CN114757323A - 基于动态局部进化的高斯粒子群优化算法 - Google Patents
基于动态局部进化的高斯粒子群优化算法 Download PDFInfo
- Publication number
- CN114757323A CN114757323A CN202210402230.5A CN202210402230A CN114757323A CN 114757323 A CN114757323 A CN 114757323A CN 202210402230 A CN202210402230 A CN 202210402230A CN 114757323 A CN114757323 A CN 114757323A
- Authority
- CN
- China
- Prior art keywords
- particle swarm
- particles
- particle
- algorithm
- swarm optimization
- 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.)
- Withdrawn
Links
Classifications
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了技术领域的,基于动态局部进化的高斯粒子群优化算法,具体的步骤为,S1、对标准粒子群算法进行优化,选择粒子群优化算法的宏观方向参数,表示粒子构造及种群规模,加快算法寻优的速度,避免算法陷入局部极值:S2、设置粒子群优化算法的微观方向参数,根据社会搜索和认知搜索更新粒子自身运动,对粒子群算法的权重参数按照构建的非线性函数进行更新优化,以此加快收敛的速度,并且保证较高的精度;解决了传统粒子群算法搜索精度低,容易陷入局部最优的问题,为单目标优化问题提供高精度搜索结果。
Description
技术领域
本发明涉及粒子群算法技术领域,具体为基于动态局部进化的高斯粒子群优化算法。
背景技术
在过去的十年中,进化计算(EC)开始在不同的领域受到极大的关注。大量的研究人员从事进化计算的理论和应用研究。不同类型的进化算法(EA),包括遗传算法(GA)、差分进化(DE)等,已经针对不同的需求被开发出来。作为进化论的一个重要分支,群集智能(SI)在优化领域表现突出。
大多数SI算法的灵感来自于自然界的生物,如蚁群优化(ACO)、粒子群优化(PSO)等。PSO的灵感来自于鸟群和鱼群。粒子在PSO中被用来模拟鱼或鸟的团队行为。PSO算法在经济调度、电力系统和其他许多领域表现出显著的性能。然而随着技术的进步,传统PSO算法不能很好地解决日益复杂的优化问题。同时,PSO算法的性能大大依赖于各个参数的设定,在面对全新问题是很容易陷入局部最优,为此,我们提出基于动态局部进化的高斯粒子群优化算法。
发明内容
本发明的目的在于提供基于动态局部进化的高斯粒子群优化算法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于动态局部进化的高斯粒子群优化算法,具体的步骤为下:
S1、对标准粒子群算法进行优化,选择粒子群优化算法的宏观方向参数,表示粒子构造及种群规模,加快算法寻优的速度,避免算法陷入局部极值;
S2、设置粒子群优化算法的微观方向参数,根据社会搜索和认知搜索更新粒子自身运动,对粒子群算法的权重参数按照构建的非线性函数进行更新优化,以此加快收敛的速度,并且保证较高的精度;
S3、对粒子群算法的两个学习因子更新公式进行改进,保证粒子在运算前期具有较好的全局搜索能力,同时保证粒子在运算后期有较强的局部收敛能力,使收敛速度加快,结合当前参数,使用粒子群优化算法进行训练学习,以使粒子群中的粒子不断靠拢最优粒子;
S4、对粒子群算法的速度更新公式进行改进,使得如果粒子在上一次迭代中朝着全局最优方向飞行,那么在下一次迭代中的粒子飞行速度不变,否则按照速度更新公式进行更新速度;
S5、通过优化后的粒子群算法中粒子个体之间的协作,最终达到群体最优,通过个体与群体最佳位置的多次迭代,通过训练完成的动态局部进化模型对渲染数据进行时间预估,制定集群作业调度策略,以达到减少真实感渲染时间的目的;
S6、利用粒子群算法对所述函数模型进行全局搜索,同时,运行辅助算法对粒子群算法中的粒子以及粒子的个体最优位置pbest进行选择性更新,当所述粒子群算法达到最大的迭代次数时,根据最终代粒子群搜索到的最优解的相应变量值对所述待优化目标问题的参数进行对应设置,以获得所述待优化目标问题的解决方案。
优选的,所述S4中用构成径向基函数神经网络所需要的参数构成改进粒子群算法中的粒子,将构成的粒子代入目标函数中,得到初始适应度值。
优选的,所述S5中通过优化后的粒子群算法进行粒子位置及速度的更新,并计算更新之后的适应度值。
优选的,所述S6中判断适应度值是否达到设定的目标值,或者迭代次数到达最大值,满足其中一项条件即可停止迭代,取当前迭代出来的粒子作为最佳粒子,用构成最佳粒子的参数作为最优径向基函数神经网络的参数;若不满足条件,则继续执行S2,直到满足结束迭代条件得出最优径向基函数神经网络参数。
