改进ACO在移动机器人路径规划中的研究

针对基本蚁群算法(ACO)易陷入局部最优和收敛速度慢的特点,提出了一种在复杂静态环境下移动机器人路径规划的蚁群优化改进算法。该算法通过限制信息素的范围,扩大了搜索范围,避免了算法的过早收敛,同时还提出了一种自适应调节信息素挥发系数的改进蚁群算法方略,旨在通过自适应的调整信息素挥发系数来提高算法的全局性和算法的收敛速度。算法还利用粒子群优化算法对蚁群算法中的关键参数进行优化,从而避免了参数选择的随机性和盲目性,提高了最优路径的搜索效果。仿真结果显示,改进蚁群算法在移动机器人路径规划中的有效性和普遍应用性,在任意随机给定的环境中,算法能够迅速找出最优路径。     

基于改进蚁群算法的移动机器人路径规划研究

传统的蚁群算法在移动机器人路径规划过程中,在加速算法收敛时易陷入局部最优问题,针对此问题提出了一种新型蚁群算法的移动机器人路径规划方法。首先建立了机器人路径规划数学模型,在此基础上对传统的蚁群算法进行了改进,将环境中局部的机器人路径信息引入到蚁群信息素的初始化和路径选择概率中,提高了蚁群算法的收敛速度并防止算法早熟。通过引入交叉操作并对蚁群算法中参数进行调整,避免了算法陷入局部最优。仿真结果表明,所提方法能够明显提高最佳路径搜索能力,整体性能优于传统蚁群算法。     

参数α、β和ρ自适应调整的快速蚁群算法

对蚁群算法迭代次数多、收敛速度慢提出了改进。针对蚁群算法前期信息素匮乏而导致收敛速度慢的问题,对信息素和启发式信息的权重参数α和β进行改进,动态调整两种参数;针对迭代后期信息素浓度过高,使得蚁群易陷入局部最优问题,对信息素蒸发系数加以改进,使其成为动态全局自适应参数。通过栅格法进行静态已知环境建模,通过不同规模的路径规划的实验验证了改进后的蚁群算法在寻找最优路径时具有更快的运算速度。     

带软时间窗的联盟运输调度问题研究

为解决允许使用不同类型车辆和多层次交通网络的带软时间窗的联盟运输调度问题，在建立数学模型的基础上，利用改进的蚁群算法求解。首先，为了克服蚁群算法最优解不稳定和易陷入局部最优等缺点，按经验将选择策略分为3个阶段，每个阶段选用相应的转移概率，并根据信息素浓度与挥发速度的关系自适应调整信息素挥发因子；其次，为了解决蚁群算法不易发现可行解的问题，从构造3类分支回路和处理遗漏客户点人手，构造了联盟运输调度问题的可行解。仿真计算表明，该算法简明有效。     

基于参数优化蚁群算法的机器人路径规划研究

采用蚁群算法(Ant Colony Optimization,ACO)求解棉花搬运机器人全局路径规划时,会出现规划效率低、蚁群算法参数的改变对规划效果影响大等问题。提出了一种粒子群参数优化的改进蚁群算法,该算法能够根据地图情况的不同智能地调节参数组合,从而在各种地图中能够发挥蚁群算法的最佳性能。通过实验数据分析蚁群算法重要参数对规划效率的影响,进行参数优化;针对改进后算法耗时大的问题,提出粒子群算法的动态惯性权重调整策略和改进的蚁群算法信息素更新策略,保证求解质量的同时,提高了优化效率,在障碍物分布不同的地图中进行仿真实验,通过与蚁群算法路径规划结果的对比,证明了粒子群参数优化的改进蚁群算法能够发挥蚁群算法最佳性能,可提高移动机器人到达目标点的速度并降低机器人运动过程中的损耗。     

