针对低地球轨道(low earth orbit,LEO)卫星接入地球同步轨道(geosynchronous earth orbit,GEO)卫星频谱中时存在GEO卫星频谱变化不平稳、非线性的问题,提出了一种基于改进粒子群优化(improved particle swarm optimization,IPSO)图卷积...针对低地球轨道(low earth orbit,LEO)卫星接入地球同步轨道(geosynchronous earth orbit,GEO)卫星频谱中时存在GEO卫星频谱变化不平稳、非线性的问题,提出了一种基于改进粒子群优化(improved particle swarm optimization,IPSO)图卷积网络和长短期记忆(graph convolutional networks and long short term memory,GCN-LSTM)网络的星间频谱预测模型。该模型利用GCN-LSTM网络学习频谱数据的时频域特征,并结合自注意力机制调整关键信息的权重分配;利用基于非线性调整惯性权重策略和柯西变异策略改进后的粒子群算法寻优GCN-LSTM网络的第一层LSTM单元数、第二层LSTM单元数、学习率、随机失活率(dropout)和批处理量(batch_size),进而提高模型的预测准确性。使用采集的高轨卫星频谱数据集,对1 s、30 s和1 min三种频谱预测场景完成实验对比,结果表明:相较于卷积长短期记忆网络(convolutional long short term memory,ConvLSTM)基线模型,本文模型的平均绝对误差(mean absolute error,MAE)分别降低了27%、17.63%、17.68%,具有更好的频谱预测能力。展开更多
现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协...现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。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。
文摘针对低地球轨道(low earth orbit,LEO)卫星接入地球同步轨道(geosynchronous earth orbit,GEO)卫星频谱中时存在GEO卫星频谱变化不平稳、非线性的问题,提出了一种基于改进粒子群优化(improved particle swarm optimization,IPSO)图卷积网络和长短期记忆(graph convolutional networks and long short term memory,GCN-LSTM)网络的星间频谱预测模型。该模型利用GCN-LSTM网络学习频谱数据的时频域特征,并结合自注意力机制调整关键信息的权重分配;利用基于非线性调整惯性权重策略和柯西变异策略改进后的粒子群算法寻优GCN-LSTM网络的第一层LSTM单元数、第二层LSTM单元数、学习率、随机失活率(dropout)和批处理量(batch_size),进而提高模型的预测准确性。使用采集的高轨卫星频谱数据集,对1 s、30 s和1 min三种频谱预测场景完成实验对比,结果表明:相较于卷积长短期记忆网络(convolutional long short term memory,ConvLSTM)基线模型,本文模型的平均绝对误差(mean absolute error,MAE)分别降低了27%、17.63%、17.68%,具有更好的频谱预测能力。
文摘现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。
