基于动态交通仿真模型的最优路径选择方法*

采用动态交通仿真模型INTEGRATION搭建了动态交通仿真平台,应用组件式蚁群算法来求解动态交通信息诱导下的最优路径选择问题。实例表明,基于动态交通仿真模型的最优路径选择方法是可行的、正确的和有效的。该方法易于理解和使用,具有很强的可重用性和可扩展性,为求解各类优化问题提供了可持续发展的框架。     

改进蚁群算法在飞行冲突求解问题中的应用

改进的蚁群算法可以用于空中交通飞行冲突问题的求解.对空中交通飞行冲突问题的研究背景以及研究现状进行系统概述,简要介绍了人工势场法和蚁群算法.建立了相关的数学模型,将空中交通飞行冲突问题转化为有约束的非线性整数规划问题,并且把人工势场法和蚁群算法相结合,设计了将人工势场法的规划结果作为蚁群优化算法先验知识的求解思路.最后的仿真计算表明了该方法能加快蚁群算法的收敛速度,在短时间内提供理想的冲突解决方案.     

基于惯性蚁群算法的机器人路径规划

栅格环境下蚁群算法规划出的移动机器人路径存在运行慢、路径弯多、转折次数多、局部最优等问题。为获得较优路径,提出了惯性蚁群算法。在传统蚁群算法规划的路径上,采用惯性优化原理,对每一个节点进行遍历,当两个节点间的优化路径上无障碍物时,将中间节点删除,换成优化路径。根据优化信息,动态调整信息素挥发系数,提高了算法环境适应能力。仿真结果表明,相比传统蚁群算法,惯性蚁群算法能更快地找到较优路径,能有效优化路径质量。     

一种遗传蚁群算法的机器人路径规划方法

研究遗传算法和蚁群算法可作为新兴的智能优化算法,在解决多目标、非线性的组合优化问题上表现出了传统优化算法无可比拟的优越性。基于将两种智能优化算法动态融合的思想提出了一种新的遗传蚁群算法(GA-ACO)。与已有的将遗传算子引入蚁群算法的结合方式不同之处在于,GA-ACO算法第一阶段采用了遗传算法生成初始信息素分布,在第二阶段采用蚁群算法求出最优解,从而有效地结合了遗传算法的快速收敛性和蚁群算法的信息正反馈机制。仿真结果表明,在具有深度陷阱的特殊障碍物环境下,应用GA-ACO算法求解机器人路径规划问题可以得到较好的的结果。     

基于Voronoi图和动态自适应蚁群算法的UAV航迹规划

以UAV航迹规划为应用背景,提出了一种基于Voronoi图和动态自适应蚁群算法的航迹规划方法;为了提高航迹规划问题最优解的质量及全局求解能力,克服传统蚁群算法收敛速度慢、容易陷入局部最优等缺点,提出了一种动态自适应蚁群算法;采用动态自适应航迹点选择策略并将信息素更新规则和挥发系数进行动态自适应调整变化来对蚁群算法进行了改进,提高了算法的求解效率;根据战场已知威胁源生成Voronoi加权图,并与所提的动态自适应蚁群算法相结合求解规划空间中的最优航迹;考虑到UAV的物理约束限制,对生成的可行航迹进行平滑优化;仿真结果表明,该方法能够为UAV规划出一条满足要求的可飞航迹,验证了所提方法在解决航迹规划问题时是可行、有效的;     

基于贝叶斯网络和蚁群算法的航路优化

为了提高无人机（UAV）的作战效率和生存概率,在UAV执行任务前,必须为其设计高效的飞行航路。采用将贝叶斯网络模型威胁强度评估算法与蚁群算法相结合的航路规划方法,根据UAV航路规划问题的特点对蚁群算法进行改进。仿真结果表明,该方法能更好地满足实时战场需要,得到良好的优化航路。     

动态环境下基于蚁群算法的实时路径规划方法*

提出了一种实现移动机器人在复杂动态环境下进行实时路径规划的新方法。该方法首先利用模糊逻辑来描述机器人局部环境模型;然后采用改进的蚁群系统算法快速地搜索出局部最优路径,并在此路径的引导下,结合机器人滚动规划方法,实现移动机器人在复杂动态环境下的实时路径规划。该方法不仅能克服传感器测量误差等引起环境信息的模糊性和不确定性的影响,还可以充分发挥蚁群算法的群体智能优势来保证系统规划的实时性。仿真结果表明该算法的有效性和可行性。     

