基于多约束场景的BFO-ACO漫游路径规划

目前基于蚁群算法的路径规划用于多约束条件下寻找最优路径时,容易陷入局部最优解并导致收敛速度慢．为此,在路径长度、有效景点区域数量、路径平滑性和路径障碍距离等约束条件下,构造一种适应度函数模型,以评价漫游路径的质量．提出混合细菌觅食优化思想的改进蚁群优化（bacterial foraging optimization and ant colony optimization,BFO-ACO）算法,采用禁忌表优化策略解决传统蚁群算法的死锁问题,提高算法初期的路径多样性,通过引入细菌觅食算法的复制和驱散机制,提高收敛速度,跳出局部最优值．实验结果表明,BFO-ACO算法可在多约束环境下以较少的迭代次数获得高质量的漫游路径,为漫游路径设计提供了参考．     

自适应避障蚁群算法的移动机器人路径规划

传统蚁群算法在解决机器人路径规划的问题上存在收敛慢,容易收敛于次优路径的不足.针对以上不足,研究在状态转移概率、信息素更新方面进行改进.在状态转移概率上引入了一个避障函数因子,减小蚂蚁进入地图陷阱的概率,从而有效减少陷入死锁的蚂蚁数量,加快收敛速度.在信息素方面,加入了随迭代次数变化的信息素挥发因子,增加算法进行全局搜索的可能性,避免算法陷入局部最优.设计三种栅格障碍图对两种算法进行仿真,结果对比均表明,经过改进得到的AOA蚁群算法的初次收敛次数更少,迭代速度大大增强,并且最终规划得到的最小路径长度均比原算法小,与其他的改进算法相比,在找到最优路径的同时,其初次迭代的收敛次数也大大降低.     

足球机器人避障及防侧翻问题研究

应用扩展地图,采用改进遗传算法以及蚁群与遗传结合算法相结合来优化机器人运行路径的长度、平滑性和安全性3个目标。     

改进多步长蚁群算法移动机器人路径规划研究

为改善传统蚁群算法在路径规划中存在的规划路径实用性差、收敛速度慢、易陷入局部最优等问题,提出一种改进多步长蚁群算法.改进算法以移动机器人视野域内所有可直达节点作为下一步可选节点集,采用多步长移动方式以任意方向任意步长寻找下一节点,提高算法寻优效率和路径规划多样性;节点之间初始信息素依各节点与当前节点和目标节点连线的距离采取不均匀分布,降低蚁群在算法初期搜索的盲目性;通过路径长度增大优质路径与劣质路径的信息素更新差距,改进启发函数,提高算法收敛速度.仿真结果表明,改进算法规划路径具有长度短、路径平滑度高、步数少的优点,更符合移动机器人实际使用需求,收敛速度明显加快,路径规划效果提升显著.     

基于改进蚁群算法的物流配送路径优化

建立了带约束条件的物流配送问题的数学模型,运用蚁群算法解决物流配送路径优化问题,将遗传算法的复制、交叉和变异等遗传算子引入蚁群算法,以提高算法的收敛速度和全局搜索能力;改进了信息素的更新方式,以提高蚁群算法的自适应性,使得算法在执行过程中能根据收敛和进展情况,相应地调整信息残留程度,从而提高收敛速度或全局搜索能力;引入了一种确定性搜索方法,加快启发式搜索的收敛速度.经过多次对比实验表明,使用改进的蚁群算法优化物流配送线路,可以有效而快速地求得问题的最优解或近似最优解     

改进蚁群算法及其应用

将文献报道的两种蚁群算法融合,得到一种新的改进蚁群优化算法。在启发函数中加入下一个节点与最终节点的距离;在信息素更新时,根据最优解和最差解,相应增加或减少信息素浓度,提高算法性能。将改进的蚁群算法应用于机器人路径规划中,在栅格障碍环境下,让机器人找到一条从起点到终点无碰撞的最短路径。实验发现,改进蚁群算法仅需在第3次迭代后就可以找到最优路径。改进蚁群算法不仅提高了收敛速度,还增强了解的精确度。     

基于改进蚁群算法的搜索机器人路径规划

针对搜索机器人路径规划问题,提出了一种改进的蚁群算法。算法构建一个栅格环境模型,并设置禁忌策略将部分栅格归为禁忌栅格以避免路径死锁;采用折返蚂蚁,且正向与反向蚂蚁分别采用不同搜索策略,来提高算法的收敛速度;构造路径综合评定目标函数,提高搜索最优路径的能力。实验表明:即使在复杂的环境中,本文算法也能快速地规划出最优路径。     

基于改进蚁群算法的多机器人路径规划研究

针对蚁群算法在机器人路径规划过程中存在的收敛速度慢、效率较低、容易陷入局部最优等缺点,提出了一种多步长的改进蚁群算法.该算法实现了多步长路径规划;同时在概率公式中加入了拐点参数,使路径更加平滑;并且提出了新的信息素奖励惩罚机制.将改进的蚁群算法应用于具有3个优化目标的多机器人路径规划中,采用碰撞预测策略和路径协调策略完成多机器人间的协调避碰.仿真结果表明,改进的蚁群算法规划的路径更短、更平滑,效率更高,验证了该算法在多机器人路径规划中的有效性和可行性.     

