基于改进蚁群算法的火源定位策略研究

为了达到多机器人系统能够模仿蚁群寻找食物源的行为来定位搜索火源目标,对基本蚁群算法和禁忌搜索算法进行融合和修正,形成一种新的目标搜索策略。修正的蚁群算法包括：全局随机搜索、局部遍历搜索和信息素更新三个部分。在搜索过程中,通过设定信息素的有效作用范围来实现对多个火源目标的定位。仿真结果表明,局部遍历搜索能够保证机器人逐步靠近火源目标,而融合了禁忌搜索的蚁群算法在搜索效率上大大提高。     

基于头脑风暴优化算法的多机器人气味源定位

针对现有室内湍流环境下多机器人气味源搜索算法存在历史浓度信息利用率不高、缺少调节全局与局部搜索的机制等问题,提出头脑风暴优化（BSO）算法与逆风搜索结合的多机器人协同搜索算法。首先,将机器人已搜索位置初始化为个体,以机器人位置为中心聚类,有效利用了历史信息的指引作用;然后,将逆风搜索作为个体变异操作,动态调节选中一个类中个体或两个类中个体融合生成新个体的数量,有效调节了全局和局部搜索方式;最后,根据浓度和持久性两个指标对气味源进行确认。在有障碍和无障碍两个环境中将所提算法与三种群体智能多机器人气味源定位算法进行定位对比仿真实验,实验结果表明,所提算法的平均搜索时间减少33%以上,且定位准确率达到100%。该算法能够有效调节机器人全局和局部搜索关系,快速准确定位气味源。     

湍流烟羽环境下多机器人主动嗅觉实现方法研究

给出了一种用于实现主动嗅觉(也称气味/气体源定位或化学烟羽跟踪)的多机器人协同搜索策略. 将蚁群算法与逆风搜索相结合用于协调多机器人的运动方向. 蚁群算法可有效调动机器人朝信息素高的区域运动且保证机器人之间的距离不会过大; 逆风搜索可降低算法过早地陷入局部最优的概率. 为正确判断转移方向, 蚁群算法中还增加了对历史信息的考虑. 在源头确认方面, 本文提出了气味/气体浓度持久性判断结合机器人旋转计算流体质量通量散度的方法. 仿真表明, 本文的主动嗅觉搜索策略可适用于湍流烟羽环境, 且可有效地逃脱浓度局部最优和风场的漩涡, 另外可最终确认源头位置.     

基于改进AEO算法的多机器人主动嗅觉室内味源定位研究

用机器人主动嗅觉来自动寻找和定位毒气泄漏、火灾等气味源在防灾、反恐、探险等场景中具有重要意义.针对室内环境中机器人气味源定位方法对于策略切换阈值敏感问题,本文提出了一种用于多机器人气味源搜索的风向人工生态系统优化算法WAEO.该方法将机器人看作生产者、消费者或者分解者,通过三者的能量传递机制进行算法的优化,使算法在劣势初始位置时依旧保持稳定的性能.同时,考虑到气味源扩散的特点设计了离散风向系统,在生态系统中增加了追风者角色,从全局和个体维度引入风向信息和层次化利用风向信息.通过与两种常见粒子群算法的对比实验,发现WAEO算法可以减少味源定位的搜索时间,提高搜索成功率,特别是在机器人数量较少时优势更为明显.     

基于量子蚁群算法的机器人联盟问题研究

将量子进化算法与蚁群算法思想相融合,提出一种求解机器人联盟问题的量子蚁群算法。为了避免搜索陷入局部最优,采用多种群并行搜索及量子交叉策略,以改善种群信息结构;算法中还设计了一种新的信息素表示方式。仿真实验结果表明,该算法具有较快的收敛速度和全局寻优能力。     

一种基于免疫遗传的多路搜索蚁群动态路径诱导算法

在交通路径诱导过程中,为了优化出行者的路径选择,提出一种用免疫遗传算法与蚁群系统算法相互融合的算法,主要利用了蚁群系统算法的动态性、正反馈性和分布式计算的优点;同时兼容了免疫遗传算法的全局搜索能力以及容易和其他算法相结合等特点.蚁群系统算法的动态性能够满足交通道路动态变化的各种因素,但是蚁群系统算法固有的缺点是容易陷入局部最优和进化速度缓慢,为了改善蚁群系统算法陷入局部最优的缺点,采用免疫遗传算法的全局搜索的思想来对蚁群系统算法进行改进,避免了蚁群系统算法陷入局部最优的缺点.为了提高算法的进化速度,本文提出了基于多路搜索的蚁群系统算法,能够更好地加快收敛速度,满足交通动态变化的需要,并且满足出行者的需要.在算法的研究过程中,进行了两部分实验对算法进行了论证,在eil51问题中,算法与其它算法相比证明可以得到更优的解;在MapX环境下模拟现实交通状况,运用算法寻找最佳路径,证明了本文提出的算法能够在实际的道路状况中找到满足出行者需求的道路.     

基于混合反馈机制的扩展蚁群算法

由于传统蚁群算法基于正反馈机制的单一搜索方式,导致其存在收敛速度慢、易陷入局部极值的缺点.针对该问题提出一种基于混合反馈机制的扩展蚁群算法(MF-ACO),该算法在传统蚁群算法的基础上定义一种具有较强全局搜索能力的扩展型蚂蚁,帮助算法跳出局部极值;参考蚁群劳动分工行为,设计基于刺激-响应分工模型的负反馈平衡机制,动态平衡算法的收敛能力和全局搜索能力;最后依据分工模型对蚂蚁个体的信息素更新策略进行改进,进一步加快算法收敛速度.以多个TSP实例作为测试对象进行仿真实验,实验结果验证了所提算法的优越性,并将该算法用于机器人路径规划问题,在实际应用中进一步验证了所提算法的有效性.     

自适应蚁群算法在求解TSP问题中的应用

围绕蚁群优化算法的理论及应用,针对蚁群算法在TSP规划中求解能力不足的难题,运用了一种基于自适应的蚂蚁算法,并对TSP规划进行了设计。为了提高路径规划的效率,将自适应与传统的蚂蚁算法相结合形成了自适应蚁群算法。仿真实验结果表明,改进后算法能够在较短时间内找到全局最优路径,相对于基本的蚁群算法在收敛速度、搜索质量和局部寻优方面都有了明显的提高。     

煤炭勘探及救援机器人最优路径规划研究

为了解决三维环境中的煤炭勘探及救援机器人路径规划问题,提出了一种基于改进蚁群算法的煤炭勘探及救援机器人最优路径规划方法。利用栅格法创建了三维空间环境模型,建立了煤炭勘探及救援机器人的路径规划目标函数;通过引入新的启发函数因子、节点随机选择机制、局部更新和全局更新相结合的策略分别对算法的节点转移概率设计、节点选择策略和信息素更新策略进行了优化改进。Matlab仿真结果表明,在三维空间环境模型中,传统蚁群算法和改进蚁群算法均能为煤炭勘探及救援机器人搜索出一条最优路径;在不同任务要求下,改进蚁群算法能有效缩短搜索路径长度和降低路径搜索时间,且具有较强的决策能力和较好的收敛性能。     

基于改进蚁群算法的机器人路径规划算法

针对机器人路径规划中,传统蚁群算法收敛速度慢、易陷入局部最优解等问题,提出了一种移动机器人路径规划的改进蚁群优化(ACO)算法。用栅格法建立环境模型,并基于人工势场建立启发信息素矩阵,降低了蚂蚁在初始阶段搜索的盲目性;引入激励函数,降低搜索过程中的死锁现象;改进信息素的更新机制,增强了优秀蚂蚁对全局路径规划的影响。仿真结果表明:改进后蚁群算法的机器人路径规划算法加快了收敛速度,具有较强的鲁棒性和全局寻优能力。     

基于改进蚁群算法的全向移动机器人全遍历路径规划

受全遍历环境影响, 现有方法规划得出的路径长度过长, 为提高路径规划性能, 获取最优路径, 提出基于改进蚁群算法的全向移动机器人全遍历路径规划方法. 在拓扑建模示意图的基础上, 依据移动机器人在原坐标系下的位置信息, 利用角度转换建立新的环境模型. 考虑蚁群算法存在的问题, 将递减系数引入到启发函数中, 更新局部信息素, 通过设定迭代阈值, 调节信息素的挥发系数. 最后通过路径规划流程设计, 实现对全向移动机器人全遍历路径的规划. 实验结果表明, 所设计方法不仅可以缩短全遍历路径长度, 还可以缩短路径规划时间, 获取最优路径, 从而提高了全向移动机器人的全遍历路径规划性能.     

基于局部优化策略求解TSP的蚁群算法*

为了克服基本蚁群算法收敛速度慢、易于停滞的缺陷,提出了一种基于局部优化策略的蚁群算法（LOACA）。该算法根据TSP的特点,采用了三种局部优化算子来交换搜索路径中城市的位置,以改进解的质量。以TSP为例进行的实验结果表明,该算法优于ACA和ACAGA。     

基于双向搜索的改进蚁群路径规划算法

针对移动机器人在复杂地图环境中移动耗时长、易陷入局部最优等问题,设计了一种基于双向搜索的改进蚁群路径规划算法。基于K-means算法对地图预处理,量化地图的局部复杂度程度,并将局部环境信息融合到状态转移概率函数,使机器人优先选择在复杂程度小的区域进行寻优,减少路径拐点。设定双向搜索规则,改进启发函数,提高算法的局部方向搜索精度和全局搜索效率。针对蚁群算法中蚂蚁遇到U障碍物陷入死锁的问题,提出死锁判断系数,增加了有效蚂蚁的数量,进一步提高了算法性能。仿真结果表明所设计的算法在复杂地图环境中相较于传统蚁群算法移动机器人的路径搜索效率更高。     

改进蚁群算法在机器人路径规划上的研究

基于蚁群算法在路径规划过程中出现收敛速度慢、易陷入局部最优,且在复杂环境下的寻优能力弱等缺陷,提出了一种适用于机器人路径规划的改进蚁群算法.在预规划路径基础上建立初始信息素矩阵,避免算法前期盲目搜索,提高搜索速度;将改进蚁群算法和A*算法进行有机融合,进一步提高蚁群算法搜索方向性和收敛速度.制定信息素更新规则时引入拐点...     

基于改进蚁群算法的三维路径规划

针对移动机器人在海水环境中的三维路径规划问题容易陷入局部最优和收敛慢等瑕疵，根据三维环境全局信息来改进蚁群算法以提高实时性和收敛速度。改进蚁群算法的启发函数，采用局部信息和全局信息结合动态地改进信息素更新方式，以及根据三维空间中路径的平坦程度和光滑度二阶微分分别增加了一阶微分和二阶微分来再次修改信息素更新规则。仿真对比实验结果显示改进后的蚁群算法克服了收敛速度慢、容易陷入局部最优的缺点。     

一种改进的基于隶属云模型的蚁群算法

为了解决传统蚁群算法的收敛速度慢和易陷入局部最优等缺陷,做出如下改进：首先采用云模型来自适应控制蚂蚁的随机性;其次缩小了后继城市的搜索范围;最后引入2-opt局部搜索策略。对城市规模从50到高达1 000的TSP问题进行仿真,并与先前提出的改进蚁群算法进行对比,结果表明,该算法不仅偏离率更小,而且运行时间短。随着城市规模的增大,优势更明显。     

基于改进蚁群算法的图像边缘提取的研究

基于蚁群算法,提出了一种新的图像边缘提取方法。利用图像的灰度梯度作为启发信息,引入运动方向的改变量,通过蚁群在路径上信息素的分布及更新,从而使其迭代搜索逐渐向边缘曲线收敛,根据信息素的情况提取边缘曲线。实验结果证明,该方法利用蚁群算法的正反馈性的优点,有效地提高了边缘提取准确性,获得了比较理想的边缘提取效果。     

基于改进蚁群优化算法的养殖场机器人路径规划

养殖场巡视机器人路径规划是实现规模化养殖场智能监控的关键所在,针对机器人巡视过程中寻找最优充电路线的问题,提出一种改进的蚁群优化算法IACO。利用工作环境的全局信息建立目标吸引函数,提高蚁群选择最佳路径到达目标点的概率,缩短了算法的迭代时间。通过加入额外的信息素更新项和改进信息素挥发系数增强算法的全局搜索能力,避免算法搜索后期出现过早收敛而陷入局部最优。在简单和复杂环境中的仿真实验结果表明,与经典蚁群优化算法相比,该算法具有更快的收敛速度和良好的稳定性,可快速收敛到最佳路径。