基于改进蚁群算法求解最优路径方法的研究

为保障电力系统供电可靠性,快速确定故障点到物资点最短路径是电力线路管理的一项重要功能.传统蚁群算法存在着收敛速度慢,易陷入局部最优解等缺点.文章针对其缺点,提出了一种结合最大最小蚁群算法,采用基于角度和信息素混合因素进行局部搜索并从起点和目标点双向搜索的改进蚁群算法.通过实验仿真表明,改进算法能有效地解决最短路径问题,...     

改进蚁群算法求解移动机器人路径规划

在全局静态环境下,提出一种改进蚁群算法,解决传统蚁群算法用于路径规划出现的收敛速性差、局部最优和求解质量差等不足。该算法引入障碍物排斥权重和新的启发因子到路径选择概率中,提高避障能力,增加路径选择的多样性;然后,设置局部信息素的阈值和限定范围更新局部信息素,采用交叉操作获取新路径,引入最优解和最差解,改变全局信息素的更新方式,提高全局搜索能力和解的质量,避免算法陷入局部最优。仿真结果表明,该算法能有效获得最优路径,在长度上比蚁群算法及其他算法分别减少了18%、5.7%和11%,算法迭代次数及运行时间都有所降低,提高了收敛速度和搜索能力。     

改进蚁群算法在电厂入场煤选购中的应用研究

在求解电厂入场煤选购中的车辆路径最优解时,以基本的蚁群算法进行改进,以新的初始解算法快速求解初始解,加快搜索最优解的收敛速度,调整信息素更新规则防止陷入局部最优解,提高搜索速度,改善搜索结果。通过案例分析,且与Solomon100国际标准题库中问题的最优解进行比较,分析改进后蚁群算法的可行性。     

基于自适应蚁群算法的水电站水库优化调度

应用自适应蚁群算法来求解水电站优化调度问题,该算法把问题解抽象为蚂蚁路径,利用状态转移,信息素更新和邻域搜索以获取最短路径。实例计算表明,该算法计算精度高,收敛速度快,克服了传统蚁群算法计算时间长,易于陷入局部最优的缺点,能较好地避免动态规划的维数灾问题,可求解具有复杂约束条件的非线性规划问题,为解决水电站优化调度问题提供了一种有效的途径。     

改进变步长蚁群算法的移动机器人路径规划

针对移动机器人在蚁群算法路径规划中存在陷入局部收敛且无法做到路径最优的问题,提出了改进变步长蚁群算法, 使其能够在收敛迭代次数较少的情况下做到路径最优。 针对蚁群算法应用在路径规划中的相关特性,优化信息素分配,降低局 部信息素含量对算法的影响,避免蚁群在搜索路径时陷入局部最优,在转移概率公式中增加权重因子,提高移动机器人朝着终 点方向移动的概率,有效减少蚁群收敛迭代次数,改变移动机器人移动步长,使其能在 360°内自由无碰撞移动,有效缩短路径 长度。 仿真结果表明,在简单环境下,改进变步长蚁群算法的收敛迭代次数及最优路径长度分别为 2 次及 28. 042 m,传统蚁群 算法的收敛迭代次数及最优路径长度分别为 25 次及 29. 213 m;在复杂环境下,改进变步长蚁群算法的收敛迭代次数及最优路 径长度分别为 2 次及 43. 960 2 m,改进势场蚁群算法的收敛迭代次数及最优路径长度分别为 16 次及 45. 112 7 m。 仿真结果验 证了改进变步长蚁群算法的有效性和优越性。     

基于改进帝国竞争算法的AUV三维路径规划

针对传统蚁群算法在自主式水下机器人的三维路径规划中收敛速度慢、搜索效率低、求解质量差等问题,提出一种基于改进帝国竞争算法的三维路径规划方法。该方法以传统帝国竞争算法为框架,首先,在国家初始化部分引入蚁群思想来搜索初始路径,提高可行解的质量;其次,为确保算法在提高种群多样性的同时不会丢失优秀个体,在殖民地革命部分加入差分进化思想;最后,在三个不同规模的地图上进行仿真比对。仿真结果表明,改进后的帝国竞争算法充分利用传统帝国竞争算法收敛速度快、收敛精度高、具有较强的全局搜索能力的特点,提高了寻优过程的精度,加强了全局的寻优性,有效解决了传统帝国竞争算法容易陷入局部最优解的问题,最优路径的长度缩短了11%。     

