基于CPN的联锁进路控制建模及验证

颜色集、层次化的概念使得有色Petri网(Colored Petri Nets,CPN)能够方便地对大型复杂系统进行形式化模型验证分析,铁路车站信号计算机联锁逻辑关系形式化验证方法的研究,对于减少联锁软件开发过程中的不确定性,提高联锁系统的安全性、可靠性,保障行车安全具有重要意义,联锁系统进路控制是联锁逻辑关系的重要内容,在分析联锁进路控制的基础上,采用CPN对联锁进路控制建立形式化分析模型,为车站信号计算机联锁逻辑关系形式化验证方法的研究提供一种联锁进路控制的形式化验证方法,同时通过CPN Tools对所建立的模型进行仿真分析及状态空间分析,结果表明模型能够正确描述联锁进路控制流程及联锁进路控制的功能逻辑,且状态空间分析结果与联锁进路控制逻辑完全相符。     

信集闭系统获取非法占用区段敌对信号的方法

针对现有矿井机车信集闭系统因采用人工设置联锁条件而导致联锁不准确的问题,介绍了一种准确获取非法占用区段敌对信号的方法。该方法在了解敌对进路判定条件的基础上,利用双向链路表表示进路元,生成进路链表,然后对进路链表进行搜索,从而得到敌对信号。实践证明,该方法能够准确获取矿井机车信集闭系统中的非法占用区段敌对信号,提高了联锁的准确性,降低了劳动强度。     

改进蚁群算法在移动机器人路径规划上的应用

为解决蚁群算法在路径规划中存在收敛速度慢、搜索效率低的问题,提出一种改进的蚁群优化算法。构建不等分配初始信息素以避免算法初始搜索的盲目性,使用伪随机状态转移规则选择路径,根据当前最优解和迭代次数计算状态转移概率,自适应地调整确定选择和随机选择的比例,引入最优解和最差解改进全局信息素更新方法,利用动态惩罚方法解决死锁问题。实验结果表明,改进的蚁群算法在全局最优搜索能力和收敛速度上得到了很大提高,失去的蚂蚁数量较其它算法更少,验证了改进蚁群算法的有效性和优越性。     

自适应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收敛速度和寻优能力不平衡，算法易陷入局部最优等问题，提出一种自适应改进蚁群算法。为了提高算法收敛速度，在栅格环境下，根据最优路径的特点以及实际环境地图的基本参数，对初始信息素进行差异化分配；为了提高蚂蚁搜索效率，在状态转移概率中引入转角启发信息并对路径启发信息进行改进；重新制定信息素更新策略，设定迭代阈值，调整信息素挥发系数和信息素浓度，使算法在迭代后期依然具有较强的搜索最优解能力；采用分段三阶贝塞尔曲线对最优路径进行平滑处理以满足机器人实际运动要求。通过实验仿真与其他算法进行对比分析，验证了改进算法的可行性、有效性和优越性。     

多策略蚁群算法在机器人路径规划中的应用

在二维环境中,蚁群算法规划路径时易出现收敛慢,搜索得到的路径是次优路径等问题。针对这些问题,提出一种新式多策略改进的蚁群算法以提高路径寻优性能和搜索效率。根据当前栅格相对于起始点的位置采用非均匀信息素的分布方式,使得优势栅格的初始信息素浓度较高,避免蚂蚁盲目搜索;采用定向邻域扩展策略重新定义蚂蚁移动规则,进一步缩短路径并提高搜索效率;利用角度引导因子增加终点的指导作用,增加障碍物影响因子避免路径陷入死锁以及降低曲折路径的出现率;采用双层精英蚁策略加大最佳路径的信息素含量,防止算法陷入局部最优,提升算法收敛性。实验结果表明,经过改进后,算法的寻优性和收敛能力都得到了极大的提升。     

