学位论文 > 优秀研究生学位论文题录展示

群智能算法及其在潜器导航规划中的应用

作　者: 唐小勇
导　师: 于飞
学　校: 哈尔滨工程大学
专　业: 系统理论
关键词: 群智能粒子群算法蚁群算法路径规划环境建模水下潜器
分类号: U675.7
类　型: 硕士论文
年　份: 2011年
下　载: 60次
引　用: 0次
阅　读: 论文下载

内容摘要

群智能算法是近几年被广为关注和研究的一种新型优化算法,主要包括粒子群算法和蚁群算法,这些算法都是源于对自然界生物系统觅食等自身本能行为的模拟。经研究发现,群智能算法在很多方面比传统型优化算法具有不可比拟的优势,因此得到了许多研究者的青睐。粒子群算法(PSO)相对于传统型优化算法具有原理简单、编程容易实现、可调参数较少和收敛速度快等优点；并且由于粒子群算法的可移植性强,在很多工程实际中都可以用粒子群算法进行优化；目前PSO的研究主要集中在两个方面：算法本身的研究和算法的应用研究。而算法本身的研究主要包括收敛性证明、收敛速度的验证以及粒子群算法与其他优化的融合研究。蚁群算法(ACO)是模拟蚂蚁群体觅食行为,通过路径上的信息素累加和挥发控制来指导蚂蚁前进的方向,并最终实现所有蚂蚁趋向同一条道。算法原理简单,可以调节的参数少,主要是集中在信息素的挥发和累加上。和粒子群算法相比,在路径搜索上更有优势,但同时在收敛时间上又处于劣势。目前,ACO的研究主要包括参数调控、混合智能算法以及算法的应用研究。本文主要完成三个工作。第一个工作是对粒子群算法的参数进行改进：(1)惯性权值的改进,提出一种非线性凹函数的惯性权值递减策略,主要包括指数函数形式和双曲线函数形式的两种递减方式,并最终实现一种基于突变因子的跳跃式变化曲线形式来进行惯性权值的更新；(2)速度迭代公式的改进,提出一种基于局部最优粒子的小群体认知方式,并提出两种局部最优粒子的构造形式。考虑到粒子群算法在迭代后期的容易陷入局部最优,不利于全局搜索；而基于突变因子的改进粒子群算法增加了后期的跳变概率,从而增大了搜索的可能性。实验结果表明,基于突变因子的惯性权值递减策略具有很好的收敛性能,收敛速度比线性变化的基本粒子群算法快4-5倍,收敛精度也比基本粒子群算法好。这部分内容在本文的第5章。第二个工作是对蚁群算法的改进研究：(1)对蚁群算法信息素更新方式的改进,提出一种基于粒子群算法的信息素更新机制。(2)在(1)中改进的基础上引入隔代-分群机制,即在迭代过程中对蚂蚁进行合群和分群交替变换,增强蚂蚁的全局搜索能力。蚁群算法的信息素更新方式决定了蚁群算法的收敛准度和收敛时间,由于基本蚁群算法的信息素更新方式在问题规模扩大时极易陷入局部最优；而粒子群信息素更新机制和隔代-分群机制具有分散信息素分散作用,可以减小某条路径上的信息素积累过多,这样就可以达到避免陷入局部最优目的。最后,进行实验仿真,利用四种典型的TSP来验证改进型蚁群算法的性能,并由实验数据得出相关结论,这部分内容在本文的第6章。第三个工作是水下潜器导航规划的研究,路径规划是水下潜器的研究热点,为了得到一个较好的前进路线,研究者们研究了多种方法,如人工场势法、八叉树区域分割法等；本文主要是利用群智能算法来进行水下潜器的路径规划。本文主要依据群智能算法对水下潜器工作环境进行建模分析,最终将水下潜器导航规划问题进行转化,提出相关避障算法、导航算法和路径优化算法。并将改进的粒子群算法和蚁群算法应用在水下潜器的路径规划中。从实验结果可以知道,群智能算法基本上可以实现三维水下导航规划,但在其深层次的性能还有待进一步验证。这部分内容在本文的第4章、第5章和第6章。最后,对群智能算法的研究进行总结与展望。

