效果。
全局路径规划是智能水下潜器完成路径规划任务的基础。本课题提出了基于极坐标空间粒子群优化算法的全局路径规划方法。在对工作空间建模的基础上，提出了一种采用十字链表结构，按维区域存储障碍物信息的方法，实现了障碍物信息的高效存储和访问；基于启发式知识初始化群体，并引入插入、交叉、删除操作算子，采用变长粒子、交叉变异等策略，达到提高算法局部搜索能力和搜索精度的目标。仿真试验证明了提出的算法具有更强的环境适应性、更快的收敛速度和更高的收敛精度。
本文的局部路径规划分别考虑动态已知环境下和动态未知环境下两种情况，提出基于PSO的已知局部路径规划方法和基于潜器观测窗口的未知局部路径规划方法。基于PSO的局部路径规划方法中，通过几何模型确定避碰条件，将路径规划任务转化成求解多条件目标的优化问题，再结合变速和变航向两种模式的避碰方案，制定出适合的适应度函数。
未知环境下的路径规划问题是机器人智能控制领域一个难点。本文借鉴滚动窗口的机器人路径规划方法，提出了一种基于潜器观测窗口的局部路径规划方法，其中着重解决了潜器航行过程中可能面临的障碍物会遇问题。方法的主要步骤包括环境信息建模及预测、观测窗口探测环境信息及反馈、窗口局部规划。实验结果证明了算法的可行性，以及对各种时变环境的自主适应性。
提出协调完成全局路径规划和局部路径规划两个任务的权衡策略，并依据该策略搭建水下潜器实时路径规划系统，以达到既能考虑全局优化指标，又能根据传感器信息实时躲避动态障碍物的双重目标。论文中还对本课题提出的路径规划算法的可达性以及安全性，特别是存在动态障碍物突发出现情况下算法的性能展开讨论。
最后，针对潜器在水下航行的实际三维海底地形环境，提出了基于粒子群优化算法实现的三维路径规划算法。其中采用真实电子海图中的深度值来表示三维海底地形，并定义了三维规划算法的数据编码结构。获得的规划算法通过应用惩罚函数及启发式知识，不仅能够灵活的获得具有不同特点的优化路径，而且对具有突发障碍物的三维环境也具有自主适应性。文章中还在三维环境中对本文提出的动态环境的路径规划算法进行了仿真试验。
通过对算法的大量仿真试验表明：所设计的PSO路径规划算法充分利用了PSO快速收敛、全局寻优能力强的优点，分别解决了静态到动态、二维到三维不同环境下的潜器路径规划问题。并且可以看出算法能够灵活的适应潜器航行的各种环境，具有良好的搜索性能与快速的收敛性，能够适应潜器路径规划的要求，对潜器的安全航行具有重要的理论意义及应用价值..……全文目录文摘英文文摘第l章 绪论1.1选题意义与背景1.2水下潜器路径规划研究现状1.2.1水下潜器发展现状1.2.2水下潜器路径规划技术1.3粒子群优化算法发展及研究现状1.3.1粒子群优化算法的产生1.3.2粒子群优化算法研究热点1.4论文的主要研究工作第2章 粒子群优化算法及其在路径规划中的应用2.1粒子群优化算法的基本描述2.1.1粒子群优化算法的原理及内容2.1.2粒子群优化算法的特点及研究现状2.2粒子群优化算法收敛性2.2.1单个粒子的运动轨迹2.2.2粒子群优化算法收敛性2.3 PSO在路径规划中的应用2.3.1 PSO在路径规划中的应用现状2.3.2 PSO路径规划方法及特点2.3.3 PSO路径规划方法存在的问题及改进思路2.4本章小结第3章 基于协作进化思想的改进PSO算法3.1协作进化思想在粒子群优化算法中的应用3.1.1子种群间的协作进化机制3.1.2粒子间的协作进化机制3.1.3粒子维变量间的协作进化机制3.2基于协作进化思想的改进PSO算法3.2.1维变量建模方法3.2.2多样性测量及均衡分布度参数3.2.3一种基于协作思想的进化策略改进3.2.4算法描述3.3实验仿真及算法性能分析3.3.1收敛速度分析3.3.2多样性测试3.3.3成功率测试3.4本章小结第4章 静态环境下基于PSO的路径规划方法研究4.1 PSO参数值确定4.2一种极坐标环境下的粒子群路径规划方法4.2.1极坐标环境建模4.2.2启发式知识的运用4.2.3动态调整路径点策略4.2.4算法描述4.3仿真实验结果及分析4.3.1实验设计及参数选取4.3.2算法性能评估4.4本章小结第5章 