对于优化大规模问题而使用的 sinus 和 cosine 粒子群优化算法

科学领域:

• 计算智能是一种计算智能.
• 机器人技术 机器人技术 机器人技术
• 优化算法 优化算法

背景情况:

• 传统的混合算法在大型问题中与局部最佳,多样性和准确性作斗争.
• 现有的方法需要改进,以实现高效,可靠的解决问题.

研究的目的:

• 为大规模优化开发一个改进的Sine Cosine粒子优化算法.
• 提高融合准确性,多样性和解决复杂问题的效率.
• 在机器人路径规划应用中验证算法的有效性.

主要方法:

• 开发了一种改进的正弦弦算法 (SCA),具有动态位置校正和直角交叉机制.
• 增强的SCA与粒子集群优化 (PSO) 算法相结合,创建了正弦共弦粒子集群优化 (SCPSO) 算法.
• 该SCPSO算法在Shere和Quartic基准函数上进行了测试,并应用于机器人路径规划.

主要成果:

• 在Shere基准函数上,SCPSO实现了平均值和标准偏差为0.
• 在Quartic基准函数上,SCPSO的平均值为3.48×10−5和标准偏差为2.72×10−5.
• 在机器人路径规划中,SCPSO的结果是零碰撞,0.12rad/m路径平滑度,2.45秒的平均规划时间和98.6%的避障成功率.

结论:

• 动态位置校正和直角交叉机制显著提高了合精度和最佳适应性.
• 与传统方法相比,SCPSO表现出优越的搜索能力和解决方案准确性.
• 该算法为复杂环境中的大规模优化和机器人路径规划提供了高效可靠的解决方案.