全文目录

摘要  5-7
ABSTRACT  7-11
第1章绪论  11-21
  1.1 引言  11-12
  1.2 论文研究背景及意义  12-14
  1.3 群智能算法的研究现状  14-19
    1.3.1 粒子群算法的研究现状  15-17
    1.3.2 蚁群算法的研究现状  17-19
    1.3.3 水下潜器导航规划算法的研究现状  19
  1.4 本文主要工作内容  19-21
第2章粒子群算法概述  21-32
  2.1 粒子群算法基本原理  21-26
    2.1.1 算法原理  21-22
    2.1.2 粒子群优化算法的算法流程  22
    2.1.3 全局模型与局部模型  22-23
    2.1.4 粒子群优化算法的相关参数  23-26
  2.2 粒子群算法研究状况  26-30
    2.2.1 对算法参数的研究  26-29
    2.2.2 对算法的融合研究  29-30
    2.2.3 对算法理论的研究与拓展  30
  2.3 粒子群算法的不足及展望  30-31
    2.3.1 算法的理论还有待验证  31
    2.3.2 算法的自适应调整  31
    2.3.3 粒子的群体性  31
  2.4 本章小结  31-32
第3章蚁群算法概述  32-41
  3.1 蚁群算法的原理及模型  32-37
    3.1.1 蚁群算法的模型基础  32-34
    3.1.2 基本蚁群算法  34-36
    3.1.3 蚁群算法相关参数  36-37
    3.1.4 蚁群算法的优缺点  37
  3.2 蚁群算法的研究状况  37-40
    3.2.1 蚁群算法的理论研究  37-39
    3.2.2 蚁群算法的应用研究  39-40
  3.3 蚁群算法研究展望  40
  3.4 本章小结  40-41
第4章水下潜器导航规划问题分析  41-52
  4.1 路径规划的相关知识  41
  4.2 水下潜器的导航技术介绍  41-42
  4.3 模型描述  42-48
    4.3.1 模型建立与分析  42-44
    4.3.2 路径搜索方式  44-47
    4.3.3 路径函数的确定  47-48
    4.3.4 算法描述  48
  4.4 路径优化  48-51
    4.4.1 优化方法描述  48-50
    4.4.2 优化步骤描述  50-51
  4.5 本章小结  51-52
第5章改进粒子群算法及其应用  52-71
  5.1 引言  52
  5.2 粒子群算法的改进  52-58
    5.2.1 基于惯性权值的算法改进  52-56
    5.2.2 基于信息共享的算法改进  56-58
  5.3 改进粒子群算法描述及算法步骤  58-60
    5.3.1 算法代码分析  58-59
    5.3.2 算法基本步骤  59-60
  5.4 改进粒子群算法的试验仿真分析  60-66
  5.5 改进粒子群算法的应用研究  66-70
    5.5.1 导航算法定义  66-67
    5.5.2 导航算法步骤  67-68
    5.5.3 仿真结果与分析  68-70
  5.6 本章小结  70-71
第6章改进蚁群算法及其应用  71-86
  6.1 基于粒子群算法和蚁群算法的混合算法  71-78
    6.1.1 粒子群算法、蚁群算法融合的可行性和优越性  71
    6.1.2 粒子蚁群算法(PACO)  71-72
    6.1.3 基于粒子群算法的蚁群算法简单描述  72-73
    6.1.4 基于粒子群算法的蚁群算法步骤  73-74
    6.1.5 基于粒子群算法的蚁群算法的实验仿真  74-78
  6.2 隔代-分群机制的蚁群算法  78-82
    6.2.1 隔代-分群机制的蚁群算法基本描述  78-80
    6.2.2 隔代-分群机制的蚁群算法的步骤  80-81
    6.2.3 仿真分析  81-82
  6.3 基于改进蚁群算法水下潜器导航规划研究  82-85
    6.3.1 导航算法定义  82-83
    6.3.2 导航算法步骤  83
    6.3.3 仿真结果与分析  83-85
  6.4 本章小结  85-86
结论  86-89
参考文献  89-96
攻读硕士学位期间的发表论文和取得的科研成果  96-97
致谢  97

群智能算法及其在潜器导航规划中的应用

内容摘要

全文目录

相似论文