蚁群算法在移动机器人路径规划中的仿真研究

研究移动机器人路径规划问题.移动机器人路径规划是一个多目标优化问题,由于避障定位要求,传统机器人路径规划优化方法存在算法复杂、搜索空间大和效率低等难题,难以获得最优解.为了提高机器路径规划的效率和定位准确性,提出了一种蚁群算法的移动机器人路径规划方法.蚁群算法的路径规划方法首先采用栅格法对机器人工作环境进行建模,然后将机器人出发点作为蚁巢位置,路径规划最终目标点作为蚁群食物源,通过蚂蚁间相互协作找到-条避开障碍物的最优机器人移动路径.仿真实验结果证明,蚁群算法的路径规划方法提高了机器人路径规划的效率,能在最短时间找到机器人路径规划最优解,且能安全避开障碍物,为优化设计提供了依据.     

窄通道路径规划的改进人工势场蚁群算法

在全局静态环境下，提出了一种适用于窄通道环境路径规划的蚁群算法。解决了传统蚁群算法容易陷入局部最优解、易于造成蚂蚁迷失等不足。一方面，在灰度矩阵上随机撒点并将障碍物内的节点随机移动，使得窄通道内节点密度提高，并以此为启发信息素，提高了无人飞行器穿过窄通道的能力，减少了蚂蚁迷失现象。另一方面，引入了无人飞行器轨迹的尖角优化策略，更好地模拟了无人飞行器的飞行特征。结果表明：新的算法所获取的最优路径具有更好的全局搜索能力，并且造成了较少数量的蚂蚁迷失。     

一种进化型蚁群算法及其在TSP问题中的检验

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法，其收敛速度一直是人们关心的问题。针对蚁群算法的一些不足，提出基于最小生成树的进化型蚁群算法。它利用了最小生成树与最优路径之间的关系限制了蚂蚁在每一个城市的搜寻范围，进化了寻优策略，节省了在不可能构成最优路径的路段上的计算时间，提高了运算速度，克服了以往蚁群算法的计算时间长、精度低的缺点，使得蚁群算法有了显著的提高。计算机仿真结果表明，该文算法改进了标准蚂蚁群算法的效率和计算结果的质量。     

基于双向搜索的改进蚁群路径规划算法

针对移动机器人在复杂地图环境中移动耗时长、易陷入局部最优等问题,设计了一种基于双向搜索的改进蚁群路径规划算法。基于K-means算法对地图预处理,量化地图的局部复杂度程度,并将局部环境信息融合到状态转移概率函数,使机器人优先选择在复杂程度小的区域进行寻优,减少路径拐点。设定双向搜索规则,改进启发函数,提高算法的局部方向搜索精度和全局搜索效率。针对蚁群算法中蚂蚁遇到U障碍物陷入死锁的问题,提出死锁判断系数,增加了有效蚂蚁的数量,进一步提高了算法性能。仿真结果表明所设计的算法在复杂地图环境中相较于传统蚁群算法移动机器人的路径搜索效率更高。     

基于改进蚁群算法的物流配送路径问题研究

针对蚁群算法求解物流配送路径问题易陷入早熟、停滞、局部最优的缺点,提出了混沌、变异与最大最小蚂蚁算法相融合的改进蚁群算法。在仿真实验中,分别采用最大最小蚂蚁算法、加入混沌的最大最小蚂蚁算法、加入变异的最大最小蚂蚁算法、加入混沌和变异的最大最小蚂蚁算法对物流配送路径问题进行求解。实验结果表明,加入混沌和变异的最大最小蚂蚁算法能够有效提高蚁群算法的全局寻优能力,对物流配送路径问题的求解能够得出比较好的结果。     

引入动态分化和邻域诱导机制的双蚁群优化算法

为提高传统蚁群算法在解决旅行商问题时的优化效果，提出了一种引入动态分化和邻域诱导机制的双蚁群优化算法。该算法首先引入混沌随机策略，在算法初始化阶段改变原始的贪心策略，使初始信息素混沌分布，以保持种群的多样性，从而提高解的精度；其次，将蚁群分为孤立蚁群与正常蚁群，两组蚂蚁分别在当前最优路径与离群路径附近搜索；在种群间采取诱导机制，正常蚁负责搜索最优路径，孤立蚁混沌随机释放信息素，将正常蚁群诱导至新的路径邻域，从而有效地平衡收敛速度与解的多样性之间的矛盾。通过对不同规模的旅行商问题仿真结果的比较，验证了所提算法的有效性。     