基于两阶段蚁群算法的带非等效并行机的作业车间调度

针对带非等效并行机的作业车间生产调度问题,以制造系统的生产成本、准时交货率等为目标,构建生产调度多目标模型。利用蚁群算法在求解复杂优化问题方面的优越性,建立调度问题与蚁群并行搜索的映射关系,将调度过程分成任务分派和任务排序两个阶段,每个阶段分别设计蚁群优化算法,并将两阶段寻优蚂蚁有机结合,构建一种具有继承关系的两阶段蚁群并行搜索算法,可以大大提高获得较优解的概率,并且压缩求解空间,快速获得较优解。通过均匀试验和统计分析确定算法的关键参数组合,将两阶段蚁群算法应用不同规模的8组算例。结果表明,无论是优化结果还是计算效率,两阶蚁群算法均优于改进的遗传算法。将所提出两阶段蚁群算法应用于实际车间的生产调度,减少了生产过程中工序间等待时间和缩短了产品交付周期。     

基于蚁群算法PID控制器的自动配料系统研究

针对传统PID配料控制系统精度不高的问题，提出了一种基于蚁群算法PID参数优化控制方法，将蚁群算法能快速稳定找到最优参数解的特点与PID精确调节的特点有机结合起来。在简要介绍蚁群算法原理的基础上，描述了蚁群算法PID参数优化方法，并给出了新算法的具体实现步骤。仿真应用研究表明，该方法比传统的PID控制有更强的灵活性、适应性和鲁棒性，能有效提高系统配料精度，进而验证了该方案的可行性和有效性。     

基于 Ｋ- ｍｅａｎｓ信息挥发速率动态调整的 改进蚁群算法

针对蚁群算法在求解 ＴＳＰ问题时,存在容易陷入局部最优,收敛速度慢,且求解时间较长的问 题,提出了一种基于 Ｋ- ｍｅａｎｓ与信息挥发速率动态调整策略的改进蚁群算法,利用 Ｋ- ｍｅａｎｓ聚类算法将 大规模 ＴＳＰ问题分解为数个子问题。在城市选择上,加入轮盘赌规则,对信息素更新规则进行了改进,每轮 迭代时动态调整信息挥发速率。实验表明,相比蚁群算法,改进算法避免了求解陷入局部最优解,加快了算 法的收敛。     

基于改进蚁群算法的机器人路径规划问题研究

针对基本蚁群算法前期搜索效率低下以及在寻优的过程中会穿过障碍物等问题,提出改进的蚁群算法,即采用动态调整启发因子、信息素初始化改进策略、可选节点的筛选机制方案进行改进工作。通过对基本蚁群算法和改进蚁群算法的仿真结果分析可知,改进后算法的最优路径长度虽然有所增加,但减少了蚂蚁前期到达最优路径的迭代次数,得到一条无碰撞、没有穿过障碍物的路径,且耗时与基本蚁群算法相持平,保证了机器人路径的安全性,提高了算法的前期搜索效率。     

一种新型最优PID控制器的设计

以蚁群算法为基础，提出了一种新的具有不完全微分的最优PID控制器的参数优化策略。该策略通过蚁群算法找出系统的3个最优参数，即比例增益Kp,积分时间常数T1和微分时间常数TD，针对给定的控制对象，给出了新算法的具体实现步骤。仿真应用表明，这种PID控制器具有很强的灵活性、适应性和鲁棒性。     

基于A*

针对二维栅格地图下,移动机器人以最短路径遍历所有目标点的路径规划问题,提出一种基于启发信息扩展节点的 A*     

基于蚂蚁算法的连杆角位移再现机构模糊稳健设计

引入Logistic混沌模型和最优蚂蚁保护策略对蚂蚁算法进行了改进。对再现连杆角位移的平面连杆机构,分析了其运动精度的影响因素,建立了模糊稳健优化设计数学模型。给出了基于蚂蚁算法的模糊稳健优化设计实例,在求解机构杆长等参数的同时,还求出了各杆长的制造公差,保证了机构运动精度的稳健性。     

