改进蚁群算法在物流配送路径中的应用

针对物流配送路径优化问题的特点,分析了基本蚁群算法的不足之处,并对原有蚁群算法进行改进.同时引入"扰动因子"和"奖惩"机制,建立数学模型,进而对物流配送车辆路径问题进行了实验仿真.结果表明,改进后的蚁群算法提高了全局寻优能力与收敛速度,取得了较好的效果.     

基于改进蚁群算法的码垛机器人路径规划应用研究

目的为解决蚁群算法在码垛机器人路径规划中存在的收敛速度慢、容易陷入局部最优等问题,提出一种人工势场和蚁群算法相结合的方法。方法首先,根据码垛机器人机械手在人工势场中不同节点所受到的合力,对初始信息素进行不均匀分布,以解决蚁群算法初期由于缺乏信息素导致的无效路径搜索。其次,在启发函数的设计中引入码垛机器人机械手在下一节点所受到的合力,以解决蚁群算法容易陷入局部最优的问题。最后,对信息素的更新策略进行改进。按照寻得路径的长度不同,对每次迭代完成后信息素的增量成比例进行更新,并设置最大、最小值,以解决迭代后期路径上信息素过大而使蚁群算法陷入局部最优的问题。结果改进后的蚁群算法收敛速度提升了约51%,寻找到的最短路径提升了约10%。和其他改进的蚁群算法相比,在综合性能上也有一定程度上的提高。结论改进后的蚁群算法收敛更快,寻找的最优路径更短。     

DNA-蚁群算法在车辆路径优化问题中的应用

随着我国经济和科技的发展,物流配送已经成为促进经济发展的重要环节,在物流的配送过程中如何使用车辆路径的优化问题是长期困扰人们的难题,随着群智能算法发展的今天,已经有多种算法能够应用到车辆路径的最优化模拟的建立和计算中。本文通过对蚁群算法在路径最优模型的过程中的优缺点进行介绍。     

基于Dijkstra-蚁群算法的泊车系统路径规划研究

针对智能停车库中自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,提出了一种基于Dijkstra-蚁群算法(Dijkstra-ACO)的泊车系统路径规划方法.首先利用链接可视图法建立环境模型,并在此环境模型下,采用Dijkstra算法规划出AGV的初始路径;其次,通过引入节点随机选择机制、调整信息素更新方式和限定信息素阈值策略等对基本蚁群算法进行优化改进;最后,选用改进的蚁群算法对初始路径进行优化.结果显示:Dijkstra算法和混合算法均能使AGV有效避开障碍物,然后搜索到一条从起点到终点的无碰优化路径;与Dijkstra算法相比,混合算法能有效提高路径搜索效率,缩短搜索路径长度,改善搜索路径质量,表明该算法正确、可行及有效,且具有较强的全局搜索能力和较好的收敛性能,能够满足AGV存取车路径规划的要求.     

改进蚁群算法在云环境下路径优化设计

云环境作为一种新的网络服务环境,提供大量的网络资源服务,云环境中的资源分配问题受带宽、负载以及响应时间的影响。蚁群算法是一种自适应搜索算法,对组合优化问题的解决发挥了重大的作用,但是其缺陷是容易陷入局部最优以及搜索速度慢。本文提出的蚁群优化算法,将蚁群算法和遗传算法结合起来,能够加快蚁群算法的收敛速度,提高搜索速度,降低云环境下的网络负载,使得云环境下的任务运行时间有效缩短,网络利用率明显提高。     

基于支持向量机和改进蚁群算法的移动机器人路径规划

针对传统蚁群算法(ACO)收敛速度慢、全局搜索能力不佳、易陷入局部最优、路径不光滑及不安全等缺点,本文提出一种将改进的蚁群算法和非线性支持向量机(SVM)结合的移动机器人路径规划算法。对传统蚁群算法引入两个角度信息,增加算法的朝向性,克服局部最优问题;信息素挥发因子随迭代次数自适应调整,加快全局搜索能力和收敛速度。在此基础上结合高斯径向基核最小二乘支持向量机,采用提出的改进蚁群算法获得支持向量机的惩罚系数和核函数宽度,利用径向基核函数和决策函数在改进蚁群算法的路径转向位置处训练优化,得到平滑及安全的路径。仿真结果表明,提出的算法不但可以有效提高收敛速度和精度,而且使得路径光滑且安全。     