基于FA-IACS算法的车辆路径问题优化

针对传统蚁群系统算法在解决有容量约束的普适性车辆路径优化中易陷入局部最优和收敛速度慢等问题,提出了一种改进的蚁群系统算法.采用改进的距离启发函数因子调整蚂蚁状态转移概率,利用改进编码方式的萤火虫算法作为搜索机制,改善蚁群系统的全局搜索能力,应用信息素震荡程序探索新路径的信息素,避免陷入局部最优.结果表明,该算法提高了全局搜索能力,能够节约寻找最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

基于FA-IACS算法的车辆路径问题优化

针对传统蚁群系统算法在解决有容量约束的普适性车辆路径优化中易陷入局部最优和收敛速度慢等问题,提出了一种改进的蚁群系统算法.采用改进的距离启发函数因子调整蚂蚁状态转移概率,利用改进编码方式的萤火虫算法作为搜索机制,改善蚁群系统的全局搜索能力,应用信息素震荡程序探索新路径的信息素,避免陷入局部最优.结果表明,该算法提高了全局搜索能力,能够节约寻找最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

基于改进蚁群算法的移动机器人路径规划

针对大多数路径规划方法所忽视的路径尖峰,以及传统蚁群算法(ACA)易出现的早熟、陷入局部最优等问题,提出一种改进ACA以用于路径规划.首先,在ACA中融入遗传算子,利用交叉与变异操作来扩大解的搜索空间,提升解的全局性.然后,引入简化与平滑操作优化算子,对所寻路径做进一步处理,消除路径中不必要的尖峰,提高其平滑性.栅格环境下的机器人路径规划仿真结果表明,与A*以及传统ACA相比,所提算法能够得到更为平滑的最短路径.     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

初始信息素不均匀分布的蚁群算法

蚁群算法初始信息素的等值分布导致其在移动机器人路径规划中存在收敛性差、收敛速度慢等不足,为此,文章提出一种初始信息素不均匀分布策略的蚁群算法.初始信息素不均匀分布策略的核心思想是基于双向搜索,根据起点与终点附近首个障碍物信息构建初始信息素增强区域,以此降低算法初期搜索的盲目性,进而提升算法收敛性能.仿真实验结果表明,该...     

求解TSP问题的快速蚁群算法

针对蚁群算法求解旅行商问题时存在收敛速度慢并容易陷入局部最优的问题,提出了一种改进的蚁群算法。改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解。实验结果表明,改进算法在迭代次数相对较少的情况下求得的平均解与已知最优解偏差为0.46%,最优解与已知最优解偏差为0.23%,在收敛速度及求解精度上均取到了较好的效果。     

动态环境下基于改进蚁群算法的机器人路径规划研究

针对动态复杂条件下的移动机器人路径规划问题,根据全局静态环境先验知识,提出一种改进蚁群算法。在经典蚁群算法的基础上通过调整转移概率,限定信息素强度的上下界,并引入相关策略解决死锁问题,可以避免初期规划的盲目性,增加解的多样性,提高算法的全局搜索能力,进一步减小算法早熟的可能性。在规划过程中,根据动态障碍物运行方向的变化与否,提出了相应的碰撞避免策略,并针对环境突发状况引入Follow_wall行为进行改进。仿真实验证明,该算法优于经典蚁群算法,可有效地指导移动机器人避免环境中的动态障碍物,获取无碰最优或次优路径,并能更好地适应环境的变化。     

基于TSP的孔群加工路径优化算法

建立以孔群加工最短路径为优化目标的数学模型,采用蚁群算法与2-OPT算法相融合的优化方法,研究了模具顶针板孔群加工刀具路径优化问题.结果表明,该融合算法加快了收敛速度,可有效避免陷入局部最优解,加工优化路径比贪心算法缩短12.34%,比基本蚁群算法缩短14.78%,即有效缩短了加工路径,减少了空走刀时间,提高了数控加工效率.     

体能测试问题的改进蚁群算法

采用蚁群算法实现了体能测试时间的优化安排,并对原始蚁群算法进行了改进,提出了改进的选择策略和信息素调整准则,有效地提高了算法的收敛速度和解的性能;最后用计算机对实例进行了计算,取得了较好的结果。     

基于双向收敛蚁群算法在车间作业调度上的应用

合理搭配车间中生产环节的各种资源,减少零部件的准备工作,可以提高设备使用率与生产效率。提出双向收敛蚁群算法,并通过实例跟基本蚁群算法相比较,实验结果证明采用双向收敛蚁群算法可以提高搜索过程的挥发系数,加快收敛速度。     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

一种基于蚁群算法优化的WSN分簇路由算法

为了实现无线传感器网络对节点能量的高效利用,提出了一种蚁群优化的分簇路由算法CRAACA。该算法引入簇内平均剩余能量参数,对簇首选择阈值进行改进,以均衡簇内能耗;根据节点间的位置关系建立节点的可中继节点集,控制蚁群算法的搜索空间;蚁群在对可中继节点集进行路径搜索时考虑节点间的距离和节点的剩余能量,以生成节能和较好均衡网络能耗的多跳网络路由;对生成的多径路由依相应概率选择数据传输的路径,提高数据传输的可靠性。仿真结果表明,该算法在网络能量的利用效率、数据传送成功率,以及延长网络生存周期等方面具有较好的性能。