下载文档原格式
无人机避障设计与实现作者：詹计雨韩士杰雷笑天金楠森张健来源：《电脑知识与技术》2018年第31期摘要：针对四旋翼无人机避障的速度和精度，该文基于Arduino Mega2560单片机以及遗传算法和蚁群算法，设计了一种新型无人机全局避障算法和的硬件结构。
全局避障算法针对航迹规划，结合两种启发式算法，收敛速度快，不易早熟收敛。
算法通过MATLAB仿真与无人机测试，效果良好。
关键词：蚁群算法;遗传算法;航迹规划;Arduino Mega2560单片机;无人机中图分类号：TP311; ; ; 文献标识码：A; ; ; 文章编号：1009-3044（2018）31-0098-03四旋翼无人机的机械结构好，可执行多种任务，应用前景巨大。
所以无人机航迹规划算法和相应的硬件结构成为当下研究热点。
麻省理工学院研制的Kinect，基于SLAM算法进行环境建模，自主3D地形映射与飞行，功能非常先进。
即使在GPS盲区与障碍物密集的城市也能安全飞行。
本文旨在对避障无人机进行整体设计。
使无人机可以安全快捷的避障。
无人机外骨架防撞功能较强，不会伤及行人。
航迹规划使用改进的蚁群算法，结合传统蚁群算法与遗传算法的优势，使算法收敛速度更快，不易陷入局部最优解。
无人机整体效果达到预期。
1 无人机硬件结构无人机外壳坚固轻便，减少了飞机重量和惯性对于避障的影响。
外围的圆形保护器通过四个减震器与无人机主体连接，可以防止无人机碰撞建筑物或者将人划伤，拥有比较强的防撞击功能，整体如图1所示。
使用KS103超声波测距模块，波束角为45°-50°，分别放置在无人机的水平方向的4个方向与竖直的2个方向，水平方向每隔90°安装一个测距模块。
超声波发射与接收的时间的数据，通过I2C方式传送给Arduino Mega2560开发板。
2 无人机避障算法2.1 环境建模采用栅格图法进行环境模型的构建。
假设无人机飞行的空间区域为S，不妨表示为[{x min≤x≤x max，y min≤y≤y max，z min≤z≤z max}]考虑到GPS模块的会有1-2米的误差，故纬度值每0.003分为一个单位，约5.511米，作为坐标系的横坐标。
一种改进的人工蜂群算法研究作者：曹亚丽余牧舟杨俊峰宋昕来源：《现代电子技术》2020年第12期摘 ;要：针对人工蜂群算法在更新策略中精度与稳定性不高的问题，提出一种改进的人工蜂群算法。
该改进的人工蜂群算法通过增加每次更新维度的个数来改善算法的精度，在文中所选择的每次更新维度的个数为可行解维数的[12];同时，该算法选择当前适应值最优的蜂蜜源在其周围进行邻域搜索，避免了由于随机性而带来的算法精度降低问题。
最后，比较改进的人工蜂群算法与经典的粒子群算法，通过多个高维测试函数的仿真实验表明，改进的人工蜂群算法比粒子群算法具有更高的精度和稳定性，展现了更好的性能。
关键词：人工蜂群算法; 算法改进; 数据分析; 更新维度; 领域搜索; 仿真实验中图分类号： TN919⁃34 ; ; ; ; ; ; ; ; ; ; ; ; ; ; 文献标识码： A ; ; ; ; ; ; ; ; ; ; ;文章编号：1004⁃373X（2020）12⁃0133⁃05Abstract： In allusion to the problem that the artificial bee colony algorithm has low accuracy and stability in the update strategy， an improved artificial bee colony algorithm is proposed. The accuracy of the algorithm is improved by increasing the number of dimensions per update， and the selected number of dimensions per update is half of the feasible solution dimensions in this paper; the honeycomb source with the best adaptive value is chosen to conduct a neighbourhood search around it， which avoids the reducing the accuracy of the algorithm