基于小生境粒子群优化的船舶多路径规划方法
————————————
基金项目基金项目：：国家自然科学基金资助项目(51009036, 51109041)
作者简介作者简介：：刘利强(1980－)，男，副教授、博士，主研方向：计算智能，认知科学；汪相国、范志超，硕士研究生 收稿日期收稿日期：：2012-08-10 修回日期修回日期：：2012-10-24 E-mail ：llq9842222@https://www.360docs.net/doc/ab7576878.html,
基于小生境粒子群优化的船舶多路径规划方法
刘利强刘利强，，汪相国汪相国，，范志超
(哈尔滨工程大学自动化学院，哈尔滨 150001)
摘 要：针对船舶全局路径规划中的多路径规划问题，提出一种基于小生境粒子群优化的多路径规划方法。借鉴遗传算法求解多峰函数的思想，在基本粒子群优化算法的基础上，引入小生境生成、隔离进化和交叉算子等策略，分别采用主群粒子进行区域划分，使用子群粒子完成区域内的局部寻优，从而实现船舶多路径规划。仿真结果表明，该方法能正确、有效地规划出多条最优及次优路径。
关键词关键词：：多路径规划；粒子群优化；小生境；隔离进化；交叉算子；多种群
Multi-path Planning Method for Ships
Based on Niche Particle Swarm Optimization
LIU Li-qiang, WANG Xiang-guo, FAN Zhi-chao
(College of Automation, Harbin Engineering University, Harbin 150001, China)
【Abstract 】For the problem of multi-path planning in global path planning for ships, a multi-path planning method based on niche Particle Swarm Optimization(PSO) is proposed. Based on the idea of Genetic Algorithm(GA) to solve multi-modal function, it takes the formation of niche, isolated evolution and crossover operator into the PSO, uses the main particle swarm to decompose the region, and the sub-particle swarm to optimize the local region respectively to accomplish the multi-path planning for ships. Simulation results show that this method can plan multiple optimal and sub-optimal paths correctly and efficiently.
【Key words 】multi-path planning; Particle Swarm Optimization(PSO); niche; isolated evolution; crossover operator; multi-population DOI: 10.3969/j.issn.1000-3428.2013.09.051
计 算 机 工 程 Computer Engineering 第39卷 第9期
V ol.39 No.9 2013年9月
September 2013
·人工智能及识别技术人工智能及识别技术·· 文章编号文章编号：：1000—3428(2013)09—0227—06 文献标识码文献标识码：：A
中图分类号中图分类号：：TP391
1 概述
路径规划是实现船舶智能化航行的关键技术之一，其主要任务是在环境已知、部分已知或未知的情况下，按照一定的评价标准，寻找从起点到终点的最优航行路线[1-2]。路径规划分为全局规划和局部规划，其中，全局路径规划是在环境信息完全已知的情况下，在大范围内进行最优航线规划，而局部路径规划需要传感器实时地获取环境信息，在小范围内进行避碰航线规划[2-3]。本文进行船舶全局路径规划研究。目前，大部分的船舶全局路径规划方法，对路径优劣的评价完全依据给定的适应值函数，生成一条具有最优适应度的路径。由于路径规划问题本身、船舶运动以及外部环境的复杂性，很难用一个统一的适应值函数将所有的因素都考虑进去[4]。
针对上述的问题，一种有效的途径是预先规划出多条最优及次优路径，在任务执行时，决策者根据不同的需求临时选择合适的航线[5]。近年来，一些学者开展了多路径规划研究，文献[6]子群内的交叉、变异等操作会破坏已创建
的子群，导致算法多路径规划效率降低；文献[4]在粒子群多样化阶段完成子群的创建，因此，子群的数量依赖于粒子群的多样化程度。鉴于此，本文对子群间采用隔离进化的策略，子群内用粒子群优化(Particle Swarm Optimization, PSO)算法进行区域内局部寻优，没有交叉、变异等操作；对主群用认知的PSO 进行更新，引入交叉算子，增强主群粒子对新区域的探索能力，并进行仿真实验。
2 问题描述与建模
船舶航行在海洋等环境中，存在着静态环境约束和动态环境约束，静态约束包括岛礁、海底地形等，动态约束包括船舶、气候变化等。本文采用在直角坐标系下进行二维空间建模，对于船舶，路径规划就是寻找其在环境中航行时所经过的点的集合。路径编码原理如图1所示。
在图1全局坐标系-O XY 中，黑色不规则的多边形表示障碍物，S 为船舶航行的起点，G 为终点，船舶的路径规划即寻找一个点的集合：
12{,,,,,}n P S P P P G =? (1)
基于粒子群优化算法的图像分割
安康学院 学年论文（设计） 题目_____________________________________________ 学生姓名_______________ 学号_____________________________ 所在院（系）_______________________________________ 专业班级__________________________________________________ 指导教师_____________________________________________ 年月曰
