CN112926139A - 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 - Google Patents
一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 Download PDFInfo
- Publication number
- CN112926139A CN112926139A CN202110308338.3A CN202110308338A CN112926139A CN 112926139 A CN112926139 A CN 112926139A CN 202110308338 A CN202110308338 A CN 202110308338A CN 112926139 A CN112926139 A CN 112926139A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- strategy
- sparrow
- updating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000287127 Passeridae Species 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 35
- 238000013507 mapping Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 244000062645 predators Species 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims 1
- 230000035772 mutation Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 3
- 238000012803 optimization experiment Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 241000251555 Tunicata Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混沌映射和黄金正弦的改进麻雀智能优化方法,通过改进的麻雀智能优化方法来解决高超声速飞行器再入轨迹优化问题求解时,得到的解不能收敛到全局最优解,而造成计算量的浪费。本发明结合Tent混沌序列和反向精英种群策略,生成在解空间中较为均匀的初始化种群;利用黄金正弦方式对个体位置进行更新,通过系数控制搜索的步长,使得个体稳步靠近最优位置;通过余弦策略在后期减少突变个体的个数,保证后期迭代更新的计算效率;利用贪婪策略使得个体更新时,保持在个体历史的最优位置,加快寻优过程。改进后的麻雀优化算法,寻优效率更高,能够较好的得到全局最优解,有效解决了容易陷入局部最优的问题。
Description
技术领域
本发明属于群体智能优化算法领域,具体涉及一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法。
背景技术
近年来,高超声速飞行器渐渐成为实施全球快速打击和保持空中优势的有效工具,一般将飞行速度能够达到5倍音速以上的飞行器定义为高超声速飞行器,这类飞行器具有较好的气动性能和大空域飞行能力,因此在军事和民用领域都有着非常良好的应用前景。再入过程是指高超声速飞行器以非常快的速度从地球大气层以外重新进入大气层并着陆的过程,但是复杂的环境以及不确定性,给再入轨迹规划的实现带来巨大的挑战。
而群体智能优化算法是指通过模拟自然界一些生物的行为规律,搜索一定解空间内的最优适应度以得到最优解。群体智能优化算法由于其具有实现简单、原理清晰、容易扩充等优点,其在高超声速再入轨迹优化领域的应用越来越广泛,逐渐受到国内外研究者的热切关注。
近年来,领域内涌现出一系列新的群体智能优化算法,如蝙蝠算法、灰狼算法、鲸鱼算法、樽海鞘群算法、麻雀算法等智能优化算法。其中,麻雀搜索算法是2020年提出的一种新型的群体智能优化算法,相较于其他优化算法,它具有搜索精度高、收敛快、稳定性高的优点,但同其它只能算法一样,仍存在算法后期计算效率大,易陷于局部最优解的问题,这样在应用麻雀优化算法解决高超声速飞行器再入轨迹优化问题时,会导致得到的解并不能收敛到全局最优解,从而造成计算量的浪费。
因此,如何对现有的麻雀智能优化算法进行改进,避免陷入局部最优解,是目前将麻雀智能优化算法应用到高超声速飞行器再入轨迹优化时,亟待解决的问题。
发明内容
针对上述存在的问题,本发明提供一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法。
