混合蚁群算法在光网络最优环路径搜索中的应用

路径分配问题是光环网络中的核心问题。根据遗传算法、粒子群优化算法和蚁群算法各自的特点,提出了一种融入粒子群算法和遗传算法的混合蚁群算法,用于对光网络的最优环路径的搜索。仿真结果表明,所提出的算法在收敛速度及寻优效果方面均优于基本的蚁群算法和遗传、粒子群的混合算法,证明了所提出算法的有效性。     

基于改进蚁群算法的移动机器人动态路径规划方法

 本文提出了基于改进蚁群算法的移动机器人动态路径规划方法.首先针对蚁群算法收敛速度慢,容易陷入局部最优的缺点,提出了根据目标点自适应调整启发函数,提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优.其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择.最后实现了基于改进蚁群算法的移动机器人动态路径规划并完成了仿真实验,实验结果证明了该方法的可行性和有效性.     

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。     

基于改进粒子群算法的三维路径规划

路径规划是无人机任务目标的重要组成部分,针对粒子群(PSO)算法早期收敛速度快,后期易陷入局部最优的缺点,提出一种结合天牛须搜索(BAS)算法的改进粒子群算法,并将其应用于无人机三维空间路径规划.在改进的粒子群算法中,利用天牛个体的优势,在每次迭代中都有自己对环境空间的判断,使路径更加合理,搜索效率更高.仿真结果表明,...     

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。     

基于改进蚁群算法的移动机器人路径规划研究

为解决传统蚁群算法收敛速度慢、极易陷入局部最优解的问题,文中提出了一种改进蚁群算法,并将其应用于移动机器人路径规划问题。蚁群算法的路径规划采用栅格法建立环境模型,并对障碍物进行扩大处理,从而有效降低了移动机器人在运动过程中与障碍物相碰撞的可能性;构造启发函数以降低蚁群搜索路径的长度;引入信息素扩散算法,并提高算法在初期的全局搜索能力,从而加快了算法的后期收敛速度。仿真结果表明,所提出的算法在收敛速度上比传统蚁群算法提高近一倍,可以规划出最优路径。     

基于粒子群优化的反潜搜索研究

在分析目前反潜搜索现状的前提下,提出了使用粒子群优化算法进行反潜搜索,并针对基本粒子群优化算法存在早熟和后期收敛速度慢的局限性,对个体极值实行高斯变异,并使惯性因子随进化代数自适应调节,提高了全局搜索能力和后期收敛速度,改进了粒子群优化算法的潜艇搜索策略.经过实验验证,本算法可以有效地提高反潜搜索效率.     

基于PSO-GA算法的多用户OFDM系统资源分配

为了最小化多用户OFDM系统的总发射功率,提出利用改进的粒子群算法与遗传算法相结合的联合算法(PSO-GA)来搜索最优的子载波和比特分配。该算法首先利用改进粒子群算法对系统的子载波和比特分配进行优化。算法运行过程中,当更新后的粒子速度大于最大粒子速度或小于最小粒子速度时,取最大粒子速度与最小粒子速度区间中的一个随机值作为更新的粒子速度。待PSO-GA算法的改进粒子群算法收敛后,将收敛后的种群作为遗传算法的初始种群,再利用遗传算法进行系统的子载波和比特优化分配,进而得出最优解。仿真结果表明,利用该算法比利用遗传算法、粒子群算法与Zhang算法的分配方案使系统需要的总发射功率降低2~10 dB。     

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。     

融合人工势场蚁群算法的移动机器人路径规划

通过对人工势场法与蚁群算法进行融合,给出了一种融合人工势场蚁群算法的移动机器人路径规划算法。一方面,引入目标点距离影响因子,改善势场力对移动机器人路径搜索的影响,通过改进斥力场函数,避免移动机器人因受到较大的斥力而无法规划出最优路径;另一方面,构造势场力启发函数,同时考虑距离启发信息和势场启发信息,初始化信息素的差异化分配方式有利于提高算法的收敛速度。实验结果表明,融合人工势场蚁群算法相比于文献[15]算法,在最优路径长度、路径转折次数、收敛速度三方面分别提高了2.6%,25%和66.7%,表明了该算法在路径规划方面的优越性。     

粒子群蚁群融合算法的火灾救援路径研究

为获取最优的救援路径,以提高救援的有效性和实时性,文中提出了一种粒子群蚁群融合算法。该算法在分析影响路径选择因素的基础上,运用模糊数学中的层次分析法评定了道路的权重,建立了消防灭火救援模型;使用粒子群算法快速获取次优解,将此次优解作为蚁群算法的初始信息素增量,并将求解出各段路径权重矩阵引入到优化后的蚁群算法状态转移概率的求解模型中来,再利用这种改进后的状态转移规则,且考虑行车速度时变性的基础上求解出模型的最优解。实验结果表明,该方法可以完成最佳救援路径的规划。     

基于遗传算法的改进智能优化蚁群算法

针对蚁群算法加速收敛和早熟停滞现象的矛盾,根据遗传算法的交叉算子、变异算子和粒子群算法的粒子极值,采用一种优化蚁群算法,以在加速收敛和防止早熟停滞现象之间取得更好的平衡.在利用该算法解决TSP问题中,当前解与个体极值和全局极值分别进行交叉操作,产生的解为新的位置信息.通过对50个城市问题进行实验,结果表明,该方法比一般蚁群算法具有更好的收敛速度和稳定性,适合于求解大规模的问题.     