基于粒子群优化算法的图像分割 （作者：） （） 指导教师： 【摘要】本文通过对粒子群优化算法的研究，采用Java编程，设计出一套用于图像分割的系统。 基于粒子群优化算法的图像分割系统，可以将一幅给定的图像进行分割，然后将分割结果保存。图像分割的目的是将感兴趣的区域从图像中分割出来，从而为计算机视觉的后续处理提供依据。图像分割的方法有多种，阈值法因其实现简单而成为一种有效的图像分割方法。而粒子群优化（PSO）算法是一类随机全局优化技术，它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短寻找阈值的时间。因此，基于粒子群优化算法的图像分割以粒子群优化算法为寻优工具，建立具有自适应和鲁棒性的分割方法。从而可以在最短的时间内，准确地确定分割阈值。 关键词：粒子群优化（PSO，图像分割，阈值法，鲁棒性 Abstract T his paper based on the particle swarm optimizati on algorithm, desig ns a set of system for image segme ntati on using Java program min g. Image segme ntati on system based on particle swarm optimizati on algorithm, the image can be a given segmentation, and then the segmentation results would be saved. Image segmentation is the purpose of the interested area from the image, thus providing the basis for the subsequent processing of computer vision. There are many methods of image segmentation, threshold method since its simple realization, becomes a kind of effective method in image segmentation. Particle swarm optimization （PSO） algorithm is a stochastic global optimization technique; it finds optimal regions of complex search spaces for threshold time shorte ned through the in teractio n betwee n particles. Therefore, particle swarm optimization algorithm of image segmentation based on particle swarm optimization algorithm based on optimizati on tools; establish segme ntati on method with adaptive and robust. Therefore, it is possible for us in the shortest possible time to accurately determ ine the segme ntati on threshold. Key word s: PSO, image segmentation, threshold method, robust. 1引言 1.1研究的背景和意义 技术的不断向前发展，人们越来越多地利用计算机来获取和处理视觉图像信息。据统计，人类
改进的粒子群优化算法
第37卷第4期河北工业大学学报2008年8月V ol.37No.4JOURNAL OF HEBEI UNIVERSITY OF TECHNOLOGY August2008 文章编号：1008-2373(2008)04-0055-05 改进的粒子群优化算法 宋洁，董永峰，侯向丹，杨彦卿 （河北工业大学计算机科学与软件学院，天津300401） 摘要粒子群优化算法是一种基于群体的自适应搜索优化算法，存在后期收敛慢、搜索精度低、容易陷入局部极 小等缺点，为此提出了一种改进的粒子群优化算法，从初始解和搜索精度两个方面进行了改进，提高了算法的计 算精度，改善了算法收敛性，很大程度上避免了算法陷入局部极小．对经典函数测试计算，验证了算法的有效性． 关键词粒子群优化算法；均匀化；变量搜索；初始解；搜索精度 中图分类号TP391文献标识码A A Modified Particle Swarm Optimization Algorithm SONG Jie,DONG Yong-feng,HOU Xiang-dan,Y ANG Yan-qing (School of Computer Science and Engineering,Hebei University of Technology,Tianjin300401,China) Abstract Particle Swarm Optimization Algorithm is a kind of auto-adapted search optimization based on community. But the standard particle swarm optimization is used resulting in slow after convergence,low search precision and easily leading to local minimum.A new Particle Swarm Optimization algorithm is proposed to improve from the initial solution and the search precision.The obtained results showed the algorithm computation precision and the astringency are im- proved,and local minimum is avoided.The experimental results of classic functions show that the improved PSO is ef- ficient and feasible. Key words PSO；average；variable search；initial solution；search accuracy 0引言 粒子群优化（Particle Swarm Optimization，PSO）算法是一种基于群体的随机优化技术，最早在1995年由美国社会心理学家James Kennedy和电气工程师Russell Eberhart[1]共同提出，基本思想源于对鸟群觅食行为的研究．