本发明的原理:首先,结合Tent混沌序列和反向精英种群的策略生成在解空间中较为均匀的初始化种群;其次,利用黄金正弦方式对个体位置进行更新,通过系数控制搜索的步长,使得个体稳步靠近最优位置;再次,通过余弦策略在后期减少突变个体的个数,保证后期的计算效率,最后利用贪婪策略使得个体更新时,保持在个体历史的最优位置,从而加快寻优过程。
实现本发明目的的技术解决方案为:
一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法,其特征在于,包括以下步骤:
步骤1:基于建立的超声速飞行器再入过程的动力学模型,对多种复杂约束进行分析得到轨迹目标规划模型;
步骤2:通过Tent混沌映射,生成混沌序列,并将该混沌序列映射到解空间中得到初步的初始种群X1;
步骤3:根据得到的初始种群X1,求解出其反向种群Xod;
步骤4:将得到的初始种群X1和反向种群Xod合并,并计算每个个体的适应度,再按照适应度的好坏排序,选取适应度最好的n个个体,组成麻雀优化算法的初始种群X0;
步骤5:选取种群X0中适应度最好的pn个个体作为发现者进行位置更新,若预警值小于安全值,则采用黄金正弦策略更新位置,否则,发现捕食者,种群调整搜索策略,迅速向安全区靠拢;
步骤6:除步骤5中的发现者之外,将其余麻雀个体作为加入者进行位置更新;
步骤7:经步骤5和步骤6处理后,在整个种群中随机选取sn个侦查预警麻雀个体,对侦查麻雀进行位置更新;
步骤8:迭代执行步骤5-步骤7,每次迭代更新之后,计算每个个体的适应度,采用贪婪策略对个体位置进行更新;
步骤9:根据种群个体当前的位置,更新整个种群的最优适应度及对应的位置,最差的适应度及对应的位置;
步骤10:判断是否运行到最大迭代次数或者要求的求解精度,满足其一则输出最优适应度和对应的最优个体位置,根据当前最优个体位置,计算所述轨迹目标规划模型的参数值,否则返回步骤5;
步骤11:根据求解得出的参数值,进一步优化轨迹目标规划模型,从而得到一条再入轨迹。
本方法与现有技术相比,具有以下有益效果:
第一,本发明的方法通过Tent混沌映射和反向种群的精英策略选择初始化种群的方法,得到一个在解空间上分布均匀的初始种群,解决了传统初始种群初始化方法生成的初始种群个体在解空间分布不均的问题,为后续优化更新在解空间上寻到最优的解奠定了基础;
第二,本发明的方法通过黄金正弦策略对个体位置进行更新,逐步缩小搜索空间,调整位置更新距离和方向,可以较好的跳出局部最优值,使得个体能够稳步靠近最优值;
第三,本发明的方法通过余弦策略和贪婪策略,避免不必要的个体更新,同时确保每个个体的更新后皆为历史最优位置,使得个体能够快速收敛到全局最优值。
附图说明
图1为本发明提出方法的流程示意图;
图2为本发明提出方法与麻雀算法得到的F1函数的收敛性对比示意图;
图3为本发明提出方法与麻雀方法得到的F2函数的收敛性对比示意图;
图4为本发明提出方法与麻雀方法得到的F3函数的收敛性对比示意图;
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
为了解决高超声速飞行器再入轨迹优化问题,基于建立的超声速飞行器再入过程的动力学模型(现有技术中公开的),对多种复杂约束进行分析得到轨迹目标规划模型,将本发明提出的一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法应用到再入轨迹优化问题求解上去;
参考附图1可知,本发明提出的一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法包括以下步骤:
首先,通过Tent混沌映射,生成混沌序列,并将该混沌序列映射到解空间中得到,初步的初始种群X1;
假设种群规模是N,解空间维数为M,则可利用Tent混沌映射的生成混沌序列p={pi,i=1,2,3,…,N},pi={pim,m=1,2,3,…,M},其中,pi可以由如下Tent混沌映射公式得到:
再次,上述求得的种群X1和反向种群Xod合并,根据目标函数对新的种群中的个体计算其适应度,并进行排序,如目标函数越小越好,则选取适应度最小的N个个体组成新种群,这个新种群即是通过混沌反向映射策略得到的改进麻雀算法的初始种群,记作X0;
再次,选取种群中适应度最好的pn个个体作为发现者进行位置更新,一般发现者的个数pn占种群个体总数的20%;
当预警值α小于安全值sr时,采用黄金正弦策略更新位置,发现者位置更新方式如下:
其中,表示种群第t次迭代时的第i个个体位置,表示种群第t+1次迭代时的第i个个体位置;表示种群第t次迭代时适应度最优的位置;R1是[0,2π]上的随机数,决定下一次迭代个体变化的距离;R2是[0,π]上的随机数,决定下一代个体位置的更新方向;a和b是通过引入黄金分割系数得到的系数,这些系数能够缩小搜索空间引领个体趋近最优值,其定义如下:
当预警值α大于等于安全值sr时,发现捕食者,种群调整策略,向安全区靠拢,个体位置的更新如下:
其中,c是服从标准正态分布的随机数;L表示大小为1×M,元素均为1的向量;
