基于蚁群遗传算法的自动化立体仓库拣选路径优化

合理优化货物的拣选路径是提高自动化立体仓库运行效率的一种有效方法。通过分析自动化立体仓库拣选作业的工作流程与特点,为自动化仓库拣选作业建立优化数学模型,首先利用蚁群算法生成优异的初始种群,然后通过遗传算法对该数学模型进行优化求解。仿真结果表明该模型是可行的,蚁群遗传算法的混合不仅得到更精确的结果而且加速了算法的求解速度,从而能够改善拣选作业的效率。     

基于改进蚁群算法的自动化立体仓库路径优化研究

目前,自动化立体仓库广泛应用于物流行业。为了提高仓库中货物的存取效率,可采用蚁群算法解决堆垛机路径优化问题。针对传统蚁群算法中易得到局部最优解的缺陷,笔者采用改进的蚁群算法,引入信息素调整因子,改变路径中各节点上的信息素浓度,减少局部最优现象。仿真实验结果表明,改进的蚁群算法能较好解决路径优化问题。     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

应用改进LK算法求解固定货架拣选优化问题

针对自动化立体仓库中固定货架拣选作业要求速度快、效率高的特点,分析和研究了一种新型改进Lin-Kemighan(LK)算法,并将其应用于固定货架拣选优化问题。仿真实验结果表明,该算法能够大大降低时间和空间的计算复杂度,快速、稳定地找出最优解,满足了多次作业时待拣选货物数目在较大范围内变动的要求,尤其是满足了中大规模作业的要求。     

机器人路径规划问题的蚁群优化算法

研究了机器人在静态障碍物环境下的路径规则问题,根据问题模型的特性设计了一种蚁群优化求解算法。该算法利用前一轮选择的路径对可行解的信息素进行相应的调整,再按转移概率选择路径,经过多次迭代搜索得出最短路径．已达到对机器人的路径优化。     

双伺服机分层旋转货架拣选路径优化的两级遗传算法

提出求解一类组合优化问题的新方法。首先通过虚拟点法把双拣选台问题转化我单拣选台问题,然后将启发式规则与遗传算法相结合,提出一种两级遗传算法。仿真结果表明了该算法的有效性。     

复杂环境下基于蚁群优化算法的机器人路径规划

针对复杂环境下机器人的路径规划问题，将蚁群优化算法引入这一新的应用领域，设计了相应的算法，解决了以前尚未涉足的带约束条件的连续函数优化问题．仿真结果验证了所设计算法的实用性和有效性．     

基于蚁群优化算法的云数据库动态路径规划

云计算是下一代计算网络模型的发展趋势。云中的存储资源如何快速地路由,更是研究的难点。蚁群算法是基于群体的仿生优化算法,具有智能搜索、全局优化、鲁棒性、分布式计算和容易与其他算法相结合等优点。根据这两种事物的特点,提出了合理的结合算法,该算法能够在云中快速、合理地找到所需访问的数据库,减少云数据库数路由的动态负荷,从而很大程度上提高云计算的效率。     

基于改进蚁群算法的出租车路径规划算法

交通资源规划是一种比较典型的组合优化问题,新型的仿生算法--蚁群算法,由于具有正反馈性、鲁棒性、并行计算、协同性等特点,非常适合于解决交通资源规划问题.针对出租车路径规划问题的特点以及蚁群算法在这方面应用的一些不足,提出了一种改进的蚁群算法.根据同一蚁群的信息素相互激励,不同蚁群之间信息素相互抑制的原理,该算法实现了出租车资源的合理分布.     

基于转角约束的改进蚁群优化算法路径规划

针对传统蚁群优化(ACO)算法搜索路径时易陷入局部最优、路径过长、转弯角度过大等问题,提出一种基于转弯角度约束的改进ACO算法.首先,增加起始点与目标点之间区域的初始信息素浓度,以避免初期盲目搜索;然后,在启发函数中加入A*算法的估价函数和转弯角度因子,以便在下一步选择路径长度和转角次数综合最优的节点;最后,在信息素更...     