基于蚁群算法的动态用户均衡配流

在路网中,为了使用户的出行时间降到最低,提出一个适用于多OD对的路网的动态用户均衡离散模型,并应用蚁群算法求解动态用户均衡问题.通过设计一个算例,利用仿真得出路网中的流量分配数据,并和二次规划Frank-Wolfe算法求解的流量分配数据进行比较,最后得出蚁群算法在求解动态交通用户均衡问题时具有一定的优势.     

动态混沌蚁群系统及其在机器人路径规划中的应用

针对蚁群系统（ACS）解决机器人路径规划问题时种群多样性与收敛速度的不足,对蚁群系统引入动态混沌算子,从而平衡种群多样性和收敛速度之间的关系。动态混沌蚁群系统的核心是在传统蚁群系统引入Logistic混沌算子来增加种群多样性,从而提高解的质量。在迭代前期加入混沌算子,以调整路径中的全局信息素值,增加算法的种群多样性,从而避免算法陷入局域优化解;在后期则转为蚁群系统,来确保动态混沌蚁群系统的收敛速度。仿真结果表明,对于机器人路径规划问题,与蚁群系统相比,动态混沌蚁群系统具有更好的种群多样性、更高的解的质量和更快的收敛速度;与精英蚁群系统（EAS）和基于排序的蚂蚁系统（ASrank）相比,动态混沌蚁群系统能够平衡解的质量与收敛速度之间的关系,即使在复杂障碍物的环境下,动态混沌蚁群系统也能较好地找到最优解。动态混沌蚁群系统能够提升移动机器人路径规划中的效率。     

改进蚁群和鸽群算法的机器人路径规划

针对复杂环境下移动机器人路径规划中存在的迭代速度慢和路径欠优等问题,提出将全局与局部规划算法相结合的路径规划方法。首先,利用同步双向A^*算法对蚁群算法的信息素进行优化,并对蚁群算法的转移概率和信息素更新机制进行改进,从而使算法的全局寻优速度更快,缩短移动机器人的路径长度;进一步地,将静态路径用于鸽群算法的初始化;然后,利用改进的鸽群算法对移动机器人进行了局部路径规划,通过引入模拟退火准则的方法解决局部最优问题,利用对数S型传递函数对鸽群数量的步长进行优化,从而能更好地避免与动态障碍物的碰撞。最后,利用B样条曲线对路径进行平滑化和重规划。仿真结果表明,该方法在全局静态和局部动态阶段均能生成路径长度短、评价值低的平滑路径,且收敛速度快,适合移动机器人在动态复杂环境中的穿行。     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

面向冷链物流配送路径优化的知识型蚁群算法

生鲜电商、冷链宅配的盛行使冷链物流订单呈现出"小批量、多批次、易腐坏"的特点,进一步增大了城市冷链物流配送路径优化的必要性与难度.鉴于此,同时考虑顾客满意度和道路拥堵状况,构建最小化总成本的冷链车辆路径优化数学模型.为求解该问题,将知识型精英策略下的禁忌搜索算子和动态概率选择的知识模型融入蚁群算法,设计一种新的知识型蚁群算法.通过对模拟实例和真实实例进行仿真实验,对传统蚁群算法、基于禁忌搜索改进的蚁群算法与所提出的知识型蚁群算法进行对比分析,验证了所构模型和知识型蚁群算法的有效性.     

单巷道固定货架路径规划问题的研究

固定货架系统是自动化立体仓库的重要组成部分,仓库运行效率主要取决于对货物进行拣选的控制策略。针对单巷道固定货架系统拣选作业过程,以存取时间最小为目标,构建了含多个约束条件的拣选作业路径规划问题的数学模型。在基本蚁群算法基础上,采取自适应调整算法参数、候选节点集合等改进措施,设计了一种改进的蚁群算法对问题进行求解。仿真实验表明该算法能够很好地解决中大规模的拣选作业问题,全局寻优能力强,收敛速度快。     

