Spider仿生六足机器人.zip

基于乌贼射流孔的仿生水液压阀抗空化结构研究，陈思青，钱玉峰，为了研究如何减少空化现象对水液压系统的影响，本文以一种双口恒定流量的数字阀为实验对象，提出一种类乌贼射流孔的仿生结构，利

仿生智能算法 机器学习技术 遗传算法 基于遗传算法的随机优化搜索 优质课件 共36页.rar

新型扑翼式仿生鱼研究，宗光华，牛传猛，为实现胸鳍摆动推进模式鱼类的游动模式，参照采用这一游动模式的典型鱼类--牛鼻鲼，构建了新型的仿生机器鱼原理样机。首先基于摆�

在自然界的池塘中常常生活着一群青蛙，并且分布着许多石头，青蛙通过在不同的石头间进行跳跃去寻找食物较多的地方。每只青蛙通过跳跃到不同的石头来提高自己寻找食物的能力，而青蛙个体之间通过思想的交流与共享，实现信息的交互。混合蛙跳算法（Shuffled Frog Leaping Algorithm, SFLA）是模拟青蛙觅食过程中群体信息共享和交流机制而产生的一种群体智能算法，是一种全新的启发式群体智能进化算法。该算法由Eusuff和Lansey在2003年首次提出，并成功解决管道网络扩充中管道尺寸的最小化问题。关于蛙跳算法的研究目前还比较少，近年来国内外一些学者多将混合蛙跳算法用于优化问题、旅行商问题、模糊控制器设计等方面。 混合蛙跳算法的实现机理是通过模拟现实自然环境中青蛙群体在觅食过程中所体现出的协同合作和信息交互行为，来完成对问题的求解过程。每只青蛙被定义为问题的一个解。整个青蛙群体采用模因分组方法分为不同的子群体，来模拟青蛙的聚群行为，每个子群体称为模因分组。模因组中的每只青蛙都有为了靠近目标而努力的想法，具有对食物源远近的判断能力，并且受其他青蛙影响，这里称为文化。每个模因组都有自己的文化，影响着其他个体，并随着模因组的进化而进化。在模因组的每一次进化过程中，在每个模因组中找到组内位置最好和最差的青蛙。组内最差青蛙采用类似于粒子群算法中的速度位移模型操作算子，执行局部位置更新，对最差青蛙位置进行调整。模因组内经过一定次数的模因进化后，不同模因组间的青蛙重新混合成整个群体，实现各个模因组间的信息交流与共享，直到算法执行完预定的种群进化次数结束。

Matlab模糊代码人造手指的仿生控制 该项目的目的是设计一种仿生肌腱驱动的致动系统，用于康复机器人中的矫形手和假肢手应用。 该致动系统基于顺应性肌腱电缆和单向形状记忆合金（SMA）线的组合，这些线形成了一组人造肌肉对，用于人造手指关节的屈伸或外展-内收。 这种类型的配置可以模拟人手中发现的天然肌肉-腱结构的关键生物学特征，例如围绕每个关节的顺应性和双向激动剂-拮抗剂拉动运动。 参考 Gilardi G. ，Haslam E.，Bundhoo V.和Park EJ，2010年，“基于形状记忆合金的仿生人造手指腱驱动的致动系统，第二部分：建模和控制”，。 Ko J.，Martin BJ， Gilardi G. ，Haslam E.和Park EJ，2011，“在人工手指中共同收缩拮抗形状记忆合金肌肉对的模糊PWM-PID控制”，。 代码 该代码已在Matlab / Simulink 8.3版（R2014a）中编写和测试。 在Simulink中运行Finger_Full_Model之前，请运行Initialization.m 。 模拟后，所有变量都保存在工作区中。 plotResults.

入侵杂草算法的matlab实现代码，模拟自然界农田中杂草的正态扩散过程，实现最优化，与遗传算法、模拟退火算法、粒子群算法属于相同分类。

行业制造-电动装置-用于组织工程仿生培养的电动伸缩泵.zip

蚁群算法求解旅行商问题 蚁群算法最初是通过对蚂蚁群落的观察，受蚁群行为特征启发而得出的。蚂蚁是一种群居昆虫，在觅食、清理巢穴等活动中，彼此依赖、相互协作共同完成特定的任务。就个体来讲，单个蚂蚁的智力和体力是极其有限的，服务于整个群落的生存与发展；就群体来讲，蚁群在行为上的分工协作、在完成任务过程中所体现的自组织特征等反应出蚁群具有较高的智能和自我管理能力，具有很高层次组织性，这使得蚁群能够完成一些复杂的任务。 TSP问题是典型的NP完全问题，许多算法验证及算法效率测试都以TSP问题为基础。在蚁群算法研究中，第一个蚁群算法，蚂蚁系统，就是在TSP问题的基础上提出来的。而后，依据TSP问题，又提出了蚁群算法系列中具有代表性的蚁群系统，最大一最小蚂蚁系统。

【蚁群算法及其应用】 蚂蚁觅食行为与觅食策略 蚂蚁系统——蚁群系统的原型 改进的蚁群优化算法 蚁群优化算法的仿真研究 蚁群算法的应用——对QoS组播路由问题求解 20世纪50年代中期创立了仿生学，人们从生物进化的机理中受到启发。提出了许多用以解决复杂优化问题的新方法，如进化规划、进化策略、遗传算法等，这些算法成功地解决了一些实际问题。 20世纪90年代意大利学者M．Dorigo，V．Maniezzo，A．Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法—— 蚁群算法，是群智能理论研究领域的一种主要算法。用该方法求解TSP问题、分配问题、job-shop调度问题，取得了较好的试验结果．虽然研究时间不长，但是现在的研究显示出，蚁群算法在求解复杂优化问题（特别是离散优化问题）方面有一定优势，表明它是一种有发展前景的算法． 这种方法能够被用于解决大多数优化问题或者能够转化为优化求解的问题。现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面，群智能理论和方法为解决这类应用问题提供了新的途径。 群智能理论研究领域有两种主要的算法：蚁群算法(Ant Colony Optimization, ACO)和微粒群算法（Particle Swarm Optimization, PSO）。前者是对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。微粒群算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程，但后来发现它是一种很好的优化工具。