优选的,所述用于根据粒子群算法的粒子位置更新公式进行计算得到每个粒子在当前运行代数下的新位置矢量,对所述新位置矢量的目标函数值进行计算,并根据目标函数值的优劣以对每个粒子的个体最优位置和种群最优位置进行更新;
优选的,所述设Ppbest表示当前粒子本身搜索到的最佳方案,ppbest=(ppbest1,ppbest2,...,ppbestN),其中,Ppbestm表示当前粒子本身在第m维搜索到的最佳方案,m∈[1,N],N为单个粒子的维度,粒子自身运动更新为:
Vi(t+1)=ωVi(t)+c1r1(Pi(t)+rg1Gi(t)-Xi(t))+c2r2(Pg(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
优选的,所述S4中利用辅助算法对第t代粒子以及第t代之前的H-1代粒子进行聚类并生成新个体,得到第t+1代备选粒子,并计算粒子的目标函数值,用于根据预设的第一概率在所述第t+1代备选粒子中选择出替换粒子对第t+1代粒子进行替换,以对所述第t+1代粒子进行更新,用于根据预设的第二概率在所述第t+1代备选粒子中选择出若干比较粒子,根据目标函数值依次判断所述比较粒子是否优于所述第t+1代粒子的个体最优位置pbest;
优选的,所述Vi(t+1)是粒子i第t+1次迭代的速度,Xi(t+1)是粒子i第t+1次迭代的位置,Pi(t)是粒子i第t次迭代的极值,Pg(t)是第t次迭代粒子群全局最优解,t是当前时刻迭代次数,r1、r2是(0,1)之间的任一随机数,c1、c2是大于零的学习因子,ω是惯性权重,rg1是(0,1)之间的任一随机数,Gi(t)是粒子i在第t次迭代时产生的高斯扰动,基于更新的粒子速度和位置继续在粒子群个体和蝙蝠个体中进行搜索,直至达到最大迭代次数,输出最优个体。
优选的,所述惯性权重计算如下:
其中,ωmin是最小惯性权重,ωmax是最大惯性权重,t是当前时刻迭代次数;tmax是最大迭代次数。
高斯扰动计算如下:
Gi(t)=rg2*Gaussian(μ,σ2)
其中,rg2是(0,1)之间的任一随机数,μ是均值,σ2是方差。
与现有技术相比,本发明的有益效果是:
1.该发明解决了传统粒子群算法搜索精度低,容易陷入局部最优的问题,为单目标优化问题提供高精度搜索结果。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种技术方案:基于动态局部进化的高斯粒子群优化算法,具体的步骤为下:
S1、对标准粒子群算法进行优化,选择粒子群优化算法的宏观方向参数,表示粒子构造及种群规模,加快算法寻优的速度,避免算法陷入局部极值;
S2、设置粒子群优化算法的微观方向参数,根据社会搜索和认知搜索更新粒子自身运动,对粒子群算法的权重参数按照构建的非线性函数进行更新优化,以此加快收敛的速度,并且保证较高的精度;
S3、对粒子群算法的两个学习因子更新公式进行改进,保证粒子在运算前期具有较好的全局搜索能力,同时保证粒子在运算后期有较强的局部收敛能力,使收敛速度加快,结合当前参数,使用粒子群优化算法进行训练学习,以使粒子群中的粒子不断靠拢最优粒子;
S4、对粒子群算法的速度更新公式进行改进,使得如果粒子在上一次迭代中朝着全局最优方向飞行,那么在下一次迭代中的粒子飞行速度不变,否则按照速度更新公式进行更新速度;
S5、通过优化后的粒子群算法中粒子个体之间的协作,最终达到群体最优,通过个体与群体最佳位置的多次迭代,通过训练完成的动态局部进化模型对渲染数据进行时间预估,制定集群作业调度策略,以达到减少真实感渲染时间的目的;
S6、利用粒子群算法对所述函数模型进行全局搜索,同时,运行辅助算法对粒子群算法中的粒子以及粒子的个体最优位置pbest进行选择性更新,当所述粒子群算法达到最大的迭代次数时,根据最终代粒子群搜索到的最优解的相应变量值对所述待优化目标问题的参数进行对应设置,以获得所述待优化目标问题的解决方案。
优选的,所述S4中用构成径向基函数神经网络所需要的参数构成改进粒子群算法中的粒子,将构成的粒子代入目标函数中,得到初始适应度值。
优选的,所述S5中通过优化后的粒子群算法进行粒子位置及速度的更新,并计算更新之后的适应度值。
优选的,所述S6中判断适应度值是否达到设定的目标值,或者迭代次数到达最大值,满足其中一项条件即可停止迭代,取当前迭代出来的粒子作为最佳粒子,用构成最佳粒子的参数作为最优径向基函数神经网络的参数;若不满足条件,则继续执行S2,直到满足结束迭代条件得出最优径向基函数神经网络参数。
优选的,所述用于根据粒子群算法的粒子位置更新公式进行计算得到每个粒子在当前运行代数下的新位置矢量,对所述新位置矢量的目标函数值进行计算,并根据目标函数值的优劣以对每个粒子的个体最优位置和种群最优位置进行更新;
优选的,所述设Ppbest表示当前粒子本身搜索到的最佳方案,ppbest=(ppbest1,ppbest2,...,ppbestN),其中,Ppbestm表示当前粒子本身在第m维搜索到的最佳方案,m∈[1,N],N为单个粒子的维度,粒子自身运动更新为:
Vi(t+1)=ωVi(t)+c1r1(Pi(t)+rg1Gi(t)-Xi(t))+c2r2(Pg(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