综上可以得出,发现者的位置更新如下式所表示,即:
其中,α是[0,1]内的随机数;
再次,将上一步骤中的发现者之外的麻雀个体作为加入者,进行位置更新,得到:
再次,在位置更新后的种群中随机选取sn个侦查预警麻雀个体,侦查预警麻雀的个数sn最初时一般占种群总个数的30%。对这些侦查预警麻雀进行位置更新:
其中,γ为一服从均值为0方差为1的正态分布随机数,用来控制个体位置变异更新的步长;ξ为[-1,1]上的随机数;ò是一个极小的正常数,用来避免分母为零;fi为第i个个体的适应度;fB和fW分别是当前种群最优和最差的适应度值。
需要注意的是,随着迭代次数的增加,为了提高解空间搜索的效率,采用余弦策略逐渐减小预警麻雀的个数,其计算式为:
再次,计算每个个体的适应度,采用贪婪策略对个体位置进行更新:
最后,判断算法是否运行达到最大迭代次数tmax或者满足求解精度e,若满足上述两个条件任一,则输出最优适应度和对应的最优个体位置,否则返回继续计算新的个体位置更新,继续优化算法,直至算法运行达到最大迭代次数tmax或者满足求解精度e,算法终止;
根据输出的当前最优个体位置,计算所述轨迹目标规划模型的参数值,对模型进行求解。
实施例
1、试验方法
为证明本发明方法的有效性,采用三个典型的函数进行寻优实验,并将实验结果与原始麻雀优化算法进行对比,具体的试验步骤为:
步骤1:采用三种典型函数进行寻优实验,三种典型函数的详细参数如表1所示;
步骤2:利用本发明提出的改进麻雀算法,对三种函数进行寻优试验,求解最小值;
步骤3:利用原始麻雀算法求解相同函数的最小值;
步骤4:步骤2和步骤3所得到的结果数据进行比较,试验结果如附图2-4所示。
表1三种典型函数
2、试验结论
从试验结果可知,本发明提出的基于混沌映射和黄金正弦的改进麻雀智能优化方法,寻优得到的函数最小值相交原麻雀算法更小,且迭代次数更少,能够快速且精确收敛到全局最优的结果,证明了本算法的快速性和精确性。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管参照前述实施例对本发明专利进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法,其特征在于,包括以下步骤:
步骤1:基于建立的超声速飞行器再入过程的动力学模型,对多种复杂约束进行分析得到轨迹目标规划模型;
步骤2:通过Tent混沌映射,生成混沌序列,并将该混沌序列映射到解空间中得到初步的初始种群X1;
步骤3:根据得到的初始种群X1,求解出其反向种群Xod;
步骤4:将得到的初始种群X1和反向种群Xod合并,并计算每个个体的适应度,再按照适应度的好坏排序,选取适应度最好的n个个体,组成麻雀优化算法的初始种群X0;
步骤5:选取种群X0中适应度最好的pn个个体作为发现者进行位置更新,若预警值小于安全值,则采用黄金正弦策略更新位置,否则,发现捕食者,种群调整搜索策略,迅速向安全区靠拢;
步骤6:除步骤5中的发现者之外,将其余麻雀个体作为加入者进行位置更新;
步骤7:经步骤5和步骤6处理后,在整个种群中随机选取sn个侦查预警麻雀个体,对侦查麻雀进行位置更新;
步骤8:迭代执行步骤5-步骤7,每次迭代更新之后,计算每个个体的适应度,采用贪婪策略对个体位置进行更新;
步骤9:根据种群个体当前的位置,更新整个种群的最优适应度及对应的位置,最差的适应度及对应的位置;
步骤10:判断是否运行到最大迭代次数或者要求的求解精度,满足其一则输出最优适应度和对应的最优个体位置,根据当前最优个体位置,计算所述轨迹目标规划模型的参数值,否则返回步骤5;
步骤11:根据求解得出的参数值,进一步优化轨迹目标规划模型,从而得到一条再入轨迹。
4.根据权利要求1所述的一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法,其特征在于,步骤5的具体操作包括:
步骤51:从种群中选取适应度最好的pn个发现者,且pn占种群个体总数的20%;
步骤52:当预警值α小于安全值sr时,采用黄金正弦策略更新位置,且发现者位置更新公式为:
其中,表示种群第t次迭代时的第i个个体位置,表示种群第t+1次迭代时的第i个个体位置;表示种群第t次迭代时适应度最优的位置;R1是[0,2π]上的随机数,决定下一次迭代个体变化的距离;R2是[0,π]上的随机数,决定下一代个体位置的更新方向;a和b是通过引入黄金分割系数得到的系数,其定义为:
步骤53:当预警值α大于等于安全值sr时,发现捕食者,种群调整策略,向安全区靠拢,个体位置的更新计算式为:
其中,c是服从标准正态分布的随机数;L表示大小为1×M,元素均为1的向量;
步骤54:根据步骤52和步骤53得到发现者的位置更新公式为:
其中,α是[0,1]内的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308338.3A CN112926139B (zh) | 2021-03-23 | 2021-03-23 | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308338.3A CN112926139B (zh) | 2021-03-23 | 2021-03-23 | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926139A true CN112926139A (zh) | 2021-06-08 |
CN112926139B CN112926139B (zh) | 2023-02-21 |
Family
ID=76175620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110308338.3A Active CN112926139B (zh) | 2021-03-23 | 2021-03-23 | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926139B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113438732A (zh) * | 2021-06-16 | 2021-09-24 | 江南大学 | 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法 |
CN113609761A (zh) * | 2021-07-21 | 2021-11-05 | 三明学院 | 一种模型参数的计算方法、装置、设备和存储介质 |
CN113759313A (zh) * | 2021-07-23 | 2021-12-07 | 哈尔滨工程大学 | 一种基于混沌麻雀算法的时差/频差定位方法 |
CN113794286A (zh) * | 2021-09-06 | 2021-12-14 | 湖北工业大学 | 一种无线电能传输系统参数优化方法及装置 |
CN113902174A (zh) * | 2021-09-16 | 2022-01-07 | 燕山大学 | 一种阻塞流水车间调度问题的改进麻雀搜索优化方法 |
CN114234480A (zh) * | 2021-11-19 | 2022-03-25 | 淮阴工学院 | 一种新型回收化工废热的能源系统及其调度方法 |
CN114397807A (zh) * | 2021-12-02 | 2022-04-26 | 中国人民解放军火箭军工程大学 | 一种基于改进麻雀算法的pid参数优化方法 |
CN114418497A (zh) * | 2022-01-19 | 2022-04-29 | 圆通速递有限公司 | 基于混合麻雀算法的物流路径优化方法 |
CN114459052A (zh) * | 2022-01-27 | 2022-05-10 | 东北电力大学 | 一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 |
CN117170413A (zh) * | 2023-11-03 | 2023-12-05 | 北京卓翼智能科技有限公司 | 基于改进正余弦算法的无人机路径规划方法和装置 |
CN117807356A (zh) * | 2024-02-29 | 2024-04-02 | 齐鲁工业大学(山东省科学院) | 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法 |
CN117911799A (zh) * | 2024-03-19 | 2024-04-19 | 贵州师范大学 | 一种基于多策略改进鳌虾算法的特征分类方法 |
CN117901122A (zh) * | 2024-03-19 | 2024-04-19 | 成都信息工程大学 | 基于Logistic-Tent混沌映射Levenberg Marquardt的机器人定位方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8489247B1 (en) * | 2011-03-18 | 2013-07-16 | Rockwell Collins, Inc. | Agent-based chaotic control of wind turbines |
US20150076287A1 (en) * | 2013-03-15 | 2015-03-19 | Arthur M. Dula | Tether for spacecraft reaction control system |
CN109976154A (zh) * | 2019-03-04 | 2019-07-05 | 北京理工大学 | 一种基于混沌多项式和序列凸优化的飞行器轨迹优化方法 |
AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
