基于启发式机制的改进蚁群算法

针对蚁群算法在求解最短路径问题时收敛速度慢,容易陷入局部最优解的问题,提出基于启发式机制的改进蚁群算法.在蚁群系统（ant colony system,ACS）算法基础上通过候选节点到目标点的距离动态调整启发函数,提高收敛速度;算法陷入局部最优时,引入惩罚函数,使当前最优路径上的信息素快速下降而降低蚂蚁下一次搜索正反馈的影响,避免算法陷入局部最优.仿真实验表明,在复杂环境中,包括终点处存在凹形障碍物时,该算法在解的质量和收敛速度上都显示出了良好的性能.     

基于蚁群算法的移动机器人路径规划

研究移动机器人在已知静态环境下路径规划问题,在避障环境下寻求最优路径.针对蚁群算法搜索时间长、易陷入局部最优等缺陷,导致实时处理困难,且路径准确度低、可跟踪性差不能直接用于机器人.为解决上述问题,首先提取环境的平面几何信息,建立了简单有效地搜索模型.可通过引入终点距离与方向的启发函数、阶梯式伪随机的结点转移规则,引导蚁群有目的的进行搜索;改进信息素更新策略,利用一种奖惩机制以增强蚁群对尽可能好的解的识别能力.并考虑障碍物对路径的影响,运用人工势场法对全局最优路径的结点进行平滑.进行仿真的结果表明,提高了路径的安全性和可跟踪性.证明了改进方法可以有效地找出最优可行路径.     

改进的智能蚁群算法在TSP问题中的应用

研究旅行商领域优化路径问题,解决目前蚁群算法易陷入局部最优、搜索时间长等问题.为加快算法的速度优化结果,提出了一种改进的求解TSP问题的智能蚁群优化算法.算法前期采用了一种最近节点选择策略对路径进行优化,提高了搜索效率,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛.通过改进后的蚁群算法,对TSPLIB中部分问题的仿真结果表明,在避免陷入局部最优和缩短搜索时间方面都取得了很好的效果.证明采取的优化蚁群算法,是可行有效的.     

机器人全局路径规划的混合蚁群系统算法

针对蚁群算法易陷入局部最优的缺点以及收敛速度与局部最优的矛盾,提出一种求解移动机器人全局路径规划的改进混合蚁群系统算法。该算法由两部分组成：Dijkstra算法用于规划出一条次优路径;进一步用改进的蚁群系统算法优化次优路径以获得最优路径。在改进的蚁群系统算法中,首先定义了一种新的启发信息函数来增加种群多样性;然后给出改进的交叉算子避免算法陷入局部最优,并进一步提高解的质量。仿真结果表明：所提出的算法与参考文献中的算法相比搜索效率更高,解的质量更好,性能更优。即使在障碍物复杂的环境中,对于多目标点问题,该算法仍能规划出较好的目标遍历路径,且用时时间较少。     

基于改进蚁群算法的高速公路协同救援路径规划

针对高速公路多点协同救援路径规划问题,文章综合考虑路段行驶时间和路径安全性两个优化目标,设计路径评价函数.根据高速公路救援的特点,引入"助手结点"的概念来设置信息素初始浓度;引入搜索角、结点直线距离和安全因素设计了启发函数;使用随机选择机制来优化状态转移规则;最后引入奖励机制设计了信息素更新规则,通过这四个方面改进了蚁群算法.在此基础上,建立多点协同救援模型,采用表上作业法确定救援车辆派遣方案.仿真实验结果表明,改进的蚁群算法和原始的蚁群算法相比,不但收敛速度更快,而且优化了全局最优解.改进的蚁群算法与表上作业法的结合,实现了多救援点协同救援的路径规划功能.     

基于混合蛙跳思想的蚁群算法及路径优化研究

针对基本蚁群算法存在容易陷入局部最优解出现早熟停滞状态的缺点,提出了基于混合蛙跳思想的蚁群算法,并应用于城市交通路径寻优研究。通过引入混合蛙跳算法的全局信息共享和局部深度搜索机制,提高了蚁群算法跳出局部最优解的能力与全局收敛性。以重庆市渝中半岛的路网为实例计算以行程时间为目标的最优路径,实验结果表明该算法有效改善了基本蚁群算法的全局搜索能力,同时为解决城市交通路径寻优问题获得了较好的效果。     

基于转角约束的改进蚁群优化算法路径规划

针对传统蚁群优化（ACO）算法搜索路径时易陷入局部最优、路径过长、转弯角度过大等问题,提出一种基于转弯角度约束的改进ACO算法。首先,增加起始点与目标点之间区域的初始信息素浓度,以避免初期盲目搜索;然后,在启发函数中加入A^*算法的估价函数和转弯角度因子,以便在下一步选择路径长度和转角次数综合最优的节点;最后,在信息素更新部分引入狼群算法的分配原则,来加强优质种群的影响力,同时借鉴最大最小蚁群（MMAS）算法进行信息素浓度的限制,从而避免算法陷入局部最优。Matlab仿真结果表明,改进算法与传统ACO算法相比,规划出的路径长度缩短了13.7%,转弯次数减小了64.3%,累计转弯角度减少了76.7%。实验结果表明,所提改进算法能有效解决全局路径规划问题,避免了移动机器人过多的能耗损失。     

基于混合多种群自适应蚁群算法的无人机航路规划

针对基本蚁群算法在航路规划中易于过早陷入局部最优解,对蚁群算法进行了改进;提出了具有多种群的蚁群算法,并将导引因子引入到状态转移策略中,减少蚂蚁局部搜索的盲目性,确保蚂蚁最终完成航路搜索;当算法陷入局部收敛时,通过交换各种群的信息素,并对每个种群的挥发系数进行自适应调整,从而扩大了搜索空间,提高了搜索全局性;最后在代价函数简化后的栅格图中对改进算法进行了仿真;仿真结果表明,该方法可以有效防止算法陷入局部最优,是一种有效的航路规划方法.     

改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在路径规划中存在易陷入局部最优与收敛速度慢等问题,提出一种改进的蚁群算法.采用初始信息素差异化分布策略,增强目标点导向区的初始信息素浓度;基于回退策略与禁忌搜索结合分块优化,利用叉积运算进行局部折点优化;引入信息素自调节加强因子,改进信息素浓度更新公式;引入随机状态转移参数,增强全局搜索能力;将改进算法...     

自适应蚁群算法在多目标跟踪中的应用

在多目标状态跟踪估计方法的研究中,多目标数据关联容易陷入局部最优状态以及跟踪精度不高的缺点,提出一种改进蚁群算法的数据关联方法.改进方法为:在传统蚁群算法的基础上,引入标识判定系数来调节信息素浓度的增量,避免某条路径上信息素浓度增长过快,从而陷入局部极值的情况,同时对挥发因子进行自适应控制,保持搜索的平衡性和全局性,避免搜索落入局部最优从而陷入停滞状态.仿真结果表明,改进的蚁群算法在多目标跟踪中,既可有效地避免搜索落入局部最优的弊端,又明显地提高了跟踪精度.