求解旅行商问题的混合粒子群优化算法

结合遗传算法、蚁群算法和模拟退火算法的思想，提出用混合粒子群算法来求解著名的旅行商问题．与模拟退火算法、标准遗传算法进行比较，24种混合粒子群算法的效果都比较好，其中交叉策略D和变异策略F的混合粒子群算法的效果最好，而且简单有效．对于目前仍没有较好解法的组合优化问题，通过此算法修改很容易解决．     

遗传混合算法路径规划研究

遗传算法和蚁群算法被广泛应用于路径规划,但遗传算法收敛速度慢,蚁群算法易陷入局部最优,在求解旅行商问题上都有一定的缺陷。本文采用遗传与蚁群混合算法,充分利用遗传算法的快速全局搜索能力和蚁群算法的智能性,用蚁群算法迭代每只蚂蚁走过的路径序列作为遗传算法的初始种群,克服随机选择的盲目性,从而提高算法的性能。仿真计算结果表明,该算法可以找到最优解或近似最优解,并提高了求解效率。     

增强型的蚁群优化算法

旅行商问题是一个NP-Hard组合优化问题。根据蚁群优化算法和旅行商问题的特点,论文提出了对蚁群中具有优质解的蚂蚁个体所走路径上的信息素强度进行增强的方法,并同其他的优化算法进行了比较,仿真结果表明,对具有全局和局部最优解的个体所走路径上的信息素强度进行增强的蚁群优化算法比标准的蚁群优化算法和其他优化算法在执行效率和稳定性上要高。     

基于模拟退火策略的逆向蚁群算法

为克服现有蚁群算法运算过程中收敛速度慢, 易出现停滞现象等缺点, 提出了一种结合模拟退火策略的改进算法。利用向原始蚁群中引入逆向蚂蚁, 并结合模拟退火思想确定蚁群中逆向蚂蚁的数目, 来提高算法的适应性。将该算法应用于旅行商问题的求解, 仿真试验结果表明该算法的收敛速度和全局寻优能力都得到很大的改善。     

求解旅行商问题的模拟退火蚁群算法

根据蚁群算法与模拟退火算法的特性,提出了求解旅行商问题的混合算法.由模拟退火算法生成信息素分布,然后由蚁群算法根据累计更新的信息素找出若干组解,再经过模拟退火算法在邻域内找另外一个解的操作,得到更有效的解.与模拟退火算法、标准遗传算法、蚁群算法和随机初始化的蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

无人机三维航迹规划算法研究

在模拟仿真出无人机三维飞行环境的基础上,根据航迹规划的要求,建立对应数学模型,并采用蚁群算法进行优化仿真.针对基本蚁群算法存在的搜索时间长、容易陷入局部最优解等缺点,将蚂蚁当前位置与目标位置的距离信息反馈到系统中作为航迹规划的控制信息,同时对航迹节点的选择方法进行改进,以提高算法的效率.仿真实例结果表明,该算法可以规划出满足无人机飞行要求的航迹.     

基于遗传-模拟退火的蚁群算法求解TSP问题

传统的蚁群算法具有收敛性好、鲁棒性强等优点,但在解决旅行商(TSP)问题方面存在收敛时间长,容易出现停滞等问题;为了提高传统蚁群算法的解的质量,本文提出了基于遗传-模拟退火的蚁群算法(G-SAACO),将遗传算法和模拟退火算法引入蚁群算法中;其方法是在传统蚁群算法中引入遗传算法的变异与交叉策略来得到候选解,增加解的多样性;同时引进模拟退火算法机制,使得在高温时以较高概率选择候选集中比较差的解加入最新集,温度控制上加入了回火机制,进一步提高解的质量;为了检验改进的蚁群算法,随机选用了TSPLIB中的部分城市进行仿真,结果与传统蚁群算法、模拟退火蚁群算法、遗传蚁群算法相比,算法具有较强的发现较好解的能力,同时增强了平均值的稳定性。     

基于蚁群算法的最小代价航迹规划仿真

在大比例尺地图的路径规划中,由于飞行器全局航迹规划需要计算机存储的栅格点数量巨大,存在维数爆炸问题,使得航迹解算计算量激增,因此提出1种改进的蚁群算法,将栅格由大及小进行划分,利用大栅格为飞行器选择相对平滑和离散度低的飞行地形,利用小栅格为飞行器提供相对精确的全局飞行航迹,将栅格带所有栅格的代价之和作为航迹代价,从而选出1条航迹代价最小的路径．该算法将蚁群算法的信息素更新机制更加合理地应用到航迹规划中．仿真结果表明,该方法能解决航迹维数解算问题,可以将一系列栅格点组成的路径点集合为最优解,为飞行器提供最优航迹规划路径．     

智能优化算法求解TSP问题

TSP（旅行商）问题代表组合优化问题,具有很强的工程背景和实际应用价值,但至今尚未找到非常有效的求解方法．为此,讨论了最近研究比较热门的使用各种智能优化算法（蚁群算法、遗传算法、模拟退火算法、禁忌搜索算法、Hopfield神经网络、粒子群优化算法、免疫算法等）求解TSP问题的研究进展,指出了各种方法的优缺点和改进策略．最后总结并提出了智能优化算法求解TSP问题的未来研究方向和建议．     

