期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于探索与开发权衡的地磁仿生导航搜索方法 被引量:2
1
作者 刘明雍 刘坤 +1 位作者 李红 彭星光 《系统工程与电子技术》 EI CSCD 北大核心 2016年第7期1644-1648,共5页
针对地磁仿生导航过程中对搜索偏向性考虑不足的问题,提出了一种基于探索与开发权衡的导航方法。依据时序进化搜索策略的结构特征,从统计学角度建立了磁趋势性运动模型,分析了探索与开发和磁趋势性运动的关系,并将搜索偏向权衡问题归结... 针对地磁仿生导航过程中对搜索偏向性考虑不足的问题,提出了一种基于探索与开发权衡的导航方法。依据时序进化搜索策略的结构特征,从统计学角度建立了磁趋势性运动模型,分析了探索与开发和磁趋势性运动的关系,并将搜索偏向权衡问题归结为对种群多样性的合理调控,引入分布熵的概念度量种群多样性,设计了分布熵约束下的磁趋势性搜索策略,给出了导航搜索流程。通过仿真分析,给出较为合理的参数设置,并将该方法与时序进化搜索方法进行对比实验,结果证实了所提方法能够有效提高导航效率。 展开更多
关键词 地磁导航 仿生导航 探索与开发 磁趋势性
在线阅读 下载PDF
多策略混合搜索的人工蜂群算法 被引量:7
2
作者 宋晓宇 赵月 赵明 《计算机工程与设计》 北大核心 2020年第9期2530-2537,共8页
为解决基本人工蜂群算法收敛速度慢、开发能力不足的问题,提出多策略混合搜索的人工蜂群算法。在雇佣蜂阶段采用两个具有不同探索与开发特征的搜索策略,分配不同的混合比例,增加种群多样性;观察蜂阶段将精英解作为搜索起点,修改食物源... 为解决基本人工蜂群算法收敛速度慢、开发能力不足的问题,提出多策略混合搜索的人工蜂群算法。在雇佣蜂阶段采用两个具有不同探索与开发特征的搜索策略,分配不同的混合比例,增加种群多样性;观察蜂阶段将精英解作为搜索起点,修改食物源选择方式,加快种群收敛。利用不同搜索策略的不同特征,以及合适的混合比例,实现算法在探索与开发之间的平衡。22个标准函数测试集的实验对比结果表明,提出算法在搜索精度、稳定性、收敛速度方面均优于其它算法。 展开更多
关键词 人工蜂群算法 混合搜索 搜索策略 高斯分布 精英解 探索与开发 混合比例
在线阅读 下载PDF
嵌入四分之一正交学习的人工蜂群算法 被引量:2
3
作者 宋晓宇 全鹏宇 +1 位作者 赵明 肖以筒 《计算机工程与设计》 北大核心 2021年第10期2837-2843,共7页
为解决人工蜂群算法收敛速度慢的问题,根据OL(正交学习)的特点,在最大化利用函数评价次数的前提下,对每次参与正交学习的维数进行优化,提出QOL(四分之一正交学习)方法。在此基础上,将随机选择与精英引导方法结合用于维的选择,保持探索... 为解决人工蜂群算法收敛速度慢的问题,根据OL(正交学习)的特点,在最大化利用函数评价次数的前提下,对每次参与正交学习的维数进行优化,提出QOL(四分之一正交学习)方法。在此基础上,将随机选择与精英引导方法结合用于维的选择,保持探索能力的同时,加快收敛速度。QOL方法位于每一代搜索的末尾,方便嵌入ABC算法。在22个基准函数上的实验结果表明,QOL方法可以显著提高人工蜂群算法的求解精度、鲁棒性和收敛速度。 展开更多
关键词 人工蜂群算法 辅助方法 正交实验设计 引导选维 探索与开发 正交学习
在线阅读 下载PDF
大规模低成本地月空间航天运输体系研究
4
作者 陈蓉 汪小卫 +2 位作者 邓思超 高朝辉 庄方方 《深空探测学报(中英文)》 CSCD 北大核心 2023年第5期525-531,共7页
随着人类社会的不断进步以及航天科技的迅猛发展,地月空间探索与开发正迈入规模化和产业化阶段。地月空间航天运输体系是大规模地月空间探索与开发的重要组成,支撑地月空间各类探索与开发活动的实施。概述了全球发展态势,提出了地月空... 随着人类社会的不断进步以及航天科技的迅猛发展,地月空间探索与开发正迈入规模化和产业化阶段。地月空间航天运输体系是大规模地月空间探索与开发的重要组成,支撑地月空间各类探索与开发活动的实施。概述了全球发展态势,提出了地月空间航天运输体系组成;在分析了未来发展需求的基础上,预测了未来地月空间运输能力需求;面向未来大规模低成本地月空间航天运输,提出了一站式和接力式两种技术途径,并针对月球着陆与返回典型任务需求,分析了两种技术途径的推进剂加注量与系统规模需求,开展了技术途径对比,为未来地月空间航天运输体系建设提供参考。 展开更多
关键词 地月空间探索与开发 航天运输体系 航班化
在线阅读 下载PDF
基于金字塔模型和多策略协同的萤火虫算法
5
作者 刘彦伶 樊棠怀 +2 位作者 王晖 康平 赵嘉 《计算机工程与设计》 北大核心 2023年第9期2722-2730,共9页
为克服萤火虫算法使用全吸引模型和单一学习策略易陷入局部最优的缺点,提出一种基于金字塔模型和多策略协同的萤火虫算法。将种群分为4层,最高层粒子使用柯西突变策略;第二和第三层粒子分别使用双粒子领导和精英邻域搜索策略向更高层学... 为克服萤火虫算法使用全吸引模型和单一学习策略易陷入局部最优的缺点,提出一种基于金字塔模型和多策略协同的萤火虫算法。将种群分为4层,最高层粒子使用柯西突变策略;第二和第三层粒子分别使用双粒子领导和精英邻域搜索策略向更高层学习;最后一层粒子使用三样本学习策略向前三层学习。各层粒子向更高层粒子及自身学习,形成金字塔模型;各层粒子采用不同的学习方法,构成多策略协同。分层寻优减少运动次数,避免算法运行过程中的粒子振荡;多策略协同平衡算法的探索与开发能力,保证算法的多样性。通过在两组测试函数上与改进萤火虫算法及其它群智能算法进行比较,验证了该算法的优化性能。 展开更多
关键词 萤火虫算法 金字塔模型 多策略协同 柯西突变 精英邻域搜索 分层 探索与开发
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部