caused by the randomness. The simulation results with multi high⁃dimensional testing functions show that， in comparison with the classical particle swarm optimization algorithm， the improved artificial bee colony algorithm has a higher accuracy and stability， and show better performance.Keywords： artificial bee colony algorithm; algorithm improvement; data analysis; update dimension; area search; simulation experiment0 ;引言人工蜂群算法（ABC）通过模仿蜜蜂觅食时群体之间的相互作用求得最优解，是一种有效的单目标问题的解决方案。
一种改进的人工蜂群算法研究人工蜂群算法（Artificial Bee Colony，简称ABC）是一种新的启发式优化算法，其基本思想是模拟蜜蜂觅食的过程，通过三种不同类型的蜜蜂（雇佣蜂、侦查蜂和跟随蜂）来搜索最优解。
ABC算法具有搜索速度快、全局搜索能力强等优点，在许多问题中取得了优异的效果。
然而，在ABC算法中存在着一些问题。
例如，由于蜜蜂的选取是基于一定概率进行的，所以存在搜索单调性强、很容易陷入局部最优解等问题。
为了解决这些问题，研究人员提出了许多改进的ABC算法。
本文将介绍一种改进的ABC算法，即基于动态调整的ABC算法（DynamicAdjustment-based ABC，简称DAA-ABC）。
该算法主要包括两个方面的改进，即有限数量跟随蜂的策略和动态调整因子的策略。
在传统的ABC算法中，跟随蜂的数量是不确定的。
DAA-ABC算法通过引入有限数量的跟随蜂的策略来改进此问题。
在该策略中，将跟随蜂的数量设置为一个固定值，例如10只蜜蜂。
这些跟随蜂的主要任务是负责探索全局最优解的较远区域，并将发现的最优解传递给其他蜜蜂。
这种策略能够有效地增加全局搜索能力，防止产生单调性强、陷入局部最优解的问题。
除了有限数量跟随蜂的策略外，DAA-ABC算法还引入了动态调整因子的策略。
在ABC算法中，有两个主要的参数需要调整，一个是局部搜索半径r，另一个是在雇佣蜂阶段中选择的概率p。
在传统的ABC算法中，这两个参数是固定的。
然而，在实际问题中，由于问题的复杂性和多样性，这些参数的设置很难做到最佳。
因此，DAA-ABC算法提出了一种动态调整因子的策略，根据当前问题的特征来调整这两个参数。
具体地说，动态调整因子的策略使用了一种基于动态调整因子的算法（Dynamic Adjustment-based Algorithm，简称DAA）来计算出局部搜索半径r和选择概率p的最佳值。
该算法根据当前问题的特征，以及前几代的信息来动态地调整这两个参数。
一种改进的人工蜂群算法研究人工蜂群算法（Artificial Bee Colony，ABC）是一种优化算法，灵感来自于蜜蜂的觅食行为。
它模拟了蜜蜂的觅食过程，通过不断更新搜索空间中的位置来寻找最优解。
虽然ABC算法在很多问题中表现出了良好的性能，但它也存在一些不足之处，比如易陷入局部最优解、收敛速度慢等问题。
为了解决这些问题，研究者们对ABC算法进行了一系列的改进。
一种常见的改进方法是引入局部搜索策略。
传统的ABC算法只有蜜蜂在搜索空间中随机选择位置的能力，这容易导致搜索陷入局部最优解。
改进的ABC算法在蜜蜂搜索过程中引入了局部搜索策略，使蜜蜂能够在当前最优位置的附近进行局部搜索。
这样既能提高搜索的多样性，又能避免陷入局部最优解。
另一种改进方法是引入自适应机制。
传统的ABC算法使用固定的参数和运行策略，无法适应不同问题的特点。
改进的ABC算法通过引入自适应机制，使算法能够根据问题的性质和难度自动调整参数和运行策略，以提高搜索效率和性能。
还有一种改进方法是引入多种搜索策略。
传统的ABC算法只有一种搜索策略，这限制了算法的搜索能力。
改进的ABC算法引入了多种不同的搜索策略，使蜜蜂能够根据不同的情况选择合适的搜索策略。
这样能够提高算法的搜索能力和收敛速度。
还有一些其他改进的ABC算法，比如改进的初始化策略、改进的更新策略等。