基于改进蚁群算法的输电网络扩展规划

针对基本蚁群算法在求解过程中经常出现搜索陷入局部最优解和收敛到全局最优解的时间较长这2个问题,对蚁群算法的转移概率和信息量全局更新进行了改进,提高了蚁群算法搜索全局最优解的能力与收敛到最优解的速度.将改进后的算法应用于单阶段输电网络扩展规划问题,建立了单阶段输电网络扩展规划的数学模型,设计了相应的算法.实例计算结果表明该方法的可行性和有效性.     

蚁群算法在无人驾驶智能车中的应用及改进

无人驾驶智能车的最优路径问题是路径规划的核心问题,而算法的选择是其关键.选用的是模拟仿生类蚁群算法,针对传统的蚁群算法在搜索时间和运算速度上还有待提高,我们从信息素的更新方式及局部搜索策略方面进行了改进,并且将虚拟路径这一概念应用于动态路径规划中.在考虑了多种状态参数后,我们得出结论是实际路径最短的不一定就是最优路径,还需要取决于各状态参数的取值,这样的改进满足了车载系统的一些实时性和可行性要求.     

基于模式记忆并行蚁群算法的输电网规划

该文讨论了目前大规模输电网规划求解中常见的无法完成对解空间的充分搜索，从而难于求得全局最优解的问题；给出了泛函形式的输电网规划模型，并重点分析了输电网规划解的模式。在分析了传统蚁群算法易产生未成熟收敛现象及其原因的基础上，设计了一种基于模式记忆的并行蚁群算法，该算法通过模式记忆实现了解空间分解，能够有效地识别、记忆和跳出局部最优解；通过局部细化搜索进一步加强了局部搜索能力；通过并行计算提高了计算速度。某实际77节点的算例分析表明了该算法具有很高的计算效率和优秀的局部、全局收敛性，有效克服了现代启发式算法在求解输电网规划问题时存在的效率不高及未成熟收敛等现象。     

结合蚁群算法和萤火虫算法的无人船路径规划

为提高无人船在执行水质采样任务时的路径规划效率，提出一种结合蚁群算法和萤火虫算法的路径规划算法。首先，在构建最短采水路径网络时，将转向角代价启发函数引入传统蚁群算法，减少路径搜索结果中的频繁转向；其次，剔除搜索结果中的冗余结点，进一步减少无人船转向次数，使所求得路径更适用于无人船实际航行。最后，在求解最优采样顺序时，基于随机修正的方式设计了一种改进的萤火虫算法，提升了算法的收敛速度。仿真实验结果表明，本文所设计算法能够完成水质采样任务路径规划任务，相比传统算法，搜索效率更高，有效缩短了总路径长度。     

多层优化蚁群算法的移动机器人路径规划研究

针对地图环境建模以及蚁群算法存在的问题,提出了一种移动机器人路径规划的多层优化方法.首先对U型陷阱栅格区域进行凸化处理,避免前期搜索混乱;设计新的状态转移规则,解决常规蚁群规划的路径过于紧贴障碍物的问题;改进距离启发式函数,有效提高算法收敛速度;设计平滑启发函数,增加蚂蚁局部探索时直行的机率,提升初始路径平滑性;提出按路程长度和平滑程度分配信息素的更新原则,利用优质蚂蚁进行全局信息素更新,进一步提高算法收敛速度;利用最大最小蚂蚁策略,防止蚁群陷入局部最优;通过二次路径优化策略,去除多余冗余点,进一步提升路径平滑性.仿真及实验结果表明,该方法能为移动机器人规划出一条安全且综合性能较好的路径,为路径规划的求解提供了一种切实可行的方法.     

