基于改进蚁群算法和粒子群算法的云计算资源调度

针对云计算资源分配中存在分配不均、分配效果不好的问题,利用改进后的蚁群算法和粒子群算法进行资源分配.首先针对粒子群算法的惯性权值进行改进,设定适应度函数并选择最佳位置的粒子,然后将该粒子的位置转变为蚁群算法的初始信息素的值,通过狼群算法改进蚁群算法的信息素的选择.仿真实验表明,本文算法与蚁群算法、粒子群算法相比在任务完成时间、能量消耗方面都有了明显的改善.     

融合粒子群与改进蚁群算法的AUV路径规划算法

针对传统蚁群算法在处理自主式水下机器人AUV（Autonomous Underwater Vehicle）三维路径规划问题时存在初期寻径能力弱、算法收敛速度慢等问题,提出一种融合粒子群与改进蚁群算法的AUV路径规划算法PSO-ACO（Particle Swarm Optimization-improved Ant Colony Optimization）。基于空间分层思想建立三维栅格模型实现水下环境建模;综合考虑路径长度、崎岖性、危险性等因素建立路径评价模型;先使用粒子群算法预搜索路径来优化蚁群算法的初始信息素;再对蚁群算法改进状态转移规则、信息素更新方式并加入奖惩机制实现全局路径规划。实验表明,算法能有效提高初期寻径能力和全局搜索能力,减少收敛迭代次数并缩短搜索使用时间。     

基于改进粒子群算法的移动机器人多目标点路径规划

针对移动机器人遍历多个目标点的路径规划问题,提出了一种基于改进粒子群算法和蚁群算法相结合的路径规划新方法。该方法将目标点的选择转化为旅行商问题,并利用蚁群算法进行优化,定义了每两个目标点之间的路径规划目标函数,利用粒子群算法对其进行优化。针对粒子群算法存在的早熟现象,将反向学习策略引入粒子群算法,并对粒子群算法的惯性权重和学习因子进行改进。性能测试结果表明,改进的粒子群算法能有效避免粒子早熟现象,提高粒子群算法的寻优能力及稳定性。仿真实验结果验证了新方法能有效地实现机器人的多目标点无碰撞路径规划。真实环境下的实验结果证明了新方法在机器人多目标点路径规划的实际应用中也具有有效性。     

室内环境下基于最优路径规划的PSO-ACO融合算法

为了使移动机器人在室内障碍物环境下寻找到达指定目的地的最优路径,提出了一种基于粒子群算法(PSO)和蚁群算法(ACO)的改进路径规划的PSO-ACO融合算法。PSO-ACO融合算法针对粒子群算法中粒子容易早熟引起的局部最优问题,采用蚁群算法获得全局最优解;同时有效地解决了粒子群算法中粒子多样性、种类少,以及蚁群算法中初始化信息素匮乏及耗时过多的问题。仿真结果表明,与粒子群算法和蚁群算法相比,PSO-ACO融合算法在提高算法的全局搜索能力和搜索速度的前提下,极大地改善了算法寻找最优解的能力,实现了最优路径的规划。     

粒子群和蚁群融合算法的自主清洁机器人路径

为了克服粒子群算法和蚁群算法的缺陷,将改进的粒子群算法和蚁群算法进行融合,形成了PAAA算法,并将此算法应用于自主清洁机器人行为路径的仿真实验。结果表明：PAAA在求解性能上优于粒子群算法,在时间效率上优于蚁群算法。     

基于蚁群粒子群融合的机器人路径规划算法

针对复杂环境下中移动机器人路径规划问题,提出了一种基于蚁群粒子群融合的路径规划算法。该算法首先利用粒子群路径规划的环境建模方法快速规划出起始点到目标点的初始路径。然后根据产生的路径进行信息素的分配,最后经改进的蚁群算法进行进一步寻优,从而找出最优路径。经仿真证明,该方法在寻得最优路径的基础上可大大降低寻优的时间,尤其是对于复杂环境下的路径规划,其效果尤为明显。     

基于ROS下移动机器人地图构建与路径规划研究

由于传统的算法在机器人地图构建以及路径优化方面效果较差，难以取得较好的效果，因此结合机器人ROS系统实现对移动机器人在地图构建以及路径规划的研究。具体包括对粒子滤波算法进行了改进，提高定位建图的精度；之后对地图进行三值化图像处理，去除地图的噪声和重影等问题，并提高地图构建的精度。在路径规划方面结合蚁群算法进行实现，并提出了一种改进的蚁群算法，该方法融合了A*算法，提高了路径规划的效率；最后利用Matlab进行仿真。实验结果证明，提出的改进算法在路径搜索速度上优于传统的蚁群算法。     

新的融合算法在机器人路径规划中的应用

机器人路径规划一直是机器人学领域的一个非常重要的研究课题。提出了一种基于蚁群粒子群算法融合的机器人全局路径规划算法,该方法有效地结合了蚁群算法和粒子群算法的优点,利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布;然后利用蚁群算法的并行性、正反馈性、求解精度高等优点,求得全局最优解。仿真实验结果证明了该方法的有效性和可行性。     

基于粒子群蚁群算法的供应链合作伙伴选择研究

针对供应链合作伙伴选择的准确性和效率问题,提出一种基于粒子群和蚁群优化的合作伙伴选择算法。建立基于供应链链节体和连接弧的有向图路径模型,构造多目标规划模型。利用改进的离散型粒子群算法,求取伙伴选择问题的初始解集,构建初始信息素矩阵,通过改进蚁群算法的寻径规则,求取供应链合作伙伴选择问题的最优解。实验结果表明,所提算法有效提高了供应链合作伙伴选择的精度和效率,具有较好的性能。     

求解TSP的蚁群与模糊自适应粒子群算法

为了解决规模复杂的旅行商问题,提出了融合蚁群算法和粒子群算法的一种群体智能混合算法,并构建了惯性权值模糊自适应调整模型。针对此混合算法易陷入局部最优,设计了参数自动调节机制,以达到局部搜索和全局搜索之间的平衡。在搜索的初期时,参数[ω]会自适应调整为较大值,则算法应具有很强的全局搜索能力;当进入搜索的后期时,参数[ω]会自适应调整为较小值,则算法应具有较强的局部搜索能力。通过大量仿真实验表明,改进的混合算法搜索能力优于同类算法和传统算法,而且该模型应用在大规模TSP中,获得了满意的效果。     

城市道路建设时序决策的鲁棒优化

为提高城市道路建设时序决策的鲁棒性,提出了城市道路建设时序决策优化的双 层规划模型。模型假定出行需求在一定范围内扰动,上层规划是在有限资金的约束下寻求各建设阶段的系统总出行时间与系统总出行时间对出行需求的灵敏度之间的综合最小值,下层规划为各建设阶段的随机用户均衡配流。文中推导出了系统总出行时间对出行需求灵敏度的计算式,并给出了模型的求解算法。最后以一个测试路网为例,对基于系统总出行时间、基于灵敏度、基于系统总出行时间与灵敏度综合出行时间的决策优化模型进行了计算分析,结果显示3种决策优化模型均可寻求到各自目标最优的城市道路建设时序,但在需求不确定的情景下基于灵敏度、基于系统总出行时间与灵敏度综合出行时间的决策优化结果更具鲁棒性。     

基于双粒子群算法的矿井搜救机器人路径规划

针对在复杂地形中标准的粒子群算法用于矿井搜救机器人路径规划存在迭代速度慢和求解精度低的问题,提出了一种基于双粒子群算法的矿井搜救机器人路径规划方法。首先将障碍物膨胀化处理为规则化多边形,以此建立环境模型,再以改进双粒子群算法作为路径寻优算法,当传感器检测到搜救机器人正前方一定距离内有障碍物时,开始运行双改进粒子群算法:改进学习因子的粒子群算法(CPSO)粒子步长大,适用于相对开阔地带寻找路径,而添加动态速度权重的粒子群算法(PPSO)粒子步长小,擅长在障碍物形状复杂多变地带寻找路径;然后评估2种粒子群算法得到的路径是否符合避障条件,若均符合避障条件,则选取最短路径作为最终路径;最后得到矿井搜救机器人在整个路况模型中的最优行驶路径。仿真结果表明,通过改进学习因子和添加动态速度权重提高了粒子群算法的收敛速度,降低了最优解波动幅度,改进的双粒子群算法能够与路径规划模型有效结合,在复杂路段能够寻找到最优路径,提高了路径规划成功率,缩短了路径长度。     

基于遗传算法改进的交通干线信号优化研究

针对城市交通拥挤、道路通行能力低等问题,通过建立城市交通干线系统信号配时模型,设计了一种基于遗传算法改进的混合式优化算法.算法对遗传算法中适应度函数、交叉算子和变异箅子等进行了一些改进,并将混沌优化思想融入改进后的遗传算法中.用混合式优化算法对城市交通干线系统信号进行配时,有效地协调了各路口的信号灯,使交通干线系统的交通量得到了明显改善.仿真结果表明此算法具有较快的收敛速度和进化效率,能有效实现全局优化.     

智能仓储货位规划与AGV路径规划协同优化算法

智能仓储的优化一般分为货架优化和路径优化两部分.货架优化针对货物与货架两者的关系,对货物摆放位置进行优化;而路径优化主要寻找自动引导小车（Automated Guided Vehicle,AGV）的最优路径规划.目前,大多的智能仓储优化仅对这两部分进行独立研究,在实际仓储应用中只能以线性叠加的方式解决问题,导致问题的求解易陷入局部最优中.本文通过对智能仓储环节中各部分的关系进行耦合分析,提出了货位和AGV路径协同优化数学模型,将货架优化和路径规划归为一个整体;此外,提出了智能仓储协同优化框架的求解算法,包括货品相似度求解算法和改进的路径规划算法;并在以上两种算法的基础上,使用改进的遗传算法,实现了货位路径协同优化.实验结果验证了本文提出的智能仓储协同优化算法的有效性和稳定性.通过使用该算法可有效提高仓储的出货效率,降低运输成本.     

视频检测技术的交通时间预测实证研究

为了实现利用视频车辆检测器数据计算和预测路段行程时间,将排队长度数据应用到路段行程时间的计算中,采用改进粒子群的BP神经网络算法和时间序列分析对路段进行实证研究.将排队长度加入计算得到的决定系数为93.36%,比只有流量数据的BP神经网络算法改善了41.03%,比BPR（bureau of public roads）路阻函数算法改善了23.37%.利用实时的路段行程时间对后续行程时间预测通过时间序列分析得到相对误差为0.06,预测下个时段和下个周期的路段行程时间平均相对误差分别为0.14、0.15.结果表明排队长度对于路段行程时间的计算具有较高的准确性,可以用于城市道路交通时间的预测,并能有效为智能交通算法的其他指数计算提供思路,为改善交通状况提供决策支持.     

出租车数据的城市道路网路段通行时间估计方法

城市路段通行时间估计能够更好地运营和管理城市交通。针对包含起点-终点位置,行程时间和距离信息的GPS行程数据,提出了一种城市道路网短时通行时间的估计模型。首先将城市道路网按照交叉路口分解为多个路段,并基于k-最短路径搜索方法分析司机行进路线。然后针对每一个路段,提出了双车道通行时间多项式关联关系模型,既能提升道路网通行时间精细度,又能避免因训练数据不足导致的路网通行时间过拟合问题。最后以最小化行程期望时间和实际行程时间之间的均方误差为优化目标,拟合道路网通行时间。在纽约出租车数据集上的实验结果表明,所提模型及方法相对于传统单车道估计方法能够更准确地估计城市道路网路段的通行时间。     

改进型Dijkstra算法在最优路径选择中的应用研究

为了有效提高市民出行效率。减小城市资源消耗,优化城市环境,在改进型Dijkstra算法的基础上设计并实现城市公交线路查询系统。Dijkstra算法是图论中求解最短路径问题的一种优秀算法。在Dijkstra算法的基础上．进行对存储结构进行优化、对结点进行分类、对权值进行排序这三大改进．并将改进型Dijkstra算法作为最优公交线路查询算法的核心。以时间最小、费用最小、综合最优这三种需求作为评价标准分别建立数学模型,通过数学模型将搜索两点间的最优路线问题转化成求解两点间的最短路径问题．最后以南昌市的公交路网为例对算法和数学模型进行仿真测试。仿真结果验证算法和数据模型的有效性。     

车辆路径问题的轻鲁棒优化模型与算法

针对不确定旅行时间下的车辆路径问题,以总变动成本最小为优化目标,建立了一种轻鲁棒优化模型,提出了一种针对问题特征的超启发式粒子群算法.在算法中,利用基于图论中深度优先搜索的初始化策略加快算法的早期收敛速度,引入基于均衡策略的启发式规则变换方式来提高算法的寻优能力,重新设计的粒子更新公式确保生成低层构造算法的有效性.实验...     

基于资源-时延转换的应急资源配送模型

考虑灾后抢修失效路段对路网连通性的影响,以最大化应急资源配送效益为目标,基于资源-时延转换的思路,引入时延的随机性,构建了路网、路径联合优化模型。基于模型整体框架,设计了改进的遗传算法用于求解问题。算例分析展现了模型的实际应用过程和求解算法的有效性。     

基于道路风险评估的城市路网实时路径选择

为了缓解城市交通拥堵、避免交通事故的发生,城市路网的路径选择一直以来是一个热门的研究课题.随着边缘计算和车辆智能终端技术的发展,城市路网中的行驶车辆从自组织网络朝着车联网(Internet of vehicles,IoV)范式过渡,这使得车辆路径选择问题从基于静态历史交通数据的计算向实时交通信息计算转变.在城市路网路径选择问题上,众多学者的研究主要聚焦如何提高出行效率,减少出行时间等.然而这些研究并没有考虑所选路径是否存在风险等问题.基于以上问题,首次构造了一个基于边缘计算技术的道路风险实时评估模型(real-time road risk assessment model based on edge computing, R³A-EC),并提出基于该模型的城市路网实时路径选择方法(real-time route selection method based on risk assessment, R²S-RA). R3A-EC模型利用边缘计算技术的低延迟,高可靠性等特点对城市道路进行实时风险评估,并利用最小风险贝叶斯决策验证道路是否存在风险问...