基于烟花混合蚁群的移动机器人路径规划研究

目的 以应用于包装车间的移动机器人的路径规划作为研究对象,解决蚁群算法收敛速度慢、寻找到的路径不优等缺陷。方法 引入改进烟花和蚁群融合的方法进行搜索,首先建立移动机器人的栅格地图,其次采用改进烟花算法进行路径粗搜索,将得到的路径作为信息素增量,再运用蚁群细搜索求解。结果 文中方法与传统方法相比,收敛速度得到提高,并寻找到了更优的路径。结论 通过采用融合算法,弥补了烟花寻优的不足,加快了蚁群的收敛,可以对2种算法互相取长补短。     

均分点蚁群算法在群集机器人任务规划中的应用与研究

提出了一种求解群集机器人协作任务规划问题的均分点蚁群算法(EDPACA).通过多组蚂蚁群相互协作搜索,构架了一种新蚁群算法的解结构,并设计了更合理的评估函数,使其在评价时充分考虑均衡任务点探测,最后利用2-opt技术解决了各子周游路径的交叉问题,获得了总代价最优的解.该算法将蚁群技术首次应用于集群机器人的任务调度规划中,成功解决了中大规模任务规划问题.仿真实验结果表明,均分点蚁群算法能提高群集机器人执行任务的效率,同时也是解决多旅行商问题的另种新思路.     

一种改进的蚁群算法在工艺规划与车间调度集成优化中的应用

改进标准蚁群算法的执行策略,可提高工艺规划和调度集成问题的求解质量和效率。通过节点集、有向弧/无向弧集、AND/OR关系,建立了基于AND/OR图的工艺规划和调度集成优化模型。提出一种求解工艺规划与车间调度集成问题的改进蚁群优化算法,采用了信息素动态更新策略避免收敛过慢和局部收敛,利用多目标优化策略提高求解质量。仿真结果证明了该算法的有效性。     

一种新型包装码垛机器人路径规划方法

目的为了提高码垛机器人的工作效率,减小能量损耗,优化机器人末端抓手的工作轨迹。方法建立机器人路径规划的数学模型,在此基础上对传统的蚁群算法进行改进,将环境中局部的机器人路径信息引入蚁群信息素的初始化和路径选择概率中,提高蚁群算法的收敛速度,并防止算法早熟,避免算法陷入局部最优。结果仿真结果表明,改进后的蚁群算法收敛速度更快,能够在较短时间内规划出最佳路径。结论所提方法能够明显提高码垛机器人最佳路径搜索能力,对于提升机器人运行效率具有重要指导意义。     

动态蚁群算法在带时间窗车辆路径问题中的应用

蚁群算法是近年来新出现的一种随机型搜索寻优算法。自从在旅行商等著名问题中得到富有成效的应用之后，已引起人们越来越多的关注和重视。将这种新型的生物优化思想扩展到物流管理中的带时间窗车辆路径问题，设计了一种动态蚁群算法，从数值计算上探索了这种新型蚁群算法的优化能力，获得了满意的效果。     

蚁群算法在城市配送中的应用研究

蚁群算法是受自然界中真实蚁群的集体行为的启发而提出的一种基于群体的模拟进化算法,最早成功应用于解决著名的TSP问题。本文针对实际城市配送调度中的配送线路优化问题进行了分析,将蚁群算法引入配送调度管理,并对蚁群算法在城市配送管理中的应用前景进行了研究。     

改进的蚁群算法及其在卫星网络路由计算中的应用

介绍了蚁群算法的原理，然后对现有蚁群算法进行了一些改进，使它能够快速地收敛以满足高速变化的卫星网络拓扑结构．采用改进的虚拟拓扑策略解决了卫星网络拓扑高速变换的问题．将改进的蚁群算法应用于其上，并给出了相应的性能评估．所提出的改进的虚拟拓扑策略，能够大大减少一个系统周期内卫星网的时间片个数．应用于此基础上的改进的蚁群算法也体现了较好的性能．     

基于改进蚁群算法的高精度水声定位航路规划

精确的水声定位是进行海洋资源勘探、海底管道敷设、海洋地形测绘等海洋开发活动的前提。其中一类典型的定位目标是可发射周期声信号的固定信标。文章利用单个自主式水下航行器(Autonomous Underwater Vehicle,AUV)对该类目标进行定位,其中一个关键问题是 AUV 的航路规划。传统的航路规划方法通常研究避障和路径长度最优化,未考虑定位问题的特殊性,而最终的定位精度是与航路息息相关的。因此,传统的航路规划方法容易导致所规划航路的定位精度较差。针对这一问题,文章在传统蚁群算法的基础上,首先引入 Bresenham 画圆算法规划圆形航路,保持定位目标处于 AUV 舷侧声呐视野范围内,避免信号缺失;同时在信息素设计中加入了定位精度因子,使得所规划的航路能充分考虑到定位精度。仿真实验表明,文中所提出的方法可以在传统航路规划避障能力、路径长度优化能力的基础上兼顾定位任务,提高针对声信标类目标的定位精度及定位鲁棒性。     

改进蚁群算法在WSN移动代理路由中的应用

提出一种改进的蚁群算法,将其应用于移动代理在传感器网络路由中。改进算法在移动代理迁移过程中考虑传感器节点的能量和数据传输损耗等因素,对移动代理走过的路径进行局部信息素更新,从而避免蚁群算法所带来的易陷于最优解的缺点,平衡网络负载,提高网络寿命。     

基于改进免疫遗传优化蚁群算法的移动机器人路径寻优研究

针对移动机器人路径规划中使用蚁群算法(ACO)易陷入局部最优和收敛速度慢的问题,提出了一种适用于机器人静态路径寻优的改进免疫遗传优化蚁群算法(IMGAC)。该算法可以根据实际情况自动调整变异概率和变异方式,以及自动调节个体免疫位的长度,将通过改进的变异算子和免疫算子嵌入蚁群算法来提高全局寻优能力与收敛速度。仿真及实验表明:相比于经典ACO算法以及最大最小蚂蚁系统,IMGAC算法收敛速度更快,全局寻优能力更强。利用该算法寻找移动机器人最优路径,提高了静态路径寻优的效果和效率。     

基于改进蚁群算法的物流配送车辆路径优化方法的研究

带时间窗的车辆路径问题（Vehicle Routing Problem with Time Windows,VRPTW）是物流配送研究的重点。本文提出一种改进的蚁群算法,通过对初始解的启发、信息素更新策略的改进来解决VRPTW,并通过56个Solomon问题中R101作为实例数据进行验证。计算结果表明改进的蚁群算堂皇其宴文献中的算法具有竞争性,同时也表明该算法优于原算法。     

蚁群算法在TSP问题中的应用研究

随着计算机技术的发展,各种算法技术也不断在更新,特别是在模仿社会性动物行为领域产生很多智能算法。主要介绍蚁群算法,阐述其工作原理和特点及使用它求解TSP问题的具体实现。     

应急车辆调度中的最优路径研究

突发事件发生后,公安机关需要及时调度车辆进行应急救援,而提高救援效率的关键因素在于建立合理的最优路径。结合实际的道路交通状况,建立救援时间影响因素的层次结构模型,同时,在基本蚁群算法的基础上进行改进,通过仿真实验,验证算法的可行性,缩短调度车辆的救援时间。     

蚁群算法在网格资源查找中的应用

提出基于蚁群算法的移动Agent在网格中的资源发现方法,利用蚁群算法的并行性,全局优化性和离散性等特点,初步研究将蚁群算法应用到网格资源查找,为今后的研究提出新的思路。