动态环境下的局部实时路径规划方法研究5.1动态已知环境下基于PSO的局部路径规划方法5.1.1动态环境建模方法5.1.2局部路径规划避障模型5.1.3基于PSO算法的避碰策略及分析5.1.4算法描述及仿真结果分析5.2动态未知环境的局部路径规划5.2.1滚动窗口路径规划方法5.2.2基于观测窗口的局部路径规划方法5.2.3仿真实验结果及分析5.3本章小结第6章 AUV实时路径规划系统6.1 AUV路径规划系统设计6.2全局与局部规划权衡策略6.2.1子目标选取6.2.2规划权衡策略6.2.3路径规划系统算法描述6.3 AUV三维海底路径规划方法研究6.3.1AUV三维海底建模方法6.3.2基于PSO的三维全局路径规划方法6.4实时路径规划系统仿真实验6.4.1仿真条件及算法参数的选择6.4.2二维环境规划结果分析6.4.3三维海底路径规划仿真结果分析6.5系统可达性和安全性分析6.5.1可达性分析6.5.2安全性分析6.6本章小结结论参考文献相似论文,89页,TP273.4
U491.116,147页,TP273.4 N941,56页,TP273.4,112页,TP273.4,59页,TP273.4 TH133.342 TP271.4,54页,TP273.4 O159,87页,U675.81,89页,U675.72,73页,U675.96,195页,U675.84
TP391.41,67页,U675.81 TP317,80页,U675.81 P731.23,88页,U675.81,92页,U675.79,61页,U675.73 U666.151,71页,U675.7 TP391.9,66页,U675.73 TN914.5,94页,U675.81 P208 TP311.12,89页,U675.73 TP274.2,72页,U675.81 P285.3 TP311中图分类:
> <font color=@5.55 > 交通运输 > 水路运输 > 船舶驾驶、航海学其他分类:
> TP273.4 > 工业技术 > 自动化技术、计算机技术 > 自动化技术及设备 > 自动化系统 > 自动控制、自动控制系统
& 2012 book.孟猛,朱战霞,
西北工业大学航天学院,
航空、航天
研究了粒子群算法在空间飞行器连续推力轨道机动最优化问题。为优化空间飞行器轨道,给出了空间飞行器轨道机动最优化控制问题模型,运动方程用地心惯性坐标系下建立;性能指标选为轨道机动过程中时间最小;控制变量为推力攻角;终端状态受到位置和速度的约束。针对粒子群算法的缺点,提出混合粒子群算法,即将全局寻优能力强的粒子群算法和局部寻优能力强的非线性规划相结合,以提高算法的搜索精度和收敛速度,并将其应用于连续推力空间飞行器轨道机动优化之中。仿真表明混合粒子群算法对于空间飞行器远程机动轨道初始参数取值不敏感,具有一定的鲁棒性,生成的轨道能够较好地满足各种约束条件,并可以应用于空间飞行器连续推力轨道最优机动问题的求解。基于粒子群优化神经网络的无线定位算法_通信产品_中国百科网
基于粒子群优化神经网络的无线定位算法
&#160;&#160;&#160;&#160; 摘& 要： 对于传统的对移动台的定位，提出了一种基于粒子群（PSO）优化神经网络的算法。这一PSO-BP算法首先利用PSO对神经网络传统的目标函数及参数进行优化，再利用改进后的BP神经网络对非视距误差（NLOS）进行修正，最后利用算法LS进行移动台的定位。仿真结果表明，该基于PSO的神经网络定位算法寻优效果稳定，预测误差小，具有可行性。关键词： 粒子群；神经网络；NLOS误差；定位算法&&& 现有的蜂窝网无线定位系统包含了基于移动台的无线定位、基于移动通信的无线定位等。移动通信网络中信道环境复杂多变，尤其是在市区受阻碍物引起的多径干扰和非视距NLOS误差极大地影响了定位精度。