基于改进蚁群算法的线缆路径规划技术研究

线缆布线是复杂机电产品设计中的普遍性难题。针对线缆布局设计中存在的效率低、可靠性差等问题,提出了一种基于改进蚁群算法的线缆路径规划方法。采用分段式空间划分方法对待布线空间进行环境建模,同时对布线空间进行栅格化处理,以获取三维布线路径的规划空间。为解决基本蚁群算法在进行路径搜索时路径点容易发散的问题,引入了基于重力规则的蚁群算法路径搜索策略,提高了路径规划的真实度。在仿真实验中,将所提出的方法与基本蚁群算法进行了对比分析,验证了该算法的可行性和有效性。     

避免车辆路径拥塞的动态蚁群算法

运用蚁群算法,对非闭合线路避免拥塞现象的车辆路径问题进行研究,提出了深度为1的树结构指针推进策略和相应的路径优化算法,为交通管理和车辆导航提供决策依据。仿真结果表明该算法具有较强的道路拥塞识别能力,能够有效缓解道路拥塞现象。     

用于两端线网布线的蚁群系统方法

提出一种基于蚁群系统的端线网布线方法，对于给定的布线平面，首先根据障碍情况构造了包含最短路径信息的强连接图，建立初始气味矩阵，然后使用蚁群算法搜寻目标路径，直到求出优化解。     

蚁群算法用于VLSI布线的特性分析

本文重点在于研究在VLSI布线中采用蚁群算法的实用性和优越性。通过用MATLAB编程对蚁群算法和迷宫算法等算法的实现,得出蚁群算法在VLSI布线中的适用性不受布线结构的限制,而且在得出最优解方面有一定的优势。     

蚁群算法在物流配送中的应用研究

本文通过单个蚁群算法和多个蚁群算法来分析它们在求解车辆路径问题上的区别。首先介绍了关于物流配送的车辆路径问题、带有时间窗的车辆路径问题以及蚁群算法的相关知识,然后分析蚁群算法在求解VRP问题的过程,最后通过模拟实验分析单个蚁群算法和多个蚁群算法在求解不同顾客数目的车辆路径问题的区别。得出多个蚁群算法相比较与单个蚁群算法在求解大型问题更具有优势性。     

改进蚁群算法在移动机器人路径规划中的研究

移动机器人合理的路径规划是进行探索任务的前提,针对移动机器人路径规划的复杂性,把蚁群算法引入到机器人路径规划中;普通的蚁群算法存在收敛速度慢、效率低和容易陷入局部最优等缺陷,难以直接应用于机器人路径规划中;提出一种在蚁群算法中改进信息素的更新方式、引入最大最小蚁群系统以及改进状态转移规则的移动机器人路径规划方法,在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明该方法能缩小最优路径的查找范围,降低发现最优路径所需的循环次数,能有效提高最优路径的搜索效率,整体性能优于普通蚁群算法。     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

基于蚁群算法及博弈论的多Agent路径规划算法

针对多Agent路径规划问题,提出了一个两阶段的路径规划算法。首先,利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点,不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布,提高了算法的全局搜索能力;利用粒子群算法中的自适应惯性权重因子来调节信息素强度Q值,使其自适应地变化,避免陷入局部最优;对信息素挥发因子ρ进行调节,提高算法的迭代速度。其次,若多Agent之间存在动态碰撞,利用博弈论构建多Agent之间的动态避障模型,并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题,确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高,与Mylvaganam的多Agent动态避障算法相比,所提算法减小了路径总长度并提高了收敛速度。     

交叉变异蚁群算法在VRP问题中的应用研究

提出一种改进的蚁群算法,新算法利用遗传算法对蚁群算法的参数进行优化,然后利用新的蚁群算法求解基本的车辆路径问题。改进的蚁群算法具有全局搜索能力强的特点,仿真结果表明,新算法的优化质量和效率都优于传统蚁群算法。     