PSO将每个可能产生的解都表述为群中的一个微粒，每个微粒都具有自己的位置向量和速度向量，和一个由目标函数决定的适应度，通过类似梯度下降算法使各粒子向适应度函数值最高的方向群游．该算法控制参数少、程序相对简单，因此在应用领域表现出了很大的优越性．由于PSO算法容易理解、易于实现，所以PSO算法发展很快．目前，多种PSO改进算法已广泛应用于函数优化、神经网络训练、模式识别、模糊系统控制以及其他的应用领域． 许多学者对PSO算法进行研究，发现其容易出现早熟、最优解附近收敛慢等现象，并提出了一些改进方案，例如自适应PSO算法、混合PSO算法、杂交PSO算法等[2-4]．因此，本文从初始解和收敛精度两个角度出发对PSO算法进行了改进，提高了算法的计算精度，有效的改善了算法的优化性能． 1基本PSO算法 PSO算法是一种基于群体的随机优化技术，基本思想源于对鸟群觅食行为的研究．通过对鸟群飞行时经常会突然改变方向、散开、聚集，但整体总保持一致性，个体与个体间鸟群好像在一个中心的控制 收稿日期：2008-04-17 基金项目：河北省自然科学基金（F2006000109） 作者简介：宋洁（1967-），女（汉族），副教授．
基于改进粒子群算法的优化策略
收稿日期:2009-12-13 基金项目:国家自然科学基金资助项目(60674021) 作者简介:卢 峰(1982-),男,辽宁抚顺人,东北大学博士研究生;高立群(1949-),男,辽宁沈阳人,东北大学教授,博士生导师 第32卷第9期2011年9月东北大学学报(自然科学版)Journal of Northeastern U niversity(Natural Science)Vol 32,No.9Sep.2011 基于改进粒子群算法的优化策略 卢 峰,高立群 (东北大学信息科学与工程学院,辽宁沈阳 110819) 摘 要:为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法 将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子 在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题 通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力 关 键 词:进化算法;粒子群算法;全局优化;慢变函数;自适应 中图分类号:T G 273 文献标志码:A 文章编号:1005 3026(2011)09 01221 04 Novel Optimization Mechanism Based on Improved Particle Swarm Optimization L U Feng ,GAO L i qun (School of Information Science &Engineering,Northeaster n U niv ersity,Shenyang 110819,China.Corresponding author :LU F eng,E mail:feng.lu.lf @g https://www.360docs.net/doc/ab7576878.html,) Abstract :To accelerate searching speed and optimization accuracy of traditional PSO,an improved particle swarm optimization (PSO )algorithm w as presented.Regularly vary ing function and slow ly varying function were introduced in the position and velocity update formula.New mechanisms such as explorative operator and exploitative operator are formulated.At the beginning,most elements will be updated by explorative operator in the entire search space sufficiently.Within the iterations,more and more particles w ill be handled by ex ploitative operator,which are useful to overcome the deceptions of multiple local optima.It can be seen from the simulation results of the standard benchm ark test functions that the proposed algorithm not only accelerates the convergence process,but also improves g lobal optim ization ability. Key words:evolutionary algorithms;particle sw arm optimization;global optimization;slow ly v arying function;self adaptive 20世纪90年代初,产生了模拟自然生物群体行为的优化方法,被称为群智能优化方法 Dorigo 等人通过模拟蚂蚁的寻径行为,提出了蚁群优化算法(ant colony optimization)[1] ;Eberhart 等人基于对鸟群、鱼群的模拟,提出了粒子群优化算法(particle sw arm optim ization )[2] 作为一种群智能优化方法的代表,粒子群算法通过个体间的协作来寻找最优解,每个个体都被赋予一个随机速度并在整个解空间中搜索,通 过个体之间的合作与竞争来实现个体进化 由于粒子群优化算法运算简单,易于实现,具有良好的解决非线性、不可微和多峰值复杂优化问题的能力,已被广泛应用于科学和工程实际领域[3-5] 但是,粒子群优化算法是根据全体粒子和自身的搜索经验向着最优解的方向进化,在进化后期收敛速度将变得缓慢,同时算法在收敛到一定精度时,容易陷入停滞,无法继续进化更新,因此,存在早熟和陷入局部极值点的现象
基于MATLAB的粒子群优化算法的应用示例
对于函数f=x*sin(x)*cos(2*x)-2*x*sin(3*x)，求其在区间[0,20]上该函数的最大值。 ?初始化种群 已知位置限制[0,20],由于一维问题较为简单，因此可以取初始种群N 为50，迭代次数为100,当然空间维数d 也就是1。 位置和速度的初始化即在位置和速度限制内随机生成一个N×d 的矩阵，对于此题，位置初始化也就是在0~20内随机生成一个50×1的数据矩阵，而对于速度则不用考虑约束，一般直接在0~1内随机生成一个50×1的数据矩阵。 此处的位置约束也可以理解为位置限制，而速度限制是保证粒子步长不超限制的，一般设置速度限制为[-1,1]。 粒子群的另一个特点就是记录每个个体的历史最优和种群的历史最优，因此而二者对应的最优位置和最优值也需要初始化。其中每个个体的历史最优位置可以先初始化为当前位置,而种群的历史最优位置则可初始化为原点。对于最优值，如果求最大值则初始化为负无穷，相反地初始化为正无穷。 每次搜寻都需要将当前的适应度和最优解同历史的记录值进行对比，如果超过历史最优值，则更新个体和种群的历史最优位置和最优解。 ?速度与位置的更新
速度和位置更新是粒子群算法的核心，其原理表达式和更新方式如下: 每次更新完速度和位置都需要考虑速度和位置的限制，需要将其限制在规定范围内，此处仅举出一个常规方法，即将超约束的数据约束到边界（当位置或者速度超出初始化限制时，将其拉回靠近的边界处）。当然，你不用担心他会停住不动，因为每个粒子还有惯性和其他两个参数的影响。 代码如下： clc;clear;close all; %% 初始化种群 f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函数表达式figure(1);ezplot(f,[0,0.01,20]); N = 50; % 初始种群个数 d = 1; % 空间维数 ger = 100; % 最大迭代次数 limit = [0, 20]; % 设置位置参数限制 vlimit = [-1, 1]; % 设置速度限制 w = 0.8; % 惯性权重 c1 = 0.5; % 自我学习因子 c2 = 0.5; % 群体学习因子 for i = 1:d
标准粒子群算法(PSO)及其Matlab程序和常见改进算法
一、粒子群算法概述 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。 PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。 PSO 初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个”极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。 二、算法原理 粒子群算法采用常数学习因子，及惯性权重，粒子根据如下的公式更新自己的速度和位置。 V ki=ωk V i?1i+c1r1(Q bi?Q k?1i)+c2r2(Q bg?Q k?1i)Q ki=Q k?1i+V ki 三、算法步骤 1、随机初始化种群中各微粒的位置和速度； 2、评价个粒子的适应度，将各粒子的位置和适应度储存在各微粒的pbest（Q bi）中，将所有pbest中适应度最优的个体的位置和适应度存储在gbest（Q bg）中。 3、更新粒子的速度和位移。 V ki=ωk V i?1i+c1r1(Q bi?Q k?1i)+c2r2(Q bg?Q k?1i)Q ki=Q k?1i+V ki 4、对每个微粒，与其前一个最优位置比较，如果较好，则将其作为当前的最优位置。 5、比较当前所有的pbest和上一迭代周期的gbest，更新gbest。 6、若满足停止条件（达到要求精度或迭代次数），搜索停止，输出结果，否则，返回2。
粒子群算法原理及在函数优化中的应用(附程序)
粒子群算法原理及其在函数优化中的应用 1 粒子群优化（PSO ）算法基本原理 1.1 标准粒子群算法 假设在一个D 维的目标搜索空间中，有m 个代表问题潜在解的粒子组成一个种群12[,,...,]m =x x x x ，第i 个粒子的信息可用D 维向量表示为 12[,,...,]T i i i iD x x x =x ，其速度为12[,,...,]T i i i iD v v v =v 。算法首先初始化m 个随机粒 子，然后通过迭代找到最优解。每一次迭代中，粒子通过跟踪2个极值进行信息交流，一个是第i 个粒子本身找到的最优解，称之为个体极值，即 12[,,...,]T i i i iD p p p =p ；另一个是所有粒子目前找到的最优解，称之为群体极值， 即12[,,...,]T g g g gD p p p =p 。粒子在更新上述2个极值后，根据式(1)和式(2)更新自己的速度和位置。 11122()()t t t t t t i i i i g i w c r c r +=+-+-v v p x p x (1) 11t t t i i i ++=+x x v (2) 式中，t 代表当前迭代次数，12,r r 是在[0,1]之间服从均匀分布的随机数，12 ,c c 称为学习因子，分别调节粒子向个体极值和群体极值方向飞行的步长，w 为惯性权重，一般在0.1~0.9之间取值。在标准的PSO 算法中，惯性权重w 被设为常数，通常取0.5w =。在实际应用中，x 需保证在一定的围，即x 的每一维的变化围均为min max [,]X X ，这在函数优化问题中相当于自变量的定义域。 1.2 算法实现步骤 步骤1：表示出PSO 算法中的适应度函数()fitness x ；（编程时最好以函数的形式保存，便于多次调用。） 步骤2：初始化PSO 算法中各个参数(如粒子个数，惯性权重，学习因子，最大迭代次数等)，在自变量x 定义域随机初始化x ，代入()fitness x 求得适应度值，通过比较确定起始个体极值i p 和全局极值g p 。 步骤3：通过循环迭代更新x 、i p 和g p ： ①确定惯性权重w 的取值（当w 不是常数时）。 ②根据式(1)更新粒子的速度1k i +v ，若速度中的某一维超过了max V ，则取为 max V 。 ③根据式(2)更新自变量x ，若x 的取值超过其定义域，则在其定义域重新初