这些改进方法可以根据具体问题进行选择和组合，以提高算法的性能。
人工蜂群算法在不断被研究和改进的过程中正不断展现出更强大的搜索能力和优化性能。
随着对ABC算法的深入研究，相信会有更多有效的改进方法被提出，并在实际问题中得到应用。
《人工蜂群算法及其在语音识别中的应用研究》篇一一、引言随着科技的不断发展，人工智能与优化算法的交叉应用越来越广泛。
其中，人工蜂群算法作为一种新型的智能优化算法，已经在多个领域取得了显著的成果。
特别是在语音识别领域，人工蜂群算法的应用显得尤为重要。
本文将详细介绍人工蜂群算法的原理及特性，并探讨其如何有效应用于语音识别系统中。
二、人工蜂群算法的原理及特性人工蜂群算法（Artificial Bee Colony, ABC）是一种基于自然界中蜜蜂采蜜行为的仿生优化算法。
它通过模拟蜜蜂的觅食行为，寻找最优解。
人工蜂群算法具有以下特性：1. 仿生性：人工蜂群算法借鉴了蜜蜂的觅食行为，具有较强的仿生性。
2. 并行性：该算法通过模拟多只蜜蜂的行为，使得搜索过程具有并行性。
3. 自适应性：人工蜂群算法可以根据搜索过程中的反馈信息，自适应地调整搜索策略。
4. 鲁棒性强：该算法对初始解的依赖性较小，具有较强的鲁棒性。
三、人工蜂群算法在语音识别中的应用随着语音识别技术的不断发展，如何提高语音识别的准确性和效率成为了研究的重点。
人工蜂群算法作为一种高效的优化算法，在语音识别中发挥了重要作用。
1. 特征提取：在语音识别中，特征提取是关键的一步。
人工蜂群算法可以通过优化特征参数，提高特征提取的准确性。
例如，通过优化梅尔频率倒谱系数（MFCC）等参数，提高语音信号的表示能力。
2. 模型训练：在语音识别系统中，模型训练是一个复杂的过程。
人工蜂群算法可以用于优化模型参数，提高模型的泛化能力。
例如，通过优化支持向量机（SVM）等分类器的参数，提高语音识别的准确率。
3. 声学模型优化：声学模型是语音识别系统的重要组成部分。
人工蜂群算法可以用于优化声学模型的参数，提高模型的性能。
例如，通过优化隐马尔可夫模型（HMM）的参数，提高语音识别的准确性和鲁棒性。
4. 集成学习：在语音识别中，集成学习是一种常用的方法。
人工蜂群算法可以用于优化集成学习的权重和基分类器的选择，提高集成学习的性能。
基于自适应的改进人工蜂群算法目录1. 基于自适应的改进人工蜂群算法 (2)1.1 内容概览 (3)1.2 研究背景与意义 (3)1.3 论文结构安排 (4)2. 相关研究综述 (6)2.1 人工蜂群算法介绍 (7)2.1.1 算法基本原理 (8)2.1.2 应用领域 (10)2.2 现有改进算法研究 (11)2.2.1 基于自适应机制的研究 (12)2.2.2 其他改进方向 (13)3. 自适应机制的引入 (14)3.1 自适应机制及其目的 (15)3.2 自适应参数的选择与调整 (16)3.3 参数调整算法 (18)3.4 适应性控制算法结构设计 (20)4. 改进人工蜂群算法设计 (22)4.1 算法流程概述 (23)4.2 信息素更新机制的改进 (24)4.3 侦察蜂、雇佣蜂、观察蜂的角色优化 (25)4.4 全局及局部搜索策略的融合 (26)5. 实验设计与分析 (28)5.1 实验目的与设计 (30)5.2 实验测试函数及其特点 (31)5.3 算法性能测试 (32)5.4 性能分析与讨论 (33)6. 案例研究与应用 (35)6.1 案例选择依据 (36)6.2 案例分析 (37)6.3 应用案例的性能分析 (38)7. 结论与展望 (39)7.1 研究结论 (40)7.2 研究成果的意义 (41)7.3 未来研究方向 (42)1. 基于自适应的改进人工蜂群算法随着人工智能和优化算法的快速发展，人工蜂群算法作为一种新兴的智能优化算法，因其原理简单、收敛速度快、鲁棒性强等特点，在求解连续优化问题中得到了广泛应用。
然而，传统的算法在处理一些复杂问题时，仍存在搜索效率较低、容易早熟收敛等问题。
为了克服传统算法的不足，本文提出了一种基于自适应的改进人工蜂群算法。
该算法在传统算法的基础上，通过自适应调整算法参数和搜索策略，以期提高算法的全局搜索能力和收敛速度。
在算法中，为了自适应地调整算法参数，我们引入了参数自适应调整策略。
一种改进的人工蜂群算法研究
人工蜂群算法是一种计算机科学领域常用的优化算法，该算法模拟了蜜蜂在寻找食物过程中的信息共享和协同作业行为。
然而，传统的人工蜂群算法存在着多种问题，如收敛速度较慢、易陷入局部最优解等。