WSN中改进蚁群算法求解移动代理问题*

关于求解无线传感器网络中移动代理迁移路径问题,在蚁群系统基础上对蚁群算法进行改进,使算法更适用于无线传感器网络环境。从大量初始化路径中选出部分最优路径留下信息素,而且考虑节点的剩余能量,从而引导蚂蚁选择不同的路径;同时,针对无线传感器网络节点通信能力有限的特点,为了避免无效路径的产生引入变异操作。理论分析和仿真实验表明,改进后的蚁群算法增强了算法的全局搜索能力并有效求解无线传感器网络移动代理迁移路径问题。     

改进蚁群算法FENA2O解决TSP问题研究

为了解决传统蚁群算法解决TSP问题时收敛速度慢、易陷入局部最优的问题,提出了一种名为FENA2O的改进蚁群算法。通过寻找并更新精英蚂蚁行走路径来提高收敛速度,通过规定蚂蚁数量来降低陷入局部最优的可能,配合2-Opt算法进一步优化所得路径。实验结果表明,算法改进后的收敛速度得到了较大提高,并能够有效解决局部最优。     

基于蚁群和人工鱼群算法融合的QoS路由算法

针对多约束Qos单播路由问题,提出了一种改进蚁群算法和人工鱼群算法融合的QoS路由算法.采用混合蚂蚁行为使初始路径多样化,根据QoS约束条件对蚂蚁可选路径集进行优化,将人工鱼群算法加入到蚁群算法的每一次迭代过程中,利用人工鱼群算法全局快速收敛的优点,来加快蚁群算法的收敛速度和人工鱼群算法的觅食行为,帮助提高了蚁群算法跳出局部最优的能力.仿真实验结果验证了该算法的可行性和有效性.     

基于邻域搜索的改进最大最小蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优的问题,提出一个改进的混合最大最小蚁群算法,并应用于求解旅行商问题.上述算法设计了一种新的信息素更新模型,单个蚂蚁每走一步就进行信息素局部更新,在所有的蚂蚁搜索一周后,最优路径蚂蚁进行全局信息素更新.提出一种新的邻域搜索模型,将邻域大小设置为原来的一半,提高了计算的效率.在每个蚂蚁的一个周期循环后,使用邻域搜索算法优化最优解的路径长度.仿真结果表明,改进算法具有较高的求解精度和收敛速度.     

具有全局记忆的LF蚁群聚类算法

针对传统的LF蚁群聚类算法中存在的收敛速度慢,蚂蚁空载导致的资源浪费以及易陷入局部最优等问题,提出了一种蚁群改进算法。算法初期采用直接分配原则,直接将蚂蚁随机放在数据对象上,并生成随机的全局记忆,在聚类时负载蚂蚁移动受到全局记忆的指导,利用余弦相似度判断最相似的记忆中心,并向该记忆中心移动,全局记忆在一次迭代完成后更新。当蚂蚁拾起数据对象失败时,为了减少蚂蚁再一次的随机移动所带来的资源浪费,采用相异原则将蚂蚁移动到下一个数据对象上。改进的算法在UCI数据集Iris、Wine、Glass和Robotnavigation上进行验证,算法在保证原有算法准确率的基础上明显提高了收敛速度。     

一种遗传蚁群系统的研究*

在遗传蚁群系统中,为减少蚂蚁构建路径的时间消耗,引入遗传操作,使得当前迭代中蚂蚁构建的路径部分来自于之前迭代获取的优秀巡回路径的遗传;同时为减少由遗传操作产生的算法停滞的影响、提高算法解的质量,对蚁群构建的路径施行2opt变异操作。通过旅行商问题测试算法性能,并与蚁群系统进行比较。实验表明,遗传蚁群系统搜索效率高,而且解的质量优于蚁群系统。     

基于改进蚁群算法的机器人路径规划问题研究

针对蚁群算法收敛速度慢,容易陷入局部最优的问题,结合A*算法和蚁群算法提出了一种解决机器人路径规划问题的改进蚁群算法。自适应调整启发函数,在路径的后程借鉴启发式A*算法的估价函数,在ACS算法的启发函数中引入方向信息,提高算法的搜索效率,同时动态调整权重系数改变目标点的方向信息在蚂蚁移动过程中的影响,以平衡ACS算法解的多样性和收敛速度慢之间的关系。仿真实验表明,该算法不但可以提高收敛速度,而且在改善解的质量方面也取得了较好的效果。     