车站联锁进路控制逻辑的形式化方法

基于计算机联锁系统是一个对列车行驶系统提供安全条件的系统,车站联锁系统是保证车站行车安全和提高运输效率的典型安全苛求性系统。以形式化 方法Event-B为基础,引入角色Agent对联锁系统进行规范定义,通过智能体与Event-B的建模和验证,构造了车站联锁进路控制逻辑形式化验证模型,并进行 了形式化规范和推理,该模型在RODIN平台上进行验证,通过实例验证,满足了计算机联锁系统的安全需求。     

遗传算法与蚂蚁算法的融合

遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，当求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低．蚂蚁算法是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度慢，算法是将遗传算法与蚂蚁算法融合，采用遗传算法生成信息素分布，利用蚂蚁算法求精确解，优势互补，仿真表明取得了非常好的效果。     

联锁进路敌对信号的搜索算法设计

分析了铁路信号计算机联锁系统中进路敌对信号的定义及处理生成问题,借助联锁进路表阐述了敌对信号与进路搜索之间的约束关系;结合站场有向图和邻接矩阵,利用数学图论知识,提出了一种进路敌信号搜索算法和k步进路扩散生成算法,给出了算法步骤流程并通过类C语言实现算法全过程.算法在实际工程项目中进行了应用,并对实际的站场实例进行了算法仿真模拟,提供了部分铁路站场进路和敌对信号实例数据.     

基于自适应机制改进蚁群算法的移动机器人全局路径规划

针对基本蚁群算法在二维静态栅格地图下进行移动机器人路径规划时出现的搜索效率低下、收敛速度缓慢、局部最优解等问题,提出一种自适应机制改进蚁群算法,用于移动机器人在二维栅格地图下的路径规划.首先采用伪随机状态转移规则进行路径选择,定义一种动态选择因子以自适应更新选择比例,引入距离参数计算转移概率,提高算法的全局搜索能力以及搜索效率;然后基于最大最小蚂蚁模型和精英蚂蚁模型,提出一种奖励惩罚机制更新信息素增量,提高算法收敛速度;最后定义一种信息素自适应挥发因子,限制信息素浓度的上下限,提高算法全局性的同时提高算法的收敛速度.在不同规格的二维静态栅格地图下进行移动机器人全局路径规划对比实验,实验结果表明自适应机制改进蚁群算法具有较快的收敛速度,搜索效率明显提高且具有较好的全局搜索能力,验证了所提算法的实用性和优越性.     

带容量约束车辆路由问题的改进蚁群算法

提出一种带容量约束车辆路由问题(CVRPs)的改进蚁群算法.该算法使用一种新的蚂蚁位置初始化方式,增加了蚂蚁走出最优路径的可能性.在搜索过程中,以客户之间路径的节省量作为启发式信息.信息素更新采用一种动态更新的方法,能够根据当前车辆所构建路径的情况对信息素进行更新,避免算法陷入停滞状态.局部搜索除使用2-opt方法外,针对不同车辆访问的客户,还增加了交换搜索和插入搜索以扩大搜索范围.仿真实验验证了所提出算法的有效性.     

融合模糊聚类的蚁群图像增强算法

为提高边缘检测精准度,保证图片分割后效率和效果,本文提出一种基于融合模糊聚类的蚁群图像增强算法。该算法利用分量灰度值、灰度梯度值和领域特征值进行图像特征提取,得到特征灰度图;然后使用模糊聚类算法对区域蚂蚁进行聚类以提高收敛速度;再采用蚁群算法进行图像边缘检测,检测过程中,使用路径选择策略对蚁群进行有序搜索,提高搜索效率,又根据信息素更新策略进行最优路径信息交流,以达到边缘点提取与检索目的;最后将检索所得灰度边缘图与原图进行重合,得到图像增强效果。实验结果表明,该改进算法在检索时间方面相较于传统蚁群算法提高了20.7%;在精度方面提高了14.8%,图片分割效果更好,纹理更清晰。     