基于拟生态优化算法的CDMA多用户检测方法

拟生态优化算法是一类模拟自然生态系统运行机制,求解复杂优化问题的智能计算方法,其中的蚁群算法和粒子群算法是较新出现的两种具有不同特点的方法。该文研究基本蚁群算法和离散粒子群算法,并结合CDMA多用户检测问题,改变算法的搜索机制,提出两种CDMA多用户检测的方法。从理论分析以及实验仿真的角度对比两种方法,表明两种方法的计算复杂度低且可以得到较好误码率性能,同时又各有特点。     

动态蚁群算法用于洪灾搜救问题

蚁群算法是一种求解最优路径的常用算法,其利用自然界中蚁群的活动规律和正反馈原理。动态的蚁群算法针对基本蚁群算法存在的问题和缺点进行改进,采用动态参数因子,可以有效避免搜索的局部最优和进化停滞现象,并且能够提高搜索效率。通过实验结果对比,该算法在求解最短路径方面具有更高的精确度,为今后的搜救问题提供了一种高效实用的参考方法。     

基于群智能神经网络的线性直流电源故障诊断

反向传播算法是应用广泛的一种多层前馈神经网络模型,具有求解精度低、易于陷入局部极小值的缺点.群智能研究领域主要有粒子群优化算法和蚁群算法.粒子群优化算法有收敛速度快、算法参数简洁等特性;蚁群算法具有正反馈、启发性收敛等特性.将群智能神经网络的方法应用于线性直流电源的故障诊断:利用蚁群算法来约简故障特征参数;用粒子群优化算法来训练神经网络的权值.实验表明:此方法提高了网络训练效率和故障定位准确性.     

Multi-point path planning based on the algorithm of colony-particle swarm optimization

The problem of multi-point path planning is a NP-hard problem,which is equivalent to finding the shortest path of a starting point and some specific node.Aiming at the problem of multi-point path planning,a retrospective ant colony-particle swarm optimization algorithm was proposed.This algorithm used Floyd-Warshall to transform the graph and combined ant colony algorithm and particle swarm algorithm to find the shortest path.The experimental results show that this algorithm can find the precise solution under small data,at the same time,under a large amount of data,can be better than the maximum minimum ant colony algorithm and genetic algorithm.     

混合均值中心反向学习粒子群优化算法

为平衡粒子群算法勘探与开发能力,本文提出混合均值中心反向学习粒子群优化算法.算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择,得出的混合均值中心将对粒子所在区域进行精细搜索.同时对混合均值中心进行反向学习,使粒子能探索更多新区域.将本文算法与最新改进的粒子群算法、人工蜂群算法和差分算法在多种测试函数集上进行比较,实验结果验证了混合均值中心反向学习策略的有效性,算法的综合优化性能更强.     

基于改进鲸鱼算法的多无人机协同欺骗干扰技术

多机协同对组网雷达系统进行航迹欺骗干扰属于大规模优化问题,往往需要利用群体智能算法优化无人机的飞行任务,然而采用传统群体智能算法优化时往往会出现收敛速度慢、求解精度低等问题。针对这一问题,对标准鲸鱼优化算法进行了改进,提出了一种基于改进鲸鱼优化算法的多无人机协同欺骗干扰技术。首先建立了多无人机协同欺骗干扰组网雷达的数学模型以及对应的优化函数,然后在标准鲸鱼优化算法的基础上引入了自适应惯性权值,提高了算法的全局搜索能力和收敛速度。仿真实验表明,固定无人机数量为9架时,利用改进鲸鱼、标准鲸鱼、粒子群、蚁群4种算法分别优化多机协同欺骗干扰模型,得出改进鲸鱼优化算法平均运行时间最短,迭代次数最少,同时优化产生的实际航迹与理论值误差最小;逐步增加无人机数量至20架,利用上述四种算法进行模型求解时得出改进鲸鱼优化算法在不同无人机架数的条件下产生的假目标航迹条数均优于其他3种算法。     

区域分割的自适应变异粒子群算法

为了提高粒子群算法（PSO）的收敛性及多样性,提出一种基于区域分割的自适应变异粒子群算法（RSVPSO）.算法采用区域分割的思想,利用粒子间信息交叉,使粒子搜索区间快速缩小;同时在迭代后期与自适应变异策略相结合,提高粒子跳出局部最优陷阱的能力和增强粒子多样性,达到寻优的目的.将所提出的算法应用于8个测试函数,并与精英免疫克隆选择的协同进化粒子群等算法进行比较,结果表明,新算法在收敛速度、搜索精度及寻优效率等方面有较大提高.