-
2021
- 2021-03-23 CN CN202110308338.3A patent/CN112926139B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8489247B1 (en) * | 2011-03-18 | 2013-07-16 | Rockwell Collins, Inc. | Agent-based chaotic control of wind turbines |
US20150076287A1 (en) * | 2013-03-15 | 2015-03-19 | Arthur M. Dula | Tether for spacecraft reaction control system |
CN109976154A (zh) * | 2019-03-04 | 2019-07-05 | 北京理工大学 | 一种基于混沌多项式和序列凸优化的飞行器轨迹优化方法 |
AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
Non-Patent Citations (4)
Title |
---|
唐巍等: "混沌理论及其应用研究", 《电力系统自动化》 * |
张振兴等: "自适应Tent混沌搜索的蚁狮优化算法", 《哈尔滨工业大学学报》 * |
施健峰等: "基于混沌粒子群算法的跳跃-滑翔轨迹优化", 《航天控制》 * |
王依柔等: "融合正弦余弦和无限折叠迭代混沌映射的蝴蝶优化算法", 《模式识别与人工智能》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113438732A (zh) * | 2021-06-16 | 2021-09-24 | 江南大学 | 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法 |
CN113609761A (zh) * | 2021-07-21 | 2021-11-05 | 三明学院 | 一种模型参数的计算方法、装置、设备和存储介质 |
CN113609761B (zh) * | 2021-07-21 | 2024-02-20 | 三明学院 | 一种模型参数的计算方法、装置、设备和存储介质 |
CN113759313B (zh) * | 2021-07-23 | 2023-09-29 | 哈尔滨工程大学 | 一种基于混沌麻雀算法的时差/频差定位方法 |
CN113759313A (zh) * | 2021-07-23 | 2021-12-07 | 哈尔滨工程大学 | 一种基于混沌麻雀算法的时差/频差定位方法 |
CN113794286A (zh) * | 2021-09-06 | 2021-12-14 | 湖北工业大学 | 一种无线电能传输系统参数优化方法及装置 |
CN113902174A (zh) * | 2021-09-16 | 2022-01-07 | 燕山大学 | 一种阻塞流水车间调度问题的改进麻雀搜索优化方法 |
CN113902174B (zh) * | 2021-09-16 | 2024-04-26 | 燕山大学 | 一种阻塞流水车间调度问题的改进麻雀搜索优化方法 |
CN114234480A (zh) * | 2021-11-19 | 2022-03-25 | 淮阴工学院 | 一种新型回收化工废热的能源系统及其调度方法 |
CN114397807B (zh) * | 2021-12-02 | 2024-03-29 | 中国人民解放军火箭军工程大学 | 一种基于改进麻雀算法的pid参数优化方法 |
CN114397807A (zh) * | 2021-12-02 | 2022-04-26 | 中国人民解放军火箭军工程大学 | 一种基于改进麻雀算法的pid参数优化方法 |
CN114418497A (zh) * | 2022-01-19 | 2022-04-29 | 圆通速递有限公司 | 基于混合麻雀算法的物流路径优化方法 |
CN114459052A (zh) * | 2022-01-27 | 2022-05-10 | 东北电力大学 | 一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 |
CN114459052B (zh) * | 2022-01-27 | 2022-09-09 | 东北电力大学 | 一种基于改进SSA的燃煤锅炉NOx排放优化方法及装置 |
CN117170413B (zh) * | 2023-11-03 | 2024-01-30 | 北京卓翼智能科技有限公司 | 基于改进正余弦算法的无人机路径规划方法和装置 |
CN117170413A (zh) * | 2023-11-03 | 2023-12-05 | 北京卓翼智能科技有限公司 | 基于改进正余弦算法的无人机路径规划方法和装置 |