结合ABC算法动态分级的双蚁态蚁群算法

针对蚁群算法收敛速度慢、易陷入局部最优等问题，结合人工蜂群算法的分级思想，提出动态分级的双蚁态蚁群算法。根据适应度不同，将蚁群划分为寻优蚁和侦查蚁，并执行不同加权系数的动态信息素更新策略：寻优蚁负责较优路径的搜索，执行较大权重的信息素更新策略，以增强其导向性，提高算法收敛速度。侦查蚁则负责探索非较优路径，发现其他更优解，以保证算法多样性。然后，每次迭代结束则两类蚂蚁进行优良解交换，以提高解的质量。以旅行商问题为例，将其与经典蚁群算法、最新蚁群改进算法以及其他最新优化算法进行对比，其表现皆更优。     

基于蚁群算法的离散救援问题出救点选址研究

为解决应急物流中的出救点选址问题,建立了相应数学模型,引入蚁群算法解决问题。多数应急物流可以归为点对点的支援问题,出救点的设置应该在保证出救有效的条件下使出救点最少、救援时间最短,属于双层规划问题。双层规划问题是NP难题,可以应用蚁群算法解决。出救点选址问题在蚁群算法中可以视为蚁群的聚类,通过对信息素衰减及相邻蚂蚁的吸引作为启发因子,可以得到蚁群的聚类效果。实验结果表明,基于蚁群算法的选址问题解决方案能获得理想的选址效果,收敛速度较快。     

Improved auto control ant colony optimization using lazy ant approach for grid scheduling problem

An auto controlled ant colony optimization algorithm controls the behavior of the ant colony algorithm automatically based on a priori heuristic. During the experimental study of auto controlled ACO algorithm on grid scheduling problem, it was observed that the induction of lazy ants not only reduces the time complexity of the algorithm but also produces better results on the given objectives. Lazy ants are basically a mutated version of active ants that remain alive till the fitter lazy ants are generated in the successive generations. This work presents an improved auto controlled ACO algorithm using the lazy ant concept. Performance study reveals the efficacy and the efficiency achieved by the proposed algorithm. A comparative study of the proposed method with some other recent meta-heuristics such as auto controlled ant colony optimization algorithm, genetic algorithm, quantum genetic algorithm, simulated annealing and particle swarm optimization for grid scheduling problem exhibits so.     

多配送中心粮食物流车辆调度混合蚁群算法

在对多配送中心粮食车辆调度问题进行直观描述的基础上,建立了该问题的数学模型。并在国内外研究现状的基础上,提出了一个混合蚁群算法来求解多配送中心车辆调度问题,设计了蚂蚁转移策略、可行解构造策略和信息素更新策略,采用K邻域来限制蚂蚁的转移目标,并采用LK算法优化策略来优化蚂蚁遍历路径和可行解。给出了一个具有代表性的算例实验结果和结果分析,通过实验表明了此方法对优化多配送中心粮食车辆调度问题的有效性。     

改进蚁群算法在电力线路检修计划中的应用

为了提高制定电力线路检修计划的效率,结合图论中的图着色问题,对辽宁省电力有限公司的线路检修计划进行了制定。在制定的过程中采用了改进的蚁群算法,其算法的核心是蚂蚁的数量随着迭代次数的不同由多变少,增强局部搜索能力,再由少变多,增强全局搜索能力。该算法利于跳出局部最优点,循环变化,在一定程度上防止在寻优过程中过早出现停滞现象。改进蚁群算法的优点是在求得满意解的基础上,大大提高了算法的速度。仿真实验结果表明,新算法的寻优效率优于基本的蚁群算法。     

足球机器人路径规划算法的研究及其仿真

研究足球机器人路径规划优化问题,足球机器人由于赛场情况千变万化,系统本身存在非线性,环境也具有时变性特点,要求机器人相互协作实时性要求高。结合足球机器人系统特点,提出一种蚁群算法的足球机器人路径规划算法。把每一只蚂蚁看作是一个机器人,蚂蚁根据信息素调整自己的前进方向,通过蚂蚁间的信息交流和相互协作快速找到一条最短的机器人运行无碰撞的路径。采用算法进行测试,结果表明,用蚁群算法较好地克服了局部最优的缺陷,获得最优路径,且无碰撞现象,符合足球机器人路径规划的实时性要求。     

基于细菌觅食的改进蚁群算法

蚁群算法是模仿蚂蚁觅食行为的一种新的仿生学智能优化算法。针对其收敛速度慢和易陷入局部最优的不足,将细菌觅食算法和蚁群算法相结合,提出一种细菌觅食 蚁群算法。在蚁群算法迭代过程中,引入细菌觅食算法的复制操作,以加快算法的收敛速度;引入细菌觅食算法的趋向操作,以增强算法的全局搜索能力。通过经典的旅行商问题和函数优化问题测试表明,细菌觅食 蚁群算法在寻优能力、可靠性、收敛效率和稳定性方面均优于基本蚁群算法及两种改进蚁群算法。