利用BP神经网络具有学习速率快、结构简单等优点来修正NLOS误差，但是传统的BP神经网络结构参数存在很大的缺点，容易陷入局部最小值，需要优化神经网络并用于提升无线定位精度。&& &BP神经网络是一种前向型反馈神经网络，在反向传播的算法中通过改进的PSO合理迭代确定。参考文献[1-2]利用基站的坐标通过定义残差函数，对定位结果进行加权得到移动台的位置，参考文献[3]提出了迭代次数更少，收敛速度更快的改进的粒子群优化算法，参考文献[4]提出了一种利用BP神经网络模型对NLOS误差的修正。本文结合粒子群优化算法和BP神经网络的特点，利用了网络的学习特点和粒子群的跟踪遍历迭代寻找最优解，修正NLOS误差之后，再通过测量值TDOA使用LS算法进行位置估计。跟踪仿真验明该定位算法有较高的精度。&&&&&&&&&&& 输入向量为：&& & & & && P=[TDOA21，TDOA31，TDOA41，TDOA51，&&& 图3为在不同的测量误差下本文算法与其他常用算法的跟踪比较结果。随着测量误差的增加，几种算法的定位性能都有一定程度的降低。从定位效果上看，本文算法有较好的稳定性能，明显优于BP算法和LS算法。说明PSO-BP对于误差的增大有较好的适应性。&&& 图4为在不同小区服务半径下本文算法与其他常用算法的跟踪比较结果，纵坐标为各个算法跟踪结果的均方误差值。由于半径的增加，BS和MS之间的距离有所增大，导致NLOS误差增加，所以定位精度下降。由图看出，本文PSO-BP算法在不降低BP网络学习能力的情况下具有更好的稳定性。&&&&& 本文将粒子群算法应用于BP神经网络的TDOA定位算法中，该算法结合了粒子群收敛速度快及神经网络的学习特性等优点，通过对NLOS误差的修正最终利用LS算法进行位置估计。仿真结果表明，本文算法定位精度高，性能稳定，收敛速度快，与其他算法相比有较高的辨识精度，证明了该算法的有效性和可行性。参考文献[1] Wang Hongyan，Lan Yunfei，Pei Bingnan，et al.A Location algorithm based on TDOA under NLOS environment[J]. Computer Simulation，）：116-119.[2] 张令文，谈振辉.基于泰勒级数展开的TDOA定位新算法[J].通信学报，)：7-11.[3] 侯志荣，吕振肃.基于MATLAB的粒子群优化算法及其应用[J].计算机仿真，)：66-70.[4] Mao Yongyi，Li Mingyuan，Zhang Baojun.Cellular localization& algorithm based on BP& neural network[J].Computer Engineering and Applications，)：60-63.[5] 田雨剥，朱人杰，薛权祥.粒子群优化算法中惯性权重的研究进展[J].计算机工程与应用，)：39-41.[6] 王丽，王晓凯.一种非线性改变惯性权重的粒子群算法[J]. 计算机工程与应用，)：47-48，92.[7] 王启付，王战江，王书.一种动态改变惯性权重的粒子群优化算法[J].计算机系统应用，）：58-61.[8] 沈学利，张红岩，张纪锁.改进粒子群算法对BP神经网络的优化[J].计算机系统应用，)：58-61.[9] 崔海青，刘希玉.基于粒子群算法的RBF网络参数优化算法[J].计算机技术与发展，)：117-119，169.[10] BOCCADORO M，ANGELIS G D，VALIGI P.TDOA positioning in NLOS scenarios by particle filtering[J].)：579-589.[11] 毛永毅，李明远，张宝军.基于BP神经网络的蜂窝无线定位算法[J].系统工程与电子技术，)：.
收录时间:日 00:35:09 来源:aet电子技术应用 作者:匿名
上一篇： &(&&)
创建分享人
喜欢此文章的还喜欢
Copyright by ；All rights reserved. 联系：QQ：