基于蚂蚁算法的谐波齿轮传动模糊优化设计

研究了谐波齿轮传动优化设计问题，建立了其模糊优化设计数学模型。引入蚁群更新策略对蚂蚁算法进行了改进。为了求解混合离散变量优化设计问题，在搜索过程中对设计变量进行工程化处理，蚂蚁按处理后的变量进行离散搜索。采用MATLAB语言设计了蚂蚁算法程序，给出了谐波传动的混合离散变量优化设计实例。     

改进蚁群算法的斜齿轮传动多目标优化

本文针对传统蚁群算法在优化目标函数和设计变量较多时,收敛速度慢和容易陷入局部最优等缺点,提出了一种改进的蚁群优化算法。并对两级斜齿圆柱齿轮减速器在考虑其动态性能、体积、可靠度多目标下对齿轮参数进行了优化。其结果与传统设计相比,在保持了减速器较高可靠性的同时,获得了较好的动态性能和较小的体积。本文提出的改进蚁群算法为斜齿轮减速器提供了一种新的优化设计方法。     

量子蚁群算法在压力容器优化设计中的应用

建立压力容器的优化设计数学模型,利用一种新型的优化算法——量子蚁群算法对压力容器的主要参数进行优化设计。量子蚁群算法在蚁群算法的基础上引入量子理论,该方法能尽快搜索到较理想的下降方向,提高了算法的收敛速度。具体应用实例表明,基于量子蚁群算法的优化设计切实可行,显示量子蚁群算法在化工设备优化设计问题上的可用性。     

装配序列规划问题求解的一种混合算法

基于蚂蚁算法和的遗传算法特点,给出了一种解决装配序列规划问题的遗传和蚂蚁混合算法.混合算法中利用蚂蚁的每一次周游,快速生成问题的一组可行解,用遗传算法对得到的可行解进行快速优化,并根据优化解的质量,生成路径上的信息素分布,以加速蚂蚁最优路径上信息素的积累,从而引导蚂蚁更快地搜索到问题的最优解.实验结果表明,混合算法在装配序列规划问题求解上具有更好的性能.     

蚁群算法在一维下料优化问题中的应用

研究了一维下料优化问题,建立了一维下料的双目标多约束数学优化模型,并给出了求解模型的蚁群算法的具体实现过程;针对模型的特殊性,提出了零件编码和将所有下料方式首尾连接转化为蚂蚁路径的方法,并讨论了初始化参数变量的选择问题。通过一维下料实例进行验证,计算结果表明,此算法可逼近理论最优解,收敛速度较快,理论上可以解决多规格大规模的一维下料优化问题。     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

基于PCA与蚁群算法的机械故障聚类诊断方法

针对现代机械复杂化、智能化的特点,为快速准确地诊断出设备故障,提出了基于PCA与蚁群算法的机械故障聚类诊断新方法。定义了聚类准确率判别因子,对主元的选取进行自适应调整,利用基于高斯径向基核函数的主元分析方法实现了故障特征提取。以蚁群算法解决旅行商问题为原型,定义了城市圈,改进蚁群算法实现了双重寻优,把故障聚类转化为蚁群算法最擅长的寻求最优解问题,将改进的蚁群算法用于故障特征样本的聚类。实例分析证明了该方法的有效性。     

多约束下多车场车辆路径问题的蚁群算法研究

为节约物流配送费用,提出一类多约束条件下的多车场车辆路径问题。首先建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题的数学模型;然后提出了一种自适应的最大－最小蚁群算法,算法结合自适应方法和最大－最小蚁群算法的优点,能适时地控制蚁群算法中的信息素更新过程,扩大搜索范围,避免基本蚁群算法易陷于早熟和“局部最优”以及求解速度慢的不足;最后通过一个实例与禁忌搜索算法进行了对比。实验结果表明：自适应的最大－最小蚁群算法在车辆数、路径长度、路径时间和计算速度方面具有优势。