CN117807356A (zh) * | 2024-02-29 | 2024-04-02 | 齐鲁工业大学(山东省科学院) | 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法 |
CN117807356B (zh) * | 2024-02-29 | 2024-05-10 | 齐鲁工业大学(山东省科学院) | 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法 |
CN117911799A (zh) * | 2024-03-19 | 2024-04-19 | 贵州师范大学 | 一种基于多策略改进鳌虾算法的特征分类方法 |
CN117901122A (zh) * | 2024-03-19 | 2024-04-19 | 成都信息工程大学 | 基于Logistic-Tent混沌映射Levenberg Marquardt的机器人定位方法及系统 |
CN117911799B (zh) * | 2024-03-19 | 2024-05-17 | 贵州师范大学 | 一种基于多策略改进鳌虾算法的特征分类方法 |
CN117901122B (zh) * | 2024-03-19 | 2024-05-17 | 成都信息工程大学 | 基于Logistic-Tent混沌映射Levenberg Marquardt的机器人定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112926139B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926139B (zh) | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 | |
CN109765893B (zh) | 基于鲸鱼优化算法的移动机器人路径规划方法 | |
CN108919641B (zh) | 一种基于改进樽海鞘算法的无人机航迹规划方法 | |
CN109945881B (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN111930121B (zh) | 一种室内移动机器人的混合路径规划方法 | |
CN110147099A (zh) | 一种基于改进鸽群优化的多无人机协同搜索方法 | |
CN111982125A (zh) | 一种基于改进蚁群算法的路径规划方法 | |
CN108416421B (zh) | 基于dde改进蝙蝠算法的动态火力分配方法 | |
CN111381600B (zh) | 一种基于粒子群算法的uuv路径规划方法 | |
CN110514567B (zh) | 基于信息熵的气体源搜索方法 | |
CN110996333A (zh) | 一种基于鲸鱼算法的无线传感器网络节点定位方法 | |
CN106875050A (zh) | 一种基于改进混沌蜂群算法的工程约束参数优化方法 | |
CN107506821A (zh) | 一种改进的粒子群优化方法 | |
CN110530373B (zh) | 一种机器人路径规划方法、控制器及系统 | |
CN106228234A (zh) | 一种基于梯度下降法的多目标粒子群优化方法 | |
CN112666981A (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN108694438A (zh) | 一种结合爆炸策略、反向学习与蝙蝠算法的单目标优化问题方法及系统 | |
CN112577507A (zh) | 基于哈里斯鹰优化算法的电动汽车路径规划方法 | |
CN116859903A (zh) | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 | |
CN115373400A (zh) | 基于动态更新机制蚁群算法的机器人路径规划方法及系统 | |
CN106447022A (zh) | 基于按区择取全局最优解和就近择取个体最优解的多目标粒子群算法 | |
CN113296496A (zh) | 基于多采样点的引力自适应步长双向rrt路径规划方法 | |
CN115933693A (zh) | 一种基于自适应混沌粒子群算法的机器人路径规划方法 | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
Peng | Particle swarm optimization algorithm based on chaotic theory and adaptive inertia weight |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |