提出了一种新的"双吸引子多群体粒子群优化算法"(BMPSO)。与传统的粒子群优化算法(PSO)相比,BMPSO的主要特点是它使用了两个"群体吸引子"和两种搜索粒子。两种搜索粒子具有不同范围的搜索特性,一种利于进行全局搜...提出了一种新的"双吸引子多群体粒子群优化算法"(BMPSO)。与传统的粒子群优化算法(PSO)相比,BMPSO的主要特点是它使用了两个"群体吸引子"和两种搜索粒子。两种搜索粒子具有不同范围的搜索特性,一种利于进行全局搜索而另一种利于进行局部搜索。并且通过引入一种新的"传递"机制,两部分粒子可以更有效地共享搜索信息。实验表明,BMPSO算法在Moving Peaks Benchmark(MPB)测试问题上具有很好的性能表现。展开更多
文摘针对常见仿人机器人步态优化方法中存在模型复杂、数据量大和收敛速度慢的问题,采用投影解析法分析仿人机器人运动模型,利用三次样条插值法对步态轨迹进行规划,基于粒子群算法(Particle Swarm Optimization,PSO)优化仿人机器人关节电机的角度。将零力矩点(Zero Moment Point,ZMP)作为仿人机器人动态稳定的判断依据,并把最小轨迹变量和每步驱动能耗构造为目标函数。MATLAB仿真实验表明:所提方法在仿人机器人步态优化中具有高效地搜寻全局最优参数能力,使仿人机器人实现了轨迹平滑、控制稳定的初始步、周期步和终止步等。
基金National Science Foundation (60401015) (60572012)Anhui Science Foundation (050420201)
文摘提出了一种新的"双吸引子多群体粒子群优化算法"(BMPSO)。与传统的粒子群优化算法(PSO)相比,BMPSO的主要特点是它使用了两个"群体吸引子"和两种搜索粒子。两种搜索粒子具有不同范围的搜索特性,一种利于进行全局搜索而另一种利于进行局部搜索。并且通过引入一种新的"传递"机制,两部分粒子可以更有效地共享搜索信息。实验表明,BMPSO算法在Moving Peaks Benchmark(MPB)测试问题上具有很好的性能表现。