基于改进蚁群算法的图像边缘提取的研究

基于蚁群算法,提出了一种新的图像边缘提取方法。利用图像的灰度梯度作为启发信息,引入运动方向的改变量,通过蚁群在路径上信息素的分布及更新,从而使其迭代搜索逐渐向边缘曲线收敛,根据信息素的情况提取边缘曲线。实验结果证明,该方法利用蚁群算法的正反馈性的优点,有效地提高了边缘提取准确性,获得了比较理想的边缘提取效果。     

基于有向图的进路搜索算法研究与设计

进路搜索是铁路车站计算机联锁系统的基本功能,其运行效率及所得目标进路的安全性对于保证行车安全意义重大。本文通过对铁路车站站场图与有向图的相似性进行研究,建立其网络拓扑结构与节点模型,结合深度优先遍历算法和搜索约束条件,提出一种适用于铁路车站实际情况的进路搜索算法,并给出了完整的描述。     

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...     

改进蚁群算法在机器人路径规划中的应用

针对传统蚁群算法在移动机器人路径规划问题中存在的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。根据起点到终点距离和地图参数构建全局优选区域,提高该区域内初始信息素浓度,避免算法初期盲目搜素;利用局部分块优化策略分别对各个子区域进行寻优并更新区域内最优路径信息素,增强局部搜索能力,加快收敛速度;对全局路径进行寻优,更新全局最优路径信息素。在信息素更新公式中引入信息素增强因子,加强最优路径信息素含量,应用反向学习优化信息素,改进状态选择概率,提高算法寻优能力。实验结果表明,改进后的算法明显提高了收敛速度,同时寻优能力更强。     

基于多态蚁群算法的测试用例自动生成*

提出了一种基于多态蚁群算法的测试数据自动生成方法。该方法使用二进制编码将输入数据转换为位串;然后在蚁群算法的基础上将蚁群分为三类,据其信息素的不同采用不同的移动准则,重点对侦察蚁和搜索蚁进行功能分析。将局部搜索与全局搜索结合起来,结合路径的相似度,缩小搜索空间;根据适应度函数确定最好路径,既解决局部最优化问题,又提高收敛效率。与基本蚁群算法对比,其结果显示该方法效率优于基本蚁群算法。     

基手多态蚁群算法的测试用例自动生成

提出了一种基于多态蚁群算法的测试数据自动生成方法。该方法使用二进制编码将输入数据转换为位串;然后在蚁群算法的基础上将蚁群分为三类,据其信息素的不同采用不同的移动准则,重点对侦察蚁和搜索蚁进行功能分析。将局部搜索与全局搜索结合起来,结合路径的相似度,缩小搜索空间;根据适应度函数确定最好路径,既解决局部最优化问题,又提高收敛效率。与基本蚁群算法对比,其结果显示该方法效率优于基本蚁群算法。     

基于改进蚁群算法的三维路径规划研究

针对蚁群算法在三维路径规划中存在的搜索效率低,易陷入停滞和局部最优等问题,对蚁群算法进行了改进.首先,根据最优路径的自身特点对初始信息素进行不均匀分配,提高算法初期的搜索效率;其次,在启发函数中引入夹角因素,使算法对于最优路径的搜索更具有方向性,并对信息素和启发函数的权重因子α和β的取值进行动态调整,加快算法收敛速度;...     

移动机器人路径规划的改进蚁群优化算法

针对蚁群算法易陷入局部最优的缺点,提出了一种复杂静态环境下移动机器人路径规划的改进蚁群优化算法—差分演化混沌蚁群算法.该算法利用差分演化算法进行信息素的更新,同时对可能出现的停滞现象,在信息素更新时加入了混沌扰动因子,算法还采用了一个新的评价函数;从而增强了算法的逃逸能力,避免了路径死锁现象,也提高了最优路径的搜索效率.仿真结果表明:即使在障碍物非常复杂的环境,本算法仍能快速规划出安全的优化路径.效果令人满意.     

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.