基于并行ACO算法的DNA杂交测序

针对求解DNA杂交测序（SBH）问题的相关算法存在解的精度不高及收敛速度慢等问题,建立SBH问题的数学模型,从中抽取启发式信息,提出一种改进的并行蚁群优化算法（IPACO）,并将其应用到DNA杂交测序问题中。仿真实验结果表明,该算法解的精度和收敛速度均优于普通串行蚁群算法、禁忌搜索算法和进化算法。     

基于自适应转移概率的蚁群优化算法

为避免蚁群优化算法容易早熟的缺点,在转移概率公式中引入一个新的自适应因子。随着迭代次数的增加,该因子有利于蚂蚁探索有较弱信息素浓度的边而避免一些边上信息素的过度积累。该特点使蚂蚁在迭代后期仍能以较高概率搜索到更好的解从而避免早熟。仿真实验结果表明,该算法对解决旅行商问题具有更优的全局搜索能力。     

基于蚁群优化的DBN转移网络结构学习算法

针对动态贝叶斯转移网络的特点,以I-ACO-B为基础,提出基于蚁群优化的分步构建转移网络的结构学习算法ACO-DBN-2S。算法将转移网络的结构学习分为时间片之间和时间片内2个步骤进行,通过改进隔代优化策略,减少无效优化次数。标准数据集下的大量实验结果证明,该算法能更有效地处理大规模数据,学习精度和速度有较大改进。     

基于改进蚁群优化算法的自动驾驶多车协同运动规划

当前面向多辆自动驾驶汽车的协同运动规划方法能有效保证运行车辆与障碍物及其他车辆之间避免发生碰撞并保持安全距离,但车辆间的在线协同与规划能力仍有待提升。为实现多辆自动驾驶汽车在运动过程中的协同控制,提出一种基于改进蚁群优化算法的多车在线协同规划方法。以空间协同与轨迹代价为优化目标,构造多目标优化函数,确保了多车行驶过程中的协同安全性与轨迹平滑性。将多目标优化函数引入蚁群优化算法的信息素更新过程中,根据自动驾驶车辆数量产生多个种群,使得种群之间相互独立的同时为每辆自动驾驶汽车规划可行路线。最终对蚁群优化算法中的挥发因子进行自适应调整,提升了算法全局搜索能力及收敛速度。实验结果表明,该方法能使多辆自动驾驶汽车在运动过程中保持协同控制并规划出无碰撞路线,相比于基于人工势场和模型预测的协同驾驶方法在复杂道路场景下车辆间的协同效果更好且适应性更强。     

基于多蚁群的并行ACO算法

通过改变蚁群优化(ACO)算法行为,提出一种新的ACO并行化策略——并行多蚁群ACO算法。针对蚁群算法存在停滞现象的缺点,改进选择策略,实现具有自适应并行机制的选择和搜索策略,以加强其全局搜索能力。并行处理采用数据并行的手段,能减少处理器间的通信时间并获得更好的解。以对称TSP测试集为对象进行比较实验,结果表明,该算法相对于串行算法及现有的并行算法具有一定的优势。     

改进蚁群算法在迷宫路径寻优中的应用研究

针对机器人在障碍环境下寻找最优路径的问题,提出了一种动态环境下的机器人路径规划的仿生算法.该算法采用栅格法对场地建模,并模拟蚂蚁的觅食行为,由多只蚂蚁协作完成最优路径的搜索.搜索过程采用了概率搜索策略和自适应调整信息素的方法,使得搜索策略更有效.仿真实验结果表明,在场地复杂的情况下,该算法可以有效地规划出最优路径.     

基于蚁群算法的喷涂机器人路径排序优化

研究喷涂机器人自动路径规划系统中的路径排序和组合问题,考虑路径顺序和喷涂方向的特点,引入开环的广义旅行商问题框架进行建模,并建立相应的优化目标和代价矩阵。利用蚁群优化算法的并行性和正反馈性对问题进行求解,保证算法的全局搜索能力和收敛性。仿真实验结果证明了该方法的有效性。     

基于蚁群算法的非结构化P2P资源搜索机制

资源搜索是P2P技术的研究热点之一。该文针对现有P2P资源搜索算法消息开销大、搜索效率低等问题,提出一种基于蚁群算法的非结构化P2P资源搜索机制。利用蚂蚁信息素的正反馈原理,有效指导资源搜索路径的生成,将查询消息发送到可能存在目标的区域。仿真实验结果表明,该机制提高资源搜索命中率,减少冗余消息包,其搜索效果较好。     

基于蚁群优化的WSN功率自适应路由算法

为节省节点能量开销,延长无线传感器网络(WSN)的生命周期,在研究蚁群优化算法的基础上,提出一种基于蚁群优化的功率自适应路由算法。在蚂蚁寻路时考虑节点的传输方向、剩余能量和节点间距离。寻找到一条最优路径后,根据相邻两节点间的距离调整节点的发射功率,避免功率过大造成能量浪费。仿真实验结果表明,在节点非均匀分布的情况下,该算法能够有效节省网络开销,延长网络生命周期。