基于异构双种群全局视野蚁群算法的移动机器人路径规划研究

针对蚁群算法中存在的算法收敛速度慢、逼近最优解能力不足等问题,提出一种基于异构双种群全局视野的蚁群算法,并将其应用于移动机器人路径规划领域。首先,研究基于异构蚁群的并行结构,通过差异化种群的相互协作提高蚁群算法的收敛速度和规划最优路径的能力;然后,研究具有全局视野的自适应步长,解决蚁群算法因局部视野导致无法搜索到最优步长的问题;最后,研究信息素初始化以及信息素更新方式,改进传统蚁群算法运行初期搜索无序性以及信息素更新不合理等问题。实验结果表明,该算法在逼近最优解能力和提高收敛速度等方面较对比方法有着显著提高,在测试的几种仿真地图中,平均路径长度优化了12%,平均迭代次数和平均运行时间分别减少了67%和82%。     

改进蚁群算法求解最短路径问题

针对蚁群算法在求解最短路径问题时存在容易陷入局部最优解的问题,对经典蚁群算法提出三方面改进。首先,在初始化信息素浓度时加入方向引导,加快初始搜索速度;其次,在局部信息素浓度更新过程中采用信息素重分配思想,避免由路径信息素衰减过程导致的最优路径信息素浓度过分减少;最后,在全局信息素更新过程中引入动态因子,使其自适应地更新较优路径信息素浓度,以提高全局搜索能力。仿真实验结果表明,该改进算法可以保证收敛速度,并提高算法搜索到最优路径的几率。     

基于信息素的自适应连续域混合蚁群算法

针对连续域混合蚁群算法（HACO）易陷入局部最优和收敛速度较慢的问题,提出了基于信息素的自适应连续域混合蚁群算法（QAHACO）。首先提出了一种新的解更新方式,对档案中的解进行信息素挥发,扩大了搜索范围,提高了算法的全局搜索能力,并且自适应地调整信息素挥发速率,更好地平衡收敛速度和收敛精度,其次采用了一种信息分享机制,将当前解与其他所有解的平均距离和当前解与至今最优解的距离相结合,进一步加快收敛速度。通过对测试函数进行仿真实验,结果表明,和连续域蚁群及其改进算法相比,QAHACO算法的寻优能力明显提高,寻优速度有一定的优势。     

基于改进蚁群算法物流配送路径优化的研究

针对物流配送路径优化问题的特点,提出利用蚁群算法建立数学模型,并对蚁群算法进行了改进。通过局部优化的处理,加快了改进后算法的收敛速度,并提高了全局搜索能力;对信息素的更新方式加以改进,进而提高了蚁群算法的自适应性,使得算法在执行过程中可以根据收敛和进展情况,相应地调整信息残留程度,从而进一步提高收敛速度或全局搜索能力。通过实例计算验证,使用改进后的蚁群算法优化物流配送路径,能够快速并有效地求得问题的最优解。     

改进的蚁群算法求解旅行Agent问题

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点。旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent 为完成用户指定任务,在不同主机间移动时的迁移策略问题。在蚁群算法的基础上,引入变异运算,并且对蚁群算法的全局和局部更新规则进行改进,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移。仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法。     

信息素增量动态更新的改进蚁群算法

蚁群算法是一种优秀的拟生态启发式算法,具有较强的鲁棒性,易与其它拟生态算法结合等特点.不过,它也存在着容易陷入局部最优、收敛速度慢等问题.通过分析蚁群算法的运行机制,得出了蚁群算法易陷入局部最优、收敛速度慢等不足产生的原因,针对这些不足,通过侈改基本蚁群算法中信息素的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,以加快收敛;同时引进了路径信息素平滑机制以平衡路径上的信息量.对TSP问题的仿真实验结果表明,改进后的算法加快了收敛速度,提高了全局搜索能力.     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。     

多核系统的实时任务调度算法研究

为更好地解决多核系统实时任务调度问题,针对基本蚁群算法求解最短路径过程中容易陷入局部最优的情况,对基本蚁群算法进行了改进。改进算法根据系统的实际情况对概率选择公式做出调整,同时根据相应策略对信息素进行调整,有效地缩小了信息素之间的差距,有利于跳出局部最优状态。实验结果表明,该算法与基本蚁群算法相比在收敛速度和计算最优解方面都有了提高。     

改进蚁群算法的机器人路径规划研究

针对基本蚁群算法收敛速度慢,易陷入局部最优解等问题,提出一种静态障碍环境下的改进蚁群算法.利用A*算法来设定信息素初始值,提高算法初始阶段搜索效率;采用新的信息素更新规则,并且动态调整启发函数和信息素挥发速率,加快算法的收敛速度,扩大搜索空间.仿真实验表明,与其他算法在相同情况下比较,改进算法在路径相同的情况下拥有较快的收敛速度以及较高的稳定性,且在不同复杂度的环境中均能得到最优路径,验证了其有效性和可靠性.     

优化蚁群算法在无人机航路规划中的应用

研究无人机航路规划问题,采用基本蚁群算法易陷入局部最优、搜索时间长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提高速度和系统品质特性,提出了一种基于改进蚁群算法的无人机航路规划方法.算法前期采用了保留最优解和自适应航路点选择策略对路径进行优化,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,提高了搜索效率.采用改进的蚁群算法对无人机任务航路进行仿真,仿真结果表明,改进方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高,证明是一种有效的无人机航路优化方法,可为实际应用提供参考.     