为此，本文提出了一种改进的人工蜂群算法。
改进的人工蜂群算法通过引入动态适应度权重和精英蜜蜂策略来提高算法的全局搜索能力和收敛速度，具体步骤如下：
1. 初始化种群：在算法开始阶段，需要随机生成一定数量的蜜蜂个体，并对其进行初始化位置和速度。
2. 适应度计算：为了评估每个个体的适应度，需要将问题转化为目标函数，然后计算每个个体在该函数下的实际函数值。
在本算法中，我们采用动态适应度权重的方法来计算适应度值，即通过不断更新权重系数来平衡全局搜索和局部搜索之间的权衡。
3. 轮盘赌选择算子：为了筛选出更优的个体，需要进行选择操作，该算法采用轮盘赌选择算子进行个体选择，并将选择后的个体复制一份以备用。
4. 信息共享：为了更好地利用种群中的信息，改进的人工蜂群算法采用了信息共享机制，即通过在个体之间传递信息来帮助种群更快地收敛到全局最优解。
5. 精英蜜蜂策略：为了强化算法的全局搜索能力，本算法引入了精英蜜蜂策略，在每次迭代中选择适应度值最好的个体作为精英蜜蜂，并以一定的概率来更新其他个体的位置和速度。
6. 收敛检测：为了保证算法的收敛性，需在一定迭代次数内检测种群是否已经趋于稳定，如果已经稳定则停止迭代。
改进gbest引导的人工蜂群算法
杜振鑫
【期刊名称】《现代计算机：上半月版》
【年(卷),期】2016(000)006
【摘要】为了进一步提高人工蜂群算法的性能,做了两点改进：（1）侦查蜂阶段采用混沌反向初始化的方式;（2）改进算法自动检测全局最优解停滞并给予高斯扰动,这样可以增强算法的进化能力。
在6个标准测试函数上的实验表明,改进算法的性能优于人工蜂群算法和全局最优解引导的蜂群算法。
【总页数】3页(P45-47)
【作者】杜振鑫
【作者单位】韩山师范学院计算机与信息工程学院潮州521041
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.一种带规范知识引导的改进人工蜂群算法 [J], 林小军;叶东毅
2.改进gbest引导的人工蜂群算法 [J], 杜振鑫
3.基于改进人工蜂群算法的k-means聚类算法 [J], 贺思云;高建瓴;陈岚
4.基于改进人工蜂群算法与MapReduce的大数据聚类算法 [J], 孙倩; 陈昊; 李超
5.基于MapReduce和改进人工蜂群算法的并行划分聚类算法 [J], 陶涛;毛伊敏因版权原因，仅展示原文概要，查看原文内容请购买。
《人工蜂群算法及其在语音识别中的应用研究》篇一一、引言随着科技的不断发展，人工智能与优化算法的交叉应用越来越广泛。
其中，人工蜂群算法作为一种新兴的优化算法，在多个领域都取得了显著的成果。
本文将详细介绍人工蜂群算法的原理及其在语音识别中的应用，以展现其在智能优化中的潜力与实际应用价值。
二、人工蜂群算法概述（一）基本原理人工蜂群算法是一种模拟自然界中蜜蜂采蜜行为的智能优化算法。
该算法将问题的搜索空间看作蜜源的分布区域，以蜜蜂采蜜为线索进行迭代寻优，旨在找到全局最优解。
其基本原理包括搜索、选择、共享和反馈等过程。
（二）算法特点人工蜂群算法具有以下特点：一是具有较强的全局搜索能力，能够快速找到最优解；二是具有并行性，能够同时搜索多个解空间；三是具有较好的鲁棒性，对初始参数的选择不敏感；四是易于实现，可广泛应用于各种优化问题。
三、人工蜂群算法在语音识别中的应用（一）语音识别的挑战与需求语音识别是人工智能领域的重要研究方向，其面临着诸多挑战，如噪声干扰、口音差异、语言复杂性等。
为了应对这些挑战，提高语音识别的准确率与效率，引入优化算法具有重要意义。
（二）人工蜂群算法在语音识别中的应用方法人工蜂群算法在语音识别中的应用主要体现在特征参数的优化和模型参数的调整两个方面。
首先，通过人工蜂群算法对语音信号的特征参数进行优化，提取出更有效的语音特征；其次，利用人工蜂群算法对语音识别模型参数进行调整，以适应不同的语音环境和个体差异。
（三）应用实例分析以某语音识别系统为例，采用人工蜂群算法对系统参数进行优化。
通过对比优化前后的语音识别准确率、误识率等指标，发现采用人工蜂群算法后，系统的性能得到了显著提升。
这表明人工蜂群算法在语音识别中具有较好的应用效果。
四、实验与分析（一）实验设计为了验证人工蜂群算法在语音识别中的有效性，设计了一系列实验。
实验采用不同语音数据集，对比了人工蜂群算法与其他优化算法在语音识别中的性能。
（二）实验结果与分析实验结果表明，人工蜂群算法在语音识别中具有较高的准确率和较低的误识率。