蚁群算法在移动机器人路径规划中的应用综述

路径规划是移动机器人领域的一个研究热点,蚁群算法在移动机器人的路径规划得到广泛应用。介绍了常见的几种蚁群算法,从蚁群算法结构、参数选取及优化、信息素优化等方面对已有的蚁群算法方法进行了分类综述,同时对多蚁群优化算法、融合蚁群算法在移动机器人路径规划的应用进行了分类比较与分析。从蚁群算法的理论研究、算法融合、多蚁群算法研究等方面对蚁群算法在移动机器人路径规划中的未来研究内容和研究热点进行展望。     

基于选路优化的改进蚁群算法

蚁群算法在处理大规模优化问题时效率很低。为此对蚁群算法提出了基于选路优化的两点改进:(1)引入选路优化策略,减少了算法中蚁群的选路次数,显著提高了算法的执行效率。(2)在选路操作中,只根据当前城市的前C个距离最近的且未经过城市为候选城市计算选择概率,从而减少单个蚂蚁选路的计算量。尤其对于以往较难处理的大规模TSP问题,改进算法在执行效率上有明显的优势。模拟实验结果表明改进算法较之基本蚁群算法在收敛速度有明显提高。     

FAMACROW: Fuzzy and ant colony optimization based combined mac,routing, and unequal clustering cross-layer protocol for wireless sensor networks

This paper presents Fuzzy and Ant Colony Optimization Based Combined MAC, Routing, and Unequal Clustering Cross-Layer Protocol for Wireless Sensor Networks (FAMACROW) consisting of several nodes that send sensed data to a Master Station. FAMACROW incorporates cluster head selection, clustering, and inter-cluster routing protocols. FAMACROW uses fuzzy logic with residual energy, number of neighboring nodes, and quality of communication link as input variables for cluster head selection. To avoid hot spots problem, FAMACROW uses an unequal clustering mechanism with clusters closer to MS having smaller sizes than those far from it. FAMACROW uses Ant Colony Optimization based technique for reliable and energy-efficient inter-cluster multi-hop routing from cluster heads to MS. The inter-cluster routing protocol decides relay node considering its: (i) distance from current cluster head and that from MS (for energy-efficient inter-cluster communication), (ii) residual energy (for energy distribution across the network), (iii) queue length (for congestion control), (iv) delivery likelihood (for reliable communication). A comparative analysis of FAMACROW with Unequal Cluster Based Routing [33], Unequal Layered Clustering Approach [43], Energy Aware Unequal Clustering using Fuzzy logic [37] and Improved Fuzzy Unequal Clustering [35] shows that FAMACROW is 41% more energy-efficient, has 75–88% more network lifetime and sends 82% more packets compared to Improved Fuzzy Unequal Clustering protocol.     

一种无线传感器网络蚁群优化路由算法

如何在资源受限的无线传感器网络中进行高效的数据路由是无线传感器网络研究的热点之一.将蚁群优化算法(ACO)应用于无线传感器网络的路由,提出一种无线传感器网络蚁群优化路由算法.该算法利用蚁群的自组织、自适应和动态寻优能力进行网络优化路径的建立与维护,采用Stigmergy的概念来减少控制信息的流量,以实现网络数据的高效传输.仿真分析表明,该算法和DD算法相比在传输延时方面性能相当,在路由代价方面效果显著.另外,该算法还具有可靠性高、适应性强等优点,并能够根据需要实现网络的拥堵控制和能量均衡等综合优化.     