动态环境下基于改进蚁群算法的路径规划研究

近年来,路径规划作为移动机器人技术研究中的一个重要领域而备受关注。针对传统蚁群算法在搜索过程中存在容易陷入局部最优并且收敛速度慢的缺陷,借鉴狼群分配原则改进信息素的更新方式,加快了算法的收敛速度。随后,针对传统蚁群算法对动态路径适应性低的问题,基于预测控制理论,在路径规划过程中加入滚动窗口,能使移动机器人更好地避开环境中的动态障碍物。仿真结果表明,改进后的算法更加适合移动机器人实际所处环境的路径规划。     

基于风险度评价和改进蚁群算法的配电网网架规划

提出一种基于风险度评价和改进蚁群算法的配电网灵活规划方法.将规划年的预测负荷、电价及导线价格等参数的变化由原来的离散状态转变为多场景区间,从而将电网规划中的单一不确定性问题转化为多个确定性问题.在求解不确定性问题时,提出一种基于云模型的改进蚁群算法,通过定性关联规则推理对蚁群算法中信息素参数ρ和信息素强度Q进行定性控制和动态选取,根据算法进化情况自适应更新支路信息素,有效克服了传统蚁群算法易陷入局部最优解及收敛速度慢的问题.应用改进蚁群算法,依次获得各个场景的规划方案,并以风险度最小为标准确定鲁棒性最优的规划方案,实现电网的灵活规划.算例分析验证了所提方法的有效性.     

基于改进蚁群算法的无功优化研究

建立了网损最小的数学模型,对蚁群算法的缺陷进行改进,包括对蚁群搜索到的路径进行排序,自适应调节路径上释放的信息素.同时又在信息素更新机制里引入微分进化算法的发散项,提高算法的收敛速度和全局寻优能力.通过IEEE-30节点的仿真计算,验证了改进蚁群算法在电力系统无功优化领域的可行性和有效性.     

基于混合算法的电力杆塔巡检实时航迹规划

传统的电力杆塔拍摄视点顺序固定,多旋翼无人机巡检距离并非最优;同时,随着维度增加,航迹规划算法空间复杂度呈指数增长,不能满足实时规划航迹的需求。针对以上问题,提出一种基于蚁群和A*混合算法（ACO-A*）的电力杆塔巡检三维航迹规划方法。该方法分为全局规划和局部规划,全局规划利用改进蚁群算法找到覆盖所有视点的较优路径,并通过算法判断路径是否经过障碍物,再运用A*算法局部规划。仿真结果表明：ACO-A*算法规划的航迹长度比《架空输电线路无人机巡检影像拍摄指导手册》规定的巡检航迹降低了16.85%;ACO-A*算法路径规划时间比A*算法降低了99.68%。因此本方法既节约了巡检能耗,又提高了航迹规划的效率。     

基于改进蚁群算法的变压器诊断数据的约简

针对变压器故障诊断提出的各种算法,多数不能从激增的诊断数据中提取有效的信息,无法实现快速准确诊断。为提高变压器故障诊断的速度,基于蚁群算法基本原理和模糊信息熵理论,对蚁群算法从局部搜索策略、蚂蚁内部状态、信息素更新策略及状态转移规则四方面进行了改进,提出诊断数据约简新方法。经过变压器故障诊断实例验证,使用改进方法将数据约简后,具有较高的诊断正确率,而与传统的算法相比,诊断速度快。     

基于改进蚁群算法的无人机三维航迹规划

针对传统蚁群算法在无人机三维航迹规划中，存在早期盲目搜索、收敛速度慢、易陷入局部最优等问题，本文提出了一种改进蚁群算法。该算法利用空间位置初始化信息素分布并设定浓度阈值，增强了蚁群早期搜索的方向性，避免了算法陷入局部最优；设计兼顾距离因素和方向因素的启发函数，改善了航迹规划质量；采用自适应挥发因子控制信息素的挥发，提高了算法的收敛速度。通过两组实验表明，该算法相比传统算法规划的航迹平均长度均减少18.6%，平均迭代次数分别减少63.3%和78.7%，平均拐角次数分别减少62.5%和42.3%。