基于遗传算法的异构多核多帧任务分配*

讨论一组实时系统的任务在不同性质的处理器上的分配,使得所有任务得以完成并耗费更少的时间,是NP完全问题。建立了新的任务分析模型——异构多核多帧任务模型,并基于遗传算法给出解决方案。实验证明,该模型更为有效地表达了实时系统的性质,获得更高的分配成功率,算法拥有更低的时间复杂度,结果可信。     

基于异构CMP的改进蚁群优化任务调度策略

为提高异构CMP任务调度执行效率,充分发挥异构CMP的异构性和并行能力,提出一种基于异构CMP的改进蚁群优化任务调度算法--IACOTS。IACOTS算法首先建立任务调度模型、路径选择规则和信息素更新规则,使蚁群算法能够适用于异构CMP任务调度问题。同时通过采用动态信息素更新、相遇并行搜索策略和引入遗传算法中的变异因子对基本的蚁群算法进行优化,克服蚁群算法搜索时间过长和“早熟”现象。通过仿真实验获得的结果表明,IACOTS算法执行效率优于现有的遗传算法,完成相同的任务需要的迭代次数最少,能有效降低程序执行时间,适用于异构CMP等大规模并行环境的任务调度。     

应用捕食搜索策略的改进多态蚁群算法

结合捕食搜索策略对多态蚁群算法进行改良。该算法引入以下机制：在人工蚁选择路径阶段，设置侦查素路径为优先，为非侦查素路径设置惩罚因子；利用权值在侦查素和非侦查素路径都施加信息素，通过该机制避免多态蚁群算法陷入停滞；在每轮人工蚁最优结果的邻域应用捕食搜索策略，并通过竞争机制选择最优解更新信息素。通过TSP的仿真实验结果表明，提出的融合算法可以有目的地指导信息素分布，加快算法向最优解的收敛速度及提高最优解质量，克服传统多态蚁群算法的缺陷。     

蚁群算法在移动Agent迁移中的应用研究

移动Agent提供了一种全新的分布计算范型 .移动Agent技术给分布式系统的设计、实现和维护都带来了新的活力 .旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent在不同主机间移动时如何根据移动Agent的任务和其他约束条件来规划最优的迁移路线 .蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,是一种解决旅行Agent问题的有效手段,受到了广泛的关注,但它与其他进化算法一样存在易陷入局部最小的缺点 .在蚁群算法的基础上,通过修改它的信息素轨迹更新规则,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移 .仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法 .     

改进蚁群算法求解同型机任务调度问题

针对并行与分布式系统中的同型机调度问题,提出了一种改进蚁群算法。结合问题具体特点,给出了蚂蚁分配方案的生成策略,设计了一种新颖的基于任务适合度的信息素表示方法,以实现信息素的有效累积;改进了状态转移规则,通过对阈值的自适应调整使算法能根据搜索进度确定查找区域;在对信息素全局更新前,对每轮迭代获得的最好解进行变邻域搜索,避免算法陷入局部最优,提高收敛速度。仿真结果表明,改进算法有较强的寻优能力和稳定的求解质量。     

基于动态自适应蚁群算法的云计算任务调度

针对蚁群算法求解云计算任务调度问题存在收敛速度慢和容易陷入局部最优解的缺陷,提出一种动态自适应蚁群算法的云计算任务调度策略。算法在选择资源节点中引入混沌扰乱,依据节点信息素浓度自适应调整信息素挥发因子,由解的优劣性动态更新信息素。当任务数量超过150时,动态自适应蚁群算法与蚁群算法结果相比较,时间效率最大提高319%,资源负载率为0.51。仿真结果表明,所提算法提高了解的收敛速度和全局搜索能力。     

求解有限产能作业车间调度的改进蚂蚁算法

通过对有限产能车间调度问题的分析,提出了基于蚂蚁算法求解该问题的方法。在模型的构建中增加了成本和机器负荷约束。通过产品的BOM表采用蚂蚁算法搜寻节点,做各阶层工序安排,将各阶层工序安排组合成一完整解。对蚂蚁算法进行了改进,在基本蚂蚁算法的基础上,通过修改信息素局域更新规则和全局更新规则,引入自适应信息素挥发系数来提高算法的收敛速度和全局最优解搜索能力。算例分析表明,蚂蚁的正向反馈及探索功能对求解较大工件数的生产计划非常有效。而且在有限产能的环境中根据产能负荷状况产生不同的外包组合,将满足交货期的各种外包组合成本做敏感性分析,供决策者参考。     

Assignment and scheduling communicating periodic tasks indistributed real-time systems

Presents an optimal solution to the problem of allocating communicating periodic tasks to heterogeneous processing nodes (PNs) in a distributed real-time system. The solution is optimal in the sense of minimizing the maximum normalized task response time, called the system hazard, subject to the precedence constraints resulting from intercommunication among the tasks to be allocated. Minimization of the system hazard ensures that the solution algorithm allocates tasks so as to meet all task deadlines under an optimal schedule, whenever such an allocation exists. The task system is modeled with a task graph (TG), in which computation and communication modules, communication delays and intertask precedence constraints are clearly described. Tasks described by this TG are assigned to PNs by using a branch-and-bound (B&B) search algorithm. The algorithm traverses a search tree whose leaves correspond to potential solutions to the task allocation problem. We use a bounding method that prunes, in polynomial time, nonleaf vertices that cannot lead to an optimal solution, while ensuring that the search path leading to an optimal solution will never be pruned. For each generated leaf vertex, we compute the exact cost using the algorithm developed by Peng and Shin (1993). The lowest-cost leaf vertex (one with the least system hazard) represents an optimal task allocation. Computational experiences and examples are provided to demonstrate the concept, utility and power of the proposed approach