粒子群算法解决函数优化问题
粒子群算法解决函数优化问题 1、群智能算法研究背景 粒子群优化算法（Particle Swarm Optimization，PSO）是由Kennedy 和Eberhart 在研究鸟类和鱼类的群体行为基础上于1995 年提出的一种群智能算法，其思想来源于人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到优。 PSO算法作为一种新的群智能算法，可用于解决大量非线性、不可微和多峰值的复杂函数优化问题，并已广泛应用于科学和工程领域，如函数优化、神经网络训练、经济调度、模式识别与分类、结构设计、电磁场和任务调度等工程优化问题等。 PSO算法从提出到进一步发展，仅仅经历了十几年的时间，算法的理论基础还很薄弱，自身也存在着收敛速度慢和早熟的缺陷。如何加快粒子群算法的收敛速度和避免出现早熟收敛，一直是大多数研究者关注的重点。因此，对粒子群算法的分析改进不仅具有理论意义，而且具有一定的实际应用价值。 2、国内外研究现状 对PSO算法中惯性权重的改进：Poli等人在速度更新公式中引入惯性权重来更好的控制收敛和探索，形成了当前的标准PSO算法。 研究人员进行了大量的研究工作，先后提出了线性递减权值( LDIW)策略、模糊惯性权值( FIW) 策略和随机惯性权值( RIW) 策略。其中，FIW 策略需要专家知识建立模糊规则，实现难度较大，RIW 策略被用于求解动态系统，LDIW策略相对简单且收敛速度快， 任子晖，王坚于2009 年，又提出了基于聚焦距离变化率的自适应惯性权重PSO算法。 郑春颖和郑全弟等人，提出了基于试探的变步长自适应粒子群算
法。这些改进的PSO算法既保持了搜索速度快的特点, 又提高了全局搜索的能力。 对PSO算法的行为和收敛性的分析：1999 年采用代数方法对几种典型PSO算法的运行轨迹进行了分析，给出了保证收敛的参数选择范围。在收敛性方面Fransvan den Bergh引用Solis和Wets关于随机性算法的收敛准则，证明了标准PSO算法不能收敛于全局优解，甚至于局部优解；证明了保证收敛的PSO算法能够收敛于局部优解，而不能保证收敛于全局优解。 国内的学者：2006 年，刘洪波和王秀坤等人对粒子群优化算法的收敛性进行分析，指出它在满足收敛性的前提下种群多样性趋于减小，粒子将会因速度降低而失去继续搜索可行解的能力，提出混沌粒子群优化算法。 2008 年，黄翀鹏和熊伟丽等人分析惯性权值因子大小对PSO算法收敛性所带来的影响，对粒子群算法进行了改进。2009 年，高浩和冷文浩等人，分析了速度因子对微粒群算法影响，提出了一种基于Gaussian 变异全局收敛的粒子群算法。并证明了它能以概率 1 收敛到全局优解。 2010 年，为提高粒子群算法的收敛性,提出了基于动力系统的稳定性理论，对惯性权重粒子群模型的收敛性进行了分析，提出了使得在算法模型群模型收敛条件下的惯性权重和加速系数的参数约束关系，使算法在收敛性方面具有显著优越性。在PSO算法中嵌入别的算法的思想和技术。 1997年，李兵和蒋慰孙提出混沌优化方法； 1998年，Angeline在PSO算法中引入遗传算法中的选择算子，该算法虽然加快了算法的收敛速度，但同时也使算法陷入局部优的概率大增，特别是在优化Griewank 基准函数的优值时得到的结果不理想； 2004 年，高鹰和谢胜利将混沌寻优思想引入到粒子群优化算法中，首先对当前群体中的优粒子进行混沌寻优, 再用混沌寻优的结果随机替换群体中的一个粒子，这样提出另一种混沌粒子群优化算法。
基于小生境粒子群优化的船舶多路径规划方法
———————————— 基金项目基金项目：：国家自然科学基金资助项目(51009036, 51109041) 作者简介作者简介：：刘利强(1980－)，男，副教授、博士，主研方向：计算智能，认知科学；汪相国、范志超，硕士研究生 收稿日期收稿日期：：2012-08-10 修回日期修回日期：：2012-10-24 E-mail ：llq9842222@https://www.360docs.net/doc/ab7576878.html, 基于小生境粒子群优化的船舶多路径规划方法 刘利强刘利强，，汪相国汪相国，，范志超 (哈尔滨工程大学自动化学院，哈尔滨 150001) 摘 要：针对船舶全局路径规划中的多路径规划问题，提出一种基于小生境粒子群优化的多路径规划方法。借鉴遗传算法求解多峰函数的思想，在基本粒子群优化算法的基础上，引入小生境生成、隔离进化和交叉算子等策略，分别采用主群粒子进行区域划分，使用子群粒子完成区域内的局部寻优，从而实现船舶多路径规划。仿真结果表明，该方法能正确、有效地规划出多条最优及次优路径。 关键词关键词：：多路径规划；粒子群优化；小生境；隔离进化；交叉算子；多种群 Multi-path Planning Method for Ships Based on Niche Particle Swarm Optimization LIU Li-qiang, WANG Xiang-guo, FAN Zhi-chao (College of Automation, Harbin Engineering University, Harbin 150001, China) 【Abstract 】For the problem of multi-path planning in global path planning for ships, a multi-path planning method based on niche Particle Swarm Optimization(PSO) is proposed. Based on the idea of Genetic Algorithm(GA) to solve multi-modal function, it takes the formation of niche, isolated evolution and crossover operator into the PSO, uses the main particle swarm to decompose the region, and the sub-particle swarm to optimize the local region respectively to accomplish the multi-path planning for ships. Simulation results show that this method can plan multiple optimal and sub-optimal paths correctly and efficiently. 