基于改进蚁群算法的多无人机航路规划研究

无人机的航路规划研究是无人机任务控制系统的关键技术,在用Voronoi图法对威胁环境建模的摹础上,提出了基于Voronoi图的多行为蚁群算法,增强了蚂蚁之间的协同性,有效解决了可行解的收敛性与多样性之间的矛盾,并对求解过程加入了方向性引导,提高了算法的求解效率.在多机协同方面,利用上述算法分同起止点与不同起止点两种情况对多机协同航路规划进行了仿真,针对得到的多条初始航路,利用协同时间指标对多初始航路进行选择.最后用三次样条方法对协同最优航路进行了平滑处理.     

面向低空突防的三维航路规划仿真研究

该文利用Matlab环境下的仿真工具建立了面向低空突防的三维航路规划系统仿真平台,将三维航路分解为水平方向和垂直方向的两个航路并分别应用改进的遗传算法和适应角法进行规划仿真。最后给出了仿真实例。     

具有新型遗传特征的蚁群算法

蚁群算法是一种新型的模拟进化算法,具有很好的通用性和鲁棒性,在解决组合优化问题方面有良好效果,但存在如计算时间较长、容易陷入局部最优等问题。本文在蚁群算法的基础上,引入了杂交及变异机制,提出了一种具有新型变异特征的蚁群新算法,在减少计算时间的同时可避免早熟现象。     

基于遗传算法的飞行器参考航迹规划

针对飞行器航迹规划问题展开研究,为了规划出最优满意的飞行轨迹,分析了飞行器航迹规划中存在的威胁与自身约束条件,提出了一种关于遗传算法的航迹规划方案,采用改进编码机制对飞行器在已知威胁情况下飞行航迹进行整体规划。取航迹个体只包含一个染色体,每个染色体为一个航迹点序列,随机生成种群,通过选择交叉变异,并将各种威胁和约束条件的影响适当的加入到适应值函数中,得到优化路径进行仿真。仿真结果给出了不同加权比例下所得到的最优航迹,通过仿真验证了算法的有效性。     

欧氏Steiner最小树问题的智能优化算法

欧氏平面内连接固定原点的最小树长问题，即欧氏Steiner最小树问题，为组合优化中的NP难题，因此合理的方法是寻找启发式算法。该文给出了两种智能优化算法——模拟退火法和蚂蚁算法。首先概述智能优化算法并将中面划分成网格，然后分别介绍两种算法的原理及实现过程，最后通过一系列计算实验，测试了算法的运行性能，获得了较好的效果。     

若干优化算法的运行分析比较

研究了若干优化算法在连续空间寻优问题中的应用。通过对标准寻优问题的寻优结果,分析并比较了优化算法的运行效果。考察的性能指标主要有寻优偏差、寻优次数等,分析比较方法采用平均分析法和最优最差分析方法等。文中涉及到的优化算法有遗传算法、模拟退火法、禁忌搜索法、单纯形法和蚁群算法。实验结果表明,单纯形法受解空间的维数以及寻优问题类型的影响较大,而遗传算法、模拟退火法、禁忌搜索法和蚁群算法对各个标准寻优问题则各有所长。对于工程中的实际寻优模型,可将其与标准寻优问题相对照以选择较适合的算法。     

无人机低空突防航迹规划算法研究

结合低空突防中的地形跟随/地形回避/威胁回避( TF/TA2)技术,在分析无人机各种机动性能以及A-Star算法的基础上,提出了一种基于局部空间搜索最优节点的方法,将A-Star算法进行稀疏化处理;设计了更贴近实际的航迹代价计算方法,将算法与数字地形相结合进行仿真计算.仿真结果表明,设计的航迹规划算法兼顾了算法效率、航...     

基于蚁群遗传算法的三维飞行器航路规划

关于飞行器航路优化设计问题,航路规划是任务规划系统的一部分,是飞行器自主控制的关键技术.为了能够快速的寻找到最优航路且得到的航路有更少的制动点,在航路问题描述的基础之上,把蚁群算法和遗传算法相结合,提出了一种蚁群遗传算法的三维航路规划方法.设计了具有方差因子的航路评价函数,给出了一种关于面的规划空间的构造方法,并在规划空间中,进行蚁群遗传算法的种群初始化,所采用的遗传算子,给出了算法的流程.仿真结果证明了算法的正确性和有效性.     

一种多机器人任务规划算法及其系统实现

针对多机器人任务规划问题,提出了一种蚁群集中式规划方法,建立了任务分配和路由规划的蚁群算法描述模型,并利用局部搜索策略改进了蚁群算法分配效果,实现了多机器人集中任务规划系统.利用该系统平台,进行了大量的实验分析.结果表明,蚁群算法能有效解决多机器人任务规划问题,为多机器人协作机制提供了新思路.