基于隶属云蚁群算法的长链型无线传感器网络路由优化

针对用于监测系统的长链树状无线传感器网络数据传输的实时性和高可靠性等要求,并考虑到近汇聚节点处易形成"漏斗"等问题,本文提出用基于云模型的多蚁群算法对无线传感器网络路由进行跨层优化的设计思想。算法通过种群间信息素的相互作用并行地完成路径的搜索并及时对信息素进行更新,在搜索的过程中把节点的时延、跳数、负载及分组成功率作为路径的启发值,利用多规则云发生器对更新策略中的信息素残留系数和信息素强度进行自适应调整。仿真结果表明,该路由算法能够保证无线传感器网络具有很强的实时性、可靠性及鲁棒性,实现了网络的负载平衡及拥塞控制机制。     

无线传感器网络中基于能量优化的路由协议ANT-LEACH

经典路由协议LEACH采用自适应分簇算法,簇头与基站直接通信,因此一旦二者距离较远,则这种单跳传输方式将消耗较多能量,并最终导致整个网络运行失效。提出一种改进的基于能量优化的路由协议ANT LEACH,该协议将蚁群优化算法融入到簇头选路过程中,重点引入引力度函数概念对蚁群选择概率公式和信息素更新规则进行改进,充分考虑簇头节点的剩余能量,在簇头与基站之间找到一条能量最优路径,变单跳为多跳传输方式。仿真结果表明该协议有效地降低了节点能耗,延长了网络的生存时间,并保证了整个网络负载的平衡。     

基于启发式蚁群算法的VRP问题研究

针对蚁群算法求解VRP问题时收敛速度慢,求解质量不高的缺点,把城市和仓库间的距离矩阵和路径节约矩阵信息融入到初始信息素矩阵中作为启发式信息引入到蚁群算法中用于求解有容量限制的车辆路径规划问题（CVRP）,在三个基准数据集上的实验研究表明,基于启发式信息的蚁群算法与基本蚁群算法相比能够以较快的速度收敛到较好的解。     

基于滑动窗口和蚁群优化算法的二次路径规划算法

针对蚁群优化(ACO)算法在复杂环境下规划能力较弱的问题,提出了一种基于滑动窗口和蚁群优化算法的二次路径规划(QACO)算法.对回退蚁群优化(ACOFS)算法的回退策略进行改进,通过降低回退路径上的信息素量,减少回退次数.第一次规划中,使用改进后的ACO算法对栅格环境进行全局路径规划;第二次规划中,滑动窗口沿着全局路径滑动,通过ACO算法规划出滑动窗口中的局部路径,并使用局部路径对全局路径进行优化,直至滑动窗口中包含目标位置.仿真实验表明:相比ACO、ACOFS算法,QACO算法的平均规划时间分别下降了26.21%、52.03%,平均路径长度下降了47.82%、42.28%,因此在复杂环境下QACO算法具有将强的路径规划能力.     

原对偶遗传与蚁群算法的融合

原对偶遗传算法(PDGA)较好地保持了种群的多样性和较强的稳定性,改善了在搜索空间里的搜索能力,使搜索更为有效,但没有利用系统中的反馈信息,导致无为的冗余迭代,求解效率不高。而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢。通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种全局寻优性能好,稳定性强,效率高的启发式算法,通过仿真计算,表明融合算法的性能优于遗传算法,原对偶遗传算法和蚁群算法。     

基于蚁群-遗传算法的QoS路由选择

论文提出了一种将蚁群算法与遗传算法融合的新算法。采用蚁群算法进行寻径生成初始群体，利用遗传算法对路径进行优化。仿真结果表明此算法是可行的、有效的。     

密集MANET下MPR的改进蚁群优化算法研究

针对传统多点中继（MPR）机制因使用贪心算法而导致求解集合冗余的问题,通过将蚁群优化算法与MPR机制相结合,提出一种基于状态信息的动态更新蚁群优化（DUACO）算法。与传统状态更新机制相比,该算法添加了信息素的动态更新机制和补偿-惩罚规则,考虑到节点移动性将会影响求解集合的精确度,重新定义蚁群算法中的路径选择函数,并将节点移动状态信息加入计算过程。实验结果表明,DUACO算法不仅能够有效降低MPR集合冗余以及提高网络性能,而且还可解决启发式蚁群算法易陷入局部最优解的问题。