【Key words 】multi-path planning; Particle Swarm Optimization(PSO); niche; isolated evolution; crossover operator; multi-population DOI: 10.3969/j.issn.1000-3428.2013.09.051 计 算 机 工 程 Computer Engineering 第39卷 第9期 V ol.39 No.9 2013年9月 September 2013 ·人工智能及识别技术人工智能及识别技术·· 文章编号文章编号：：1000—3428(2013)09—0227—06 文献标识码文献标识码：：A 中图分类号中图分类号：：TP391 1 概述 路径规划是实现船舶智能化航行的关键技术之一，其主要任务是在环境已知、部分已知或未知的情况下，按照一定的评价标准，寻找从起点到终点的最优航行路线[1-2]。路径规划分为全局规划和局部规划，其中，全局路径规划是在环境信息完全已知的情况下，在大范围内进行最优航线规划，而局部路径规划需要传感器实时地获取环境信息，在小范围内进行避碰航线规划[2-3]。本文进行船舶全局路径规划研究。目前，大部分的船舶全局路径规划方法，对路径优劣的评价完全依据给定的适应值函数，生成一条具有最优适应度的路径。由于路径规划问题本身、船舶运动以及外部环境的复杂性，很难用一个统一的适应值函数将所有的因素都考虑进去[4]。 针对上述的问题，一种有效的途径是预先规划出多条最优及次优路径，在任务执行时，决策者根据不同的需求临时选择合适的航线[5]。近年来，一些学者开展了多路径规划研究，文献[6]子群内的交叉、变异等操作会破坏已创建 的子群，导致算法多路径规划效率降低；文献[4]在粒子群多样化阶段完成子群的创建，因此，子群的数量依赖于粒子群的多样化程度。鉴于此，本文对子群间采用隔离进化的策略，子群内用粒子群优化(Particle Swarm Optimization, PSO)算法进行区域内局部寻优，没有交叉、变异等操作；对主群用认知的PSO 进行更新，引入交叉算子，增强主群粒子对新区域的探索能力，并进行仿真实验。 2 问题描述与建模 船舶航行在海洋等环境中，存在着静态环境约束和动态环境约束，静态约束包括岛礁、海底地形等，动态约束包括船舶、气候变化等。本文采用在直角坐标系下进行二维空间建模，对于船舶，路径规划就是寻找其在环境中航行时所经过的点的集合。路径编码原理如图1所示。 在图1全局坐标系-O XY 中，黑色不规则的多边形表示障碍物，S 为船舶航行的起点，G 为终点，船舶的路径规划即寻找一个点的集合： 12{,,,,,}n P S P P P G =? (1)
基于粒子群优化算法的神经网络在
基于粒子群优化算法的神经网络在农药定量构效关系建模中的应用 张丽平 俞欢军3 陈德钊 胡上序 (浙江大学化工系,杭州310027) 摘 要 神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP 或其它梯度算法,导致训练时间较长且易陷入局部极小点。本实验探讨用粒子群优化算法训练神经网络,并应用到苯乙酰胺类农药的定量构效关系建模中,对未知化合物的活性进行预测来指导新药的设计和合成。仿真结果表明,粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。关键词 粒子群优化算法,神经网络,定量构效关系 2004201204收稿;2004207225接受 本文系国家自然科学基金资助项目(N o.20276063) 1 引 言 药物定量构效关系(QS AR )是研究药物生理活性和药物分子结构参数间的量变规律并建立相应的 数学模型,进而研究药物的作用机理,从而用于预测未知化合物的生物活性,探讨药物的作用机理,指导新药的设计和合成,在药物和农药的研究与设计中已经显示出广阔的应用前景1。以往QS AR 的建模方法大多基于统计原理,局限于线性模型,只进行简单的非线性处理,由此所建立的模型很难契合实际构效关系,并且其处理过程都比较繁琐2。神经网络通过学习将构效关系知识隐式分布在网络之中,适用于高度非线性体系。 在药物QS AR 中采用神经网络(NN )始于20世纪80年代末3,此后得到迅速的发展,目前已发展为除多重线性回归和多元数据分析之外的第3种方法4。通常多层前传网络采用BP 算法,通过误差反传,按梯度下降的方向调整权值。其缺点是可能陷入局部极小点,且对高维输入收敛速度非常缓慢。 粒子群优化算法(particle swarm optimization ,PS O )是K ennedy 等5源于对鸟群、鱼群和人类社会行为的研究而发展的一种新的进化型寻优技术。PS O 已成为进化寻优算法研究的热点,其最主要特点是简单、收敛速度快,且所需领域知识少。本实验拟将该方法初始化前传神经网络为苯乙酰胺类农药建立良好适用的QS AR 模型。 2 苯乙酰胺类农药的Q SAR 问题 苯乙酰胺类化合物是除草农药,其除草活性与其分子结构密切相关。所有的N 2(12甲基212苯乙基)苯乙酰胺都可用相应的羧酸酰胺通过霍夫曼反应生成。N 2(12甲基212苯乙基)苯乙酰胺的基本结构式为 : 其中X 为Me 、F 、Cl 、OMe 、CF 3和Br 等,Y 为Me 、Cl 、F 和Br 等,由不同的X 和Y 取代基可构成不同的化合物。常用以下7个理化参数描述化合物的分子组成和结构:log P 、log 2P (疏水性参数及其平方项)、 σ(电性效应参数)、E s (T aft 立体参数)、MR (摩尔折射度),1χ、2 χ(分子连接性指数)。于是这类化合物的QS AR 就转化为上述理化参数与除草活性间的关系。为研究这种关系,选用具有代表性的50个化合物, 他们的活性值取自文献1,见表1。 第32卷2004年12月分析化学(FE NXI H UAX UE ) 研究报告Chinese Journal of Analytical Chemistry 第12期1590～1594
