专利交易市场

本发明提供一种基于多策略灰狼鲸鱼算法的测试用例优先级排序方法，本发明采用基于均匀分布的方法，对按照双优化目标的最大值排列的二维序列种群搜索空间进行种群初始化，得到原始用例序列种群，同时采用伪反向学习策略与动态反向学习策略获得与原始用例序列种群反向的动态用例序列种群，能够提高种群多样性，进而获得高质量的初始用例序列种群，本发明去除共同冗余参数以保证两种优先算法的基础性能，将收敛因子进行非线性化，能够平衡全局搜索和局部搜索能力，新增一个随机因子判断条件和一个混合随机因子将两算法融合，本发明能够增强全局搜索能力，避免陷入局部最优，从而快速有效地确定测试用例的优先级。

一种基于改进型灰狼优化算法的最优锚点部署优化策略方法，方法通过模型的建立顺序将最优锚点优化过程划分为第一阶段及第二阶段；在第一阶段中根据锚点和目标点的部署范围建立精度因子函数以及适应度优化函数。第二阶段中将灰狼个体代入至第一阶段进行迭代搜索计算，直至获得最优锚点部署方案。本系统包括TDoA定位建模模块、精度因子构建模块以及迭代优化搜索模块。本发明表明改进型灰狼优化算法基于自身的自适应收敛因子以及信息反馈机制，使其在收敛速度和求解精度方面更加出色。实验表明，基于改进灰狼优化算法(MGWO)的室内锚点优化方案实现了更小的DoP值且寻优后获得的锚点部署方案能够实现高精度的定位，在室内定位中能够发挥更大的作用。

本发明公开了一种基于并行自适应蚁群算法的无人机覆盖路径规划方法，包括以下步骤：步骤1：对需实施覆盖路径规划的CPP区域和该区域内需要避开的NFZ区域进行栅格处理，以此创建集合VSA、集合VSN和集合NFZS；步骤2：采用Dijkstra算法对经过NFZ区域的子路径进行计算得到避障子路径，得到子路径矩阵中；步骤3：采用多个并行线程，每个线程通过SAACO算法，得到当前线程的最优解；步骤4：从多个线程的最优解中选出算法最优解；步骤5：将算法最优解转换为最优路径，得到最优规划路径。

本发明公开了一种基于改进教与学算法的多无人机大气污染源定位方法，创新性的将多无人机群与改进教与学算法相结合，提出了一种个体能力值模型，采用了无人机电量、无人机飞行高度的稳定性、无人机搜索的污染源气体浓度值三个指标，用个体能力值替代了标准教与学算法中的随机学习步长，既增加了无人机个体的差异性，也巧妙的结合了教与学优化算法，使随机步长的选择更有依据性。并且在教与学算法的“学”阶段采用学员分班学习规则，使得在算法后期，学员能够迅速向强化班集体靠近，进行更加细致的搜索。提高了算法的搜索效率，实现了对大气污染源高效的定位。

本发明公开了一种自适应策略改进减法平均优化算法的路径规划方法，包括以下步骤：（1）构建二维栅格地图环境，以及包含运动约束的目标函数；（2）初始化算法参数，（3）引入ICMIC混沌映射策略初始化搜索代理的位置；基于初始搜索代理评估目标函数；（4）引入自适应概率值，利用改进的基本减法平均优化算法更新搜索代理位置；（5）通过判断搜索代理的目标函数值是否满足条件，以及自适应概率值是否满足条件，选择更优的位置更新方式；本发明本发明收敛精度高，速度快，且在地图中能高效地完成路径规划任务。

本发明公开了一种基于新型混合蛙跳算法的旅行商路线规划方法，(1)问题信息读取，包括各个访问城市坐标和问题规模；(2)初始化算法参数；(3)生成初始候选种群，并计算适应度；(4)采用反向轮盘赌策略选择出进化种群；(5)建立独立最优子群，并根据个体适应度划分子群；(6)分配每个子群的专属全局最优解，对各个子群进行局部搜索；(7)将各子群混洗，增强局部搜索，放回到候选种群，重新选出迭代种群参与下一次迭代；(8)判断迭代次数是否达到最大值，若达到，则终止迭代，输出适应度最优的个体，该个体即为旅行商访问城市顺序。本发明具有搜索速度快，搜索能力强，规划路线短的优点。