优选的,所述S4中利用辅助算法对第t代粒子以及第t代之前的H-1代粒子进行聚类并生成新个体,得到第t+1代备选粒子,并计算粒子的目标函数值,用于根据预设的第一概率在所述第t+1代备选粒子中选择出替换粒子对第t+1代粒子进行替换,以对所述第t+1代粒子进行更新,用于根据预设的第二概率在所述第t+1代备选粒子中选择出若干比较粒子,根据目标函数值依次判断所述比较粒子是否优于所述第t+1代粒子的个体最优位置pbest;
优选的,所述Vi(t+1)是粒子i第t+1次迭代的速度,Xi(t+1)是粒子i第t+1次迭代的位置,Pi(t)是粒子i第t次迭代的极值,Pg(t)是第t次迭代粒子群全局最优解,t是当前时刻迭代次数,r1、r2是(0,1)之间的任一随机数,c1、c2是大于零的学习因子,ω是惯性权重,rg1是(0,1)之间的任一随机数,Gi(t)是粒子i在第t次迭代时产生的高斯扰动,基于更新的粒子速度和位置继续在粒子群个体和蝙蝠个体中进行搜索,直至达到最大迭代次数,输出最优个体。
优选的,所述惯性权重计算如下:
其中,ωmin是最小惯性权重,ωmax是最大惯性权重,t是当前时刻迭代次数;tmax是最大迭代次数。
高斯扰动计算如下:
Gi(t)=rg2*Gaussian(μ,σ2)
其中,rg2是(0,1)之间的任一随机数,μ是均值,σ2是方差。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.基于动态局部进化的高斯粒子群优化算法,具体的步骤为下:
S1、对标准粒子群算法进行优化,选择粒子群优化算法的宏观方向参数,表示粒子构造及种群规模,加快算法寻优的速度,避免算法陷入局部极值;
S2、设置粒子群优化算法的微观方向参数,根据社会搜索和认知搜索更新粒子自身运动,对粒子群算法的权重参数按照构建的非线性函数进行更新优化,以此加快收敛的速度,并且保证较高的精度;
S3、对粒子群算法的两个学习因子更新公式进行改进,保证粒子在运算前期具有较好的全局搜索能力,同时保证粒子在运算后期有较强的局部收敛能力,使收敛速度加快,结合当前参数,使用粒子群优化算法进行训练学习,以使粒子群中的粒子不断靠拢最优粒子;
S4、对粒子群算法的速度更新公式进行改进,使得如果粒子在上一次迭代中朝着全局最优方向飞行,那么在下一次迭代中的粒子飞行速度不变,否则按照速度更新公式进行更新速度;
S5、通过优化后的粒子群算法中粒子个体之间的协作,最终达到群体最优,通过个体与群体最佳位置的多次迭代,通过训练完成的动态局部进化模型对渲染数据进行时间预估,制定集群作业调度策略,以达到减少真实感渲染时间的目的;
S6、利用粒子群算法对所述函数模型进行全局搜索,同时,运行辅助算法对粒子群算法中的粒子以及粒子的个体最优位置pbest进行选择性更新,当所述粒子群算法达到最大的迭代次数时,根据最终代粒子群搜索到的最优解的相应变量值对所述待优化目标问题的参数进行对应设置,以获得所述待优化目标问题的解决方案。
2.根据权利要求1所述的基于动态局部进化的高斯粒子群优化算法,其特征在于:所述S4中用构成径向基函数神经网络所需要的参数构成改进粒子群算法中的粒子,将构成的粒子代入目标函数中,得到初始适应度值。
3.根据权利要求1所述的基于动态局部进化的高斯粒子群优化算法,其特征在于:所述S5中通过优化后的粒子群算法进行粒子位置及速度的更新,并计算更新之后的适应度值。
4.根据权利要求1所述的基于动态局部进化的高斯粒子群优化算法,其特征在于:所述S6中判断适应度值是否达到设定的目标值,或者迭代次数到达最大值,满足其中一项条件即可停止迭代,取当前迭代出来的粒子作为最佳粒子,用构成最佳粒子的参数作为最优径向基函数神经网络的参数;若不满足条件,则继续执行S2,直到满足结束迭代条件得出最优径向基函数神经网络参数。
5.根据权利要求1所述的基于动态局部进化的高斯粒子群优化算法,其特征在于:所述用于根据粒子群算法的粒子位置更新公式进行计算得到每个粒子在当前运行代数下的新位置矢量,对所述新位置矢量的目标函数值进行计算,并根据目标函数值的优劣以对每个粒子的个体最优位置和种群最优位置进行更新。
6.根据权利要求1所述的基于动态局部进化的高斯粒子群优化算法,其特征在于:所述设Ppbest表示当前粒子本身搜索到的最佳方案,ppbest=(ppbest1,ppbest2,...,ppbestN),其中,Ppbestm 表示当前粒子本身在第m维搜索到的最佳方案,m∈[1,N],N为单个粒子的维度,粒子自身运动更新为:
Vi(t+1)=ωVi(t)+c1r1(Pi(t)+rg1Gi(t)-Xi(t))+c2r2(Pg(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)。
7.根据权利要求1所述的基于动态局部进化的高斯粒子群优化算法,其特征在于:所述S4中利用辅助算法对第t代粒子以及第t代之前的H-1代粒子进行聚类并生成新个体,得到第t+1代备选粒子,并计算粒子的目标函数值,用于根据预设的第一概率在所述第t+1代备选粒子中选择出替换粒子对第t+1代粒子进行替换,以对所述第t+1代粒子进行更新,用于根据预设的第二概率在所述第t+1代备选粒子中选择出若干比较粒子,根据目标函数值依次判断所述比较粒子是否优于所述第t+1代粒子的个体最优位置pbest。