浅谈粒子群算法改进方法
浅谈粒子群算法改进方法 【摘要】本文介绍了粒子群算法的基本概念及粒子群算法的训练过程，分别从基本进入、改变惯性因子、改变收缩因子三个方面对其进行优化改进。 【关键词】粒子群;进化方程;惯性因子;收缩因子 1.粒子群算法综述 二十世纪九十年代，美国的社会心理学家James Kennedy和电气工程师Russell通过对自然界的鸟群进行觅食的行为进行观察和研究，提出了模仿鸟群行为的新型群体智能算法——粒子群（Particle Swarm Optimization，PSO）算法。 粒子群算法与其它进化类算法十分相似，同样也是采用“群体”与“进化”的概念，同样也是依据粒子的适应值大小进行操作。而与之不同的是，粒子群算法不像其它进化算法那样，对于每个个体使用进化算子，而是将每个个体看作是在一个n维搜索空间中的没有重量没有体积的微粒，并在搜索空间中以一定的速度进行飞行。该飞行速度这个个体的飞行经验和群体的飞行经验来进行动态的调整。 2.粒子群算法实现的步骤 这里将基本粒子群算法的训练过程描述如下： （1）首先将初始化方程作为依据，将该粒子群体的随机位置和速度进行初始化设置; （2）计算粒子群中每个粒子的适应度值; （3）将该粒子群中每个粒子的适应值与其经历过的最好位置Pi的适应值进行比较，如果好，将它作为当前的最好位置; （4）将该粒子群体中每个粒子的适应值与所有粒子经历的最好位置Pg的适应值进行比较，如果好，将它作为当前的全局最好位置; （5）以粒子群进化方程为依据，进化粒子的速度及位置; （6）如果没有达到设置的结束条件或达到一个设置的最大迭代次数，则返回到第二步，否则结束。 3.粒子群算法进化方程的改进 3.1 基本粒子群算法进化方程的分析
改进粒子群算法的目标函数变化分类动态优化
龙源期刊网 https://www.360docs.net/doc/ab7576878.html, 改进粒子群算法的目标函数变化分类动态优化 作者：苏玉孔国利 来源：《现代电子技术》2017年第07期 摘要：由于优化问题的目标函数和约束条件都随着时间而改变导致其最优值也发生改变，提出一种基于改进粒子群算法的目标函数变化分类动态优化算法。首先对动态优化问题进行定义，明确问题的研究对象，提出对目标函数随时间变化程度分类的思想，通过对变化的函数进行监测的方法将其分为剧烈变化、中等程度变化和弱变化三种类型，并针对不同的强度变化对粒子群算法采用不同的改进策略，最后将不同的策略融入计算。通过采用移动多峰问题进行测试，结果表明，提出的改进粒子群优化算法能监测目标函数变化，并能随时跟踪到最优解，平均离线误差相对于标准粒子群算法更小，性能更稳定。 关键词：粒子群算法；动态优化；目标函数时变分类；移动峰问题 中图分类号： TN911.1?34； TP301.6 文献标识码： A 文章编号： 1004?373X（2017）07?0175?04 Dynamic optimization of objective function changing classification based on improved particle swarm optimization SU Yu， KONG Guoli （College of Information Engineering， Zhongzhou University， Zhengzhou 450001，China） Abstract： The objective function and constraint condition for the optimization problem are changed with time， and may change its optimal value. A dynamic optimization of the objective function changing classification based on improved particle swarm optimization is proposed. The dynamic optimization problem is defined to determine the study object of the problem. The classification thought that the objective function is changed with the time varying degree is put forward. The varying function is divided into the types of drastic change， medium grade change and weak change with the monitoring method. Different strategies are adopted for the particle swarm optimization according to the different intensity changes， and integrated for computation. The algorithm was tested with the moving multi?peak problem. The test results show that the improved particle swarm optimization can monitor the changes of the objective function， track the optimal solution momentarily， its average offline error is smaller than that of the standard particle swarm optimization algorithm， and the performance is more stable.
