基于协同合作的蚁群优化算法

蚁群优化是一种模拟蚂蚁觅食的群集智能搜索算法,基本蚁群算法收敛性较差,易陷入局部最优解。本文在基本蚁群算法的基础上,提出一种新的蚁群优化算法,通过在信息素局部更新中引入信息素扩散模型,在信息素全局更新中引入随机扰动机制,发挥蚂蚁之间的协同合作能力,提高了算法的收敛速度。以TSP为例的仿真实验表明,该算法具有较强的寻优能力、较好的鲁棒性和有效性。     

融合头脑风暴和注意力机制的改进蚁群路径规划算法研究

蚁群算法是一种智能优化算法,具有鲁棒性强、反馈信息精准、分布式计算能力强等优点,被广泛应用于移动机器人的路径规划。针对原算法存在收敛速度慢、易陷入局部最优等问题,提出了一种改进蚁群路径规划算法。首先,融合头脑风暴思想对解集进行更新变异,在加快收敛的同时保证算法的多样性。其次,利用局部路径注意力机制提取较好的路径段,提高寻优效率,且在信息素注意力机制中加入了自适应t分布,避免算法陷入局部最优。新的信息素更新方式可以促进算法的全局搜索,并且保障算法的收敛速度。最后,在Matlab软件中进行了静态环境下的仿真实验,验证了该算法的有效性和可行性。     

求解函数优化问题的快速连续蚁群算法

 用蚁群算法进行函数优化时,存在收敛速度慢并易于陷入局部最小等问题.为此,根据对真实蚂蚁的最新研究成果,提出了一种全新的由侦察蚁和觅食蚁协作搜索的函数优化快速连续蚁群算法.该算法首先引入混沌序列确定侦察蚁的初始位置,然后由侦察蚁进行全局大视域快速搜索,且每迭代完一步和每迭代完一代都要对解进行评价,并对本代最优解的信息素进行标记,由此吸引觅食蚁在本代最优解周围空间进行小步长搜索.通过这种初始化方法和侦察蚁与觅食蚁的相互协作,不仅能很好的提高寻优精度,且使收敛速度大幅提高.计算机仿真实验结果表明,本算法寻优率高,收敛速度提高显著,效果令人满意.     

基于自适应节点选择蚁群算法的QoS选播路由算法

针对基本蚁群算法在求解QoS选播路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种基于自适应节点选择的蚁群算法对该问题进行求解.该算法根据解的情况自适应调整节点选择策略;依据各路径上信息素的＂集中＂程度判断解的早熟、停滞情况,并对可能陷入局部最优的解进行信息素混沌扰动更新,以便跳出局部极值区间.仿真实验表明,算法全局搜索能力较强,能够跳出局部极值区间,快速地收敛到全局最优解,算法是可行、有效的.     

基于拥挤度因子的动态信息素更新策略蚁群算法

针对蚁群算法易陷入局部最优、收敛速度慢的问题,文中提出了一种基于拥挤度因子的动态信息素更新策略的蚁群算法(CFACS)。引入鱼群算法中拥挤度的思想,扩大种群中蚂蚁分布范围,使其探索更大的解空间,提高算法全局搜索能力;采用动态信息素更新策略,在每一次迭代中,自适应调整当前最优路径所释放的信息素浓度,保证蚁群前期的多样性,同时保证算法在后期的收敛性。求解TSP问题的仿真实验表明,改进算法求得解的质量和求解的收敛速度都明显优于传统蚁群算法,较好地平衡了种群多样性与收敛速度之间的矛盾。     

基于栅格模型机器人路径规划的量子蚁群算法

针对复杂环境中移动机器人路径规划问题,提出了一种基于量子-蚁群算法(QACA)融合的路径规划算法。该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素,增加位置的多样性,加快算法的收敛速度。通过仿真实验表明,该算法可增加算法的随机性,较传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力,即使在障碍物较复杂的环境下,也能迅速规划出一条最优路径。     

基于自适应信息素调整的连续空间优化蚁群算法

对于基本蚁群算法(ACA)不适用求解连续空间问题,并且极易陷入局部最优的缺点,提出了一种基于自适应的蚁群算法。路径搜索策略采用基于目标函数值搜索筛选局部最优解的策略,确保能够迅速找到可行解。信息素更新策略采用自适应的启发式信息素分配策略,使算法能够快速收敛到全局最优解。对2个求函数极值问题进行优化并与其他算法进行比较,结果表明该算法能很好的应用于对连续对象的优化,同时具有较高的寻优精度高,搜索速率快,良好的全局优化性能。     

一种改进的量子多目标蚁群优化算法

提出一种新的量子多目标蚁群算法．在蚁群算法的基础上中引入量子理论,将量子计算与蚁群进行融合,并用于求解多目标问题．该算法的核心是在蚁群中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素．该算法在全局寻优能力和种群多样性方面比蚁群算法有所改进,测试表明：该算法是求解多目标问题的一种有效的算法．     

融合哈里斯鹰与蚁群算法的机器人路径规划

针对传统蚁群算法在静态环境进行路径规划时存在初始信息素匮乏,收敛速度慢,搜索不全面的问题,提出了一种融合哈里斯鹰与蚁群算法的路径规划算法。基于栅格法对机器人工作地图进行建模,使用哈里斯鹰算法对蚁群算法中初始参数信息素因子和启发函数因子进行训练,并利用经哈里斯鹰算法优化过的蚁群算法对路径进行搜索,改进信息素更新公式并设定信息素浓度阈值,增加了融合算法的全局搜索能力及收敛速度。仿真实验结果表明,融合算法相较于其它算法在最终解精度、转弯次数等方面有一定的优势,验证了该算法的有效性和实用性。     

改进蚁群算法的机器人路径规划研究

针对传统蚁群算法存在算法收敛速度慢、易陷入局部最优的问题,文中提出了一种改进的蚁群算法。在传统A ^*算法的基础上,改进其估价函数,并将其引入到蚁群算法中,提出了改进启发函数η,增加目标点对路径搜索的吸引力,提高了收敛速度。新方法还改进了信息素挥发因子ρ,使信息素挥发因子处于动态变化,提高了算法的全局搜索能力,避免陷入局部最优。仿真结果表明,改进的蚁群算法在收敛速度上比传统蚁群算法提高了近50%,在最短路径上明显优于传统的蚁群算法,证明了改进算法的有效性。