8.根据权利要求6所述的基于动态局部进化的高斯粒子群优化算法,其特征在于:所述Vi(t+1)是粒子i第t+1次迭代的速度,Xi(t+1)是粒子i第t+1次迭代的位置,Pi(t)是粒子i第t次迭代的极值,Pg(t)是第t次迭代粒子群全局最优解,t是当前时刻迭代次数,r1、r2是(0,1)之间的任一随机数,c1、c2是大于零的学习因子,ω是惯性权重,rg1是(0,1)之间的任一随机数,Gi(t)是粒子i在第t次迭代时产生的高斯扰动,基于更新的粒子速度和位置继续在粒子群个体和蝙蝠个体中进行搜索,直至达到最大迭代次数,输出最优个体。
9.根据权利要求1所述的基于动态局部进化的高斯粒子群优化算法,其特征在于:所述惯性权重计算如下:
其中,ωmin是最小惯性权重,ωmax是最大惯性权重,t是当前时刻迭代次数;tmax是最大迭代次数。
高斯扰动计算如下:
Gi(t)=rg2*Gaussian(μ,σ2)
其中,rg2是(0,1)之间的任一随机数,μ是均值,σ2是方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402230.5A CN114757323A (zh) | 2022-04-18 | 2022-04-18 | 基于动态局部进化的高斯粒子群优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402230.5A CN114757323A (zh) | 2022-04-18 | 2022-04-18 | 基于动态局部进化的高斯粒子群优化算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757323A true CN114757323A (zh) | 2022-07-15 |
Family
ID=82331655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210402230.5A Withdrawn CN114757323A (zh) | 2022-04-18 | 2022-04-18 | 基于动态局部进化的高斯粒子群优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757323A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152316A (zh) * | 2023-04-17 | 2023-05-23 | 山东省工业技术研究院 | 一种基于自适应参数粒子群算法的图像配准方法 |
CN116362521A (zh) * | 2023-05-29 | 2023-06-30 | 天能电池集团股份有限公司 | 一种高端电池智能工厂应用级生产排程方法 |
CN116629085A (zh) * | 2023-06-15 | 2023-08-22 | 中国建筑第二工程局有限公司 | 基于粒子群算法及卷积神经网络的防水涂料最优化方法 |
CN117154780A (zh) * | 2023-10-27 | 2023-12-01 | 深圳库博能源股份有限公司 | 分布式协同储能控制方法、装置、设备及存储介质 |
CN117172114A (zh) * | 2023-09-07 | 2023-12-05 | 苏州市职业大学(苏州开放大学) | 双电枢无轴承磁通反向电机的多目标粒子群协作族群方法 |
-
2022
- 2022-04-18 CN CN202210402230.5A patent/CN114757323A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152316A (zh) * | 2023-04-17 | 2023-05-23 | 山东省工业技术研究院 | 一种基于自适应参数粒子群算法的图像配准方法 |
CN116362521A (zh) * | 2023-05-29 | 2023-06-30 | 天能电池集团股份有限公司 | 一种高端电池智能工厂应用级生产排程方法 |
CN116362521B (zh) * | 2023-05-29 | 2023-08-22 | 天能电池集团股份有限公司 | 一种高端电池智能工厂应用级生产排程方法 |
CN116629085A (zh) * | 2023-06-15 | 2023-08-22 | 中国建筑第二工程局有限公司 | 基于粒子群算法及卷积神经网络的防水涂料最优化方法 |
CN117172114A (zh) * | 2023-09-07 | 2023-12-05 | 苏州市职业大学(苏州开放大学) | 双电枢无轴承磁通反向电机的多目标粒子群协作族群方法 |
CN117172114B (zh) * | 2023-09-07 | 2024-03-19 | 苏州市职业大学(苏州开放大学) | 双电枢无轴承磁通反向电机的多目标粒子群协作族群方法 |
CN117154780A (zh) * | 2023-10-27 | 2023-12-01 | 深圳库博能源股份有限公司 | 分布式协同储能控制方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757323A (zh) | 基于动态局部进化的高斯粒子群优化算法 | |
CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
Wang et al. | Ensemble particle swarm optimization and differential evolution with alternative mutation method | |
Al-Shabi et al. | Improved asymmetric time-varying coefficients of particle swarm optimization | |
Su et al. | An improved adaptive differential evolution algorithm for single unmanned aerial vehicle multitasking | |
Chen et al. | Particle swarm optimization based on genetic operators for sensor-weapon-target assignment | |
Zhang et al. | A promotive particle swarm optimizer with double hierarchical structures | |
Hu et al. | Improved K-means algorithm based on hybrid fruit fly optimization and differential evolution | |
CN110399697A (zh) | 基于改进遗传学习粒子群算法的飞行器的控制分配方法 | |
Xin et al. | Research on route planning based on improved ant colony algorithm | |
Wei et al. | Hierarchical task assignment of multiple UAVs with improved firefly algorithm based on simulated annealing mechanism | |
CN112308229B (zh) | 基于自组织映射的动态多目标演化优化方法 | |
Zhang et al. | Cooperative task assignment for UAV based on SA-QCDPSO | |
Tan et al. | A fast and stable forecasting model to forecast power load | |
Wang et al. | Particle-swarm krill herd algorithm | |
Huang et al. | An Improved Q-Learning Algorithm for Path Planning | |
Miao et al. | Multi-Robot Task Allocation Using Multimodal Multi-Objective Evolutionary Algorithm Based on Deep Reinforcement Learning | |
Lo et al. | Applying a chaos-based firefly algorithm to the permutation flow shop scheduling problem | |
Cui et al. | Application of RBF neural network improved by PSO algorithm in fault diagnosis | |
Wang et al. | An improved reinforcement Q-learning method with BP neural networks in robot soccer | |
CN117590757B (zh) | 基于高斯分布海鸥优化算法的多无人机协同任务分配方法 | |
CN113505538B (zh) | 一种基于计算机生成兵力的无人机自主作战系统 | |
Yin et al. | Forecasting the intrinsic viscosity of polyester based on improved extreme learning machine | |
CN117608318B (zh) | 基于仿鸟类趋光性的无人机编队避障控制方法及系统 | |
Zhang et al. | Robot path planning based on shuffled frog leaping algorithm combined with genetic algorithm |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220715 |
|
WW01 | Invention patent application withdrawn after publication |