粒子群算法常用改进方法总结
粒群算法的改进方法 一．与其他理论结合的改进 1.协同PSO(CPSO)算法 原理：提出了协同PSO的基本思想，采用沿不同分量划分子群体的原则，即用N个相互独立的微粒群分别在D维的目标搜索空间中的不同维度方向上进行搜索。 优点：用局部学习策略，比基本PSO算法更容易跳出局部极值，达到较高的收敛精度． 缺点：此算法在迭代初期，适应值下降缓慢，且其收敛速度与种群所含微粒数目成反比． 2.随机PSO(SPSO)算法 原理：其基本思想是利用停止进化的微粒来改善全局搜索能力。即将式(1)中的当前速度项V过去掉，从而使得速度本身失去记忆性，减弱了全局搜索能力．但这样也使得在进化的每一代均至少有一个微 粒出予处于微粒群的历史最好位置而停止进化．然后在搜索空问中重新随机产生新的微粒以代替停止微粒的进一步进化．这样就大大增强了全局搜索麓力． 3.有拉伸功能的PSO算法 原理：为了有效地求解多模态复杂函数优化问题，Parsopoulos等人将函数“Stretching”技术引入PSO算法，形成了一种高效的全局优化算法一“Stretching PSO”(SPSO)。它通过消除不理想的局部极小而保留全局最小来避免陷入局部极小．在检测到目标函数的局部极小
点后，立即对待优化的目标函数进行拉伸变换． 优点：．SPSO具有稳健的收敛性和良好的搜索能力，在很多高维度，多局部极值的函数最小值的求解问题上，搜索成功率显著提高。 缺点：计算耗时相应地也会增加． 4.耗散PSO(DPSO)算法 原理：谢晓峰等人根据耗散结构的自组织性，提出了一种耗散型PSO 算法．耗散PSO算法构造了一个开放的耗散系统．微粒在开放系统中的“飞行”不只依赖于历史经历，还要受环境的影响．附加噪声从外部环境中，持续为微粒群弓|入负熵，使得系统处于远离平衡态的状态．又由于群体中存在内在的非线性相互作用，从而使群体能够不断进化。 二．与其他算法结合的改进 1.混合PSO(HPSO)算法 原理：Angeline于1998年提出采用进化计算中的选择操作的改进型PSO模型，成为混合PSO(HPSO)。 优点：HPSO提高了收敛速度并保持了一定的全局收敛能力 缺点：在解决超高维、非线性、多局部极值的复杂性优化问题时有些力不从心。 2.杂交PSO算法 原理：借鉴遗传算法的思想，Angelinec最早提出了杂交PSO算法的概念，而Lovbjerg等人进一步将进化计算机制应用于PSO算法，给出了算法交叉的具体形式。
粒子群优化算法
1 群体智能概述 1.1 群体智能的概念与特点 群体智能的概念源于对蜜蜂、蚂蚁、大雁等这类群居生物群体行为的观察和研究，是一种在自然界生物群体所表现出的智能现象启发下提出的人工智能实现模式，是对简单生物群体的智能涌现现象的具体模式研究。群体智能指的是“简单智能的主体通过合作表现出复杂智能行为的特性”。该种智能模式需要以相当数目的智能体来实现对某类问题的求解功能。作为智能个体本身，在没有得到智能群体的总体信息反馈时，它在解空间中的行进方式是没有规律的。只有受到整个智能群体在解空间中行进效果的影响之后，智能个体在解空间中才能表现出具有合理寻优特征的行进模式。自然界中动物、昆虫常以集体的力量进行觅食生存，在这些群落中单个个体所表现的行为是简单缺乏智能的，且各个个体之间的行为是遵循相同规则的，但由个体组成的群体则表现出了一种有效的复杂的智能行为。群体智能可以在适当的进化机制引导下通过个体交互以某种突现形式发挥作用，这是个体的智能难以做到的。 通常，群体智能是指一种人工智能模式，体现的是一种总体的智能特性。人工智能主要有两种研究范式，即符号主义和联接主义。符号主义采用知识表达和逻辑符号系统来模拟人类的智能。联接主义则从大脑和神经系统的生理背景出发来模拟它们的工作机理和学习方式。符号主义试图对智能进行宏观研究，而联接主义则是一种微观意义上的探索。20世纪90年代后，计算智能的研究逐渐成为了联接主义人工智能的一个代表性流派。计算智能系统是在神经网络、模糊系统、进化计算三个分支发展相对成熟的基础上，通过相互之间的有机融合而形成的新的科学方法，也是智能理论和技术发展的崭新阶段。神经网络反映大脑思维的高层次结构；模糊系统模仿低层次的大脑结构；进化系统则是从生物种群的群体角度研究智能产生和进化过程。对群居性生物群体行为涌现的群体智能的研究是进化系统的一个新兴研究领域。 群体智能中，最小智能但自治的个体利用个体与个体和个体与环境的交互作用实现完全分布式控制，其具有以下特点： （1）自组织。自组织是一种动态机制，由底层单元(部件)的交互而呈现出系统的全局性的结构。交互的规则仅依赖于局部信息，而不依赖于全局的模式。自组织并不是外部的影响施加给系统而体现的一种性质，而是系统自身涌现出的一种性质。系统中没有一个中心控制模块，也不存在一个部分控制另一部分。正反馈（positive feedback）群体中的每个具有简单能力的个体表现出某种行为，会遵循已有的结构或者信息指引自己的行动，并且释放自身的信息素，这种不断的反馈能够使得某种行为加强。尽管一开始都是一些随机的行为，大量个体遵循正