基于改进蚁群算法的物流运输路径研究

为了在复杂的交通环境中能够快速求解出物流运输的最优路径,在传统蚁群算法基础之上提出了一种基于改进蚁群算法的物流运输路径优化模型。首先,通过在传统蚁群算法中加入基于运输时间、成本、道路平均通畅程度因子的约束条件,同时改进传统信息素的更新方式,对道路上的信息素浓度进行最大最小限制,从而改变路径选择转移概率。最后,利用改进蚁群算法与CSAACO算法、ACO算法进行仿真实验,在相同实验环境条件下测试3种算法在物流运输路径的距离缩短量和时间减少量,实验数据表明,改进蚁群算法在运输距离和运输时间方面明显低于CSAACO算法和ACO算法。改进蚁群算法拥有更强的全局寻优能力,算法收敛速度更快,所需时间更少,获得的最优路径更短,提高了整个物流行业的运输效率。     

基于组件的电子地图显示软件设计

设计了基于组件的电子地图显示软件,实现了电子地图基本操作功能及路径规划功能。可以在软件中实现地图放大、缩小、漫游、测距、图层控制、鹰眼视图、全图显示、坐标显示等功能,作为电子导航显示软件,利用DOkstra算法可以在地图中求解任意两点之间最短距离,利用蚁群算法对道路进行了路径规划,在有结点约束的条件下求解一条较优路径。因蚁群算法求解路径规划问题存在求解速度慢问题,利用Cilk＋＋并行模型对蚁群算法进行了并行化。     

时间依赖型车辆路径问题的一种改进蚁群算法

时间依赖型车辆路径规划问题(TDVRP),是研究路段行程时间随出发时刻变化的路网环境下的车辆路径优化.传统车辆路径问题(VRP)已被证明是NP-hard问题,因此,考虑交通状况时变特征的TDVRP问题求解更为困难.本文设计了一种TDVRP问题的改进蚁群算法,采用基于最小成本的最邻近法(NNC算法)生成蚁群算法的初始可行解,通过局部搜索操作提高可行解的质量,采用最大--最小蚂蚁系统信息素更新策略.测试结果表明,与最邻近算法和遗传算法相比,改进蚁群算法具有更高的效率,能够得到更优的结果;对于大规模TDVRP问题,改进蚁群算法也表现出良好的性能,即使客户节点数量达到1000,算法的优化时间依然在可接受的范围内.     

基于改进蚁群算法的钻井救援车辆路径规划

为了解决救援车辆路途时间过长导致钻井事故应急救援不及时的问题, 提出一种基于改进蚁群算法的钻井救援车辆路径规划方法. 首先针对基本蚁群算法易陷入局部最优, 且在求解转移概率时仅依据信息素含量和路径长度, 未考虑实际路网中影响道路通行的外界因素等不足, 通过引入路径权重因子和改进路径选择策略, 对基本蚁群算法进行了改进; 然后利用改进的蚁群算法, 以用时最少为目标建立了救援车辆路径规划模型; 最后进行了救援车路径规划仿真实验和实际应用测试, 结果表明本文提出的方法可以合理规划出一条全局最优的救援路径, 能有效地解决钻井救援车辆路径规划问题.     

基于云网格集成调度的防拥堵车辆路径规划算法

在道路交通路网中,车辆拥堵问题是流量与路网结构之间相互作用的一个复杂动态过程,通过车辆路径规划,实现对路网网格集成调度,从而提高路网通行吞吐量。传统方法采用并行微观交通动态负载平衡预测算法实现车辆拥堵调度和车辆路径规划,不能准确判断路面上的车辆密度,路径规划效益不好。提出一种基于云网格集成调度的防拥堵车辆路径规划算法,即构建基于Small-World模型的云网格路网模型,采用RFID标签信息进行路况信息采集,实现交通网络拥堵评估信息特征的提取,采用固有模态函数加权平均求得各车道的车辆拥塞状态函数,对所有车道内车辆密度取统计平均可获得簇内的车辆密度。设计交通路网拥堵检测算法来对当前个体道路信息进行一维邻域搜索,从而实现车辆路径规划控制目标函数最佳寻优。通过动态博弈的方式求得车辆防拥堵路径的近似最优轨迹,实现路径规划算法的改进。仿真结果表明,该算法能准确规划车辆路径,实现最优路径控制,从而提高严重拥堵路段的车流速度和路网吞吐性能,性能优越。     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性