机器人全局路径规划的混合蚁群系统算法

针对蚁群算法易陷入局部最优的缺点以及收敛速度与局部最优的矛盾,提出一种求解移动机器人全局路径规划的改进混合蚁群系统算法。该算法由两部分组成：Dijkstra算法用于规划出一条次优路径;进一步用改进的蚁群系统算法优化次优路径以获得最优路径。在改进的蚁群系统算法中,首先定义了一种新的启发信息函数来增加种群多样性;然后给出改进的交叉算子避免算法陷入局部最优,并进一步提高解的质量。仿真结果表明：所提出的算法与参考文献中的算法相比搜索效率更高,解的质量更好,性能更优。即使在障碍物复杂的环境中,对于多目标点问题,该算法仍能规划出较好的目标遍历路径,且用时时间较少。     

基于ACS算法的移动机器人实时全局最优路径规划

以Ant Colony System（ACS）算法为基础提出了一种新的移动机器人实时全局最优路径规划方法.这种方法包括三个步骤:第一步是采用链接图理论建立移动机器人的自由空间模型，第二步是采用Dijkstra算法搜索出一条无碰撞次优路径，第三步是采用ACS算法对这条次优路径的位置进行优化，从而得到移动机器人的全局最优路径.计算机仿真实验的结果表明所提出的方法是有效的，可用于对移动机器人进行实时路径规划.仿真结果也证实了所提出的方法在收敛速度、解的波动性、动态收敛特征以及计算效率等方面都具有比采用精英保留遗传算法的移动机器人路径规划方法更好的性能.     

室内环境下基于最优路径规划的PSO-ACO融合算法

为了使移动机器人在室内障碍物环境下寻找到达指定目的地的最优路径,提出了一种基于粒子群算法(PSO)和蚁群算法(ACO)的改进路径规划的PSO-ACO融合算法。PSO-ACO融合算法针对粒子群算法中粒子容易早熟引起的局部最优问题,采用蚁群算法获得全局最优解;同时有效地解决了粒子群算法中粒子多样性、种类少,以及蚁群算法中初始化信息素匮乏及耗时过多的问题。仿真结果表明,与粒子群算法和蚁群算法相比,PSO-ACO融合算法在提高算法的全局搜索能力和搜索速度的前提下,极大地改善了算法寻找最优解的能力,实现了最优路径的规划。     

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%。     

双信息素蚁群算法及其在TSP中的应用研究

提出了一种新的蚁群算法,通过在算法中引入双信息素,很好地改进了算法在解决TSP(旅行商)问题时的收敛性和最优解的全局性.一方面通过提高全局信息素对城市路径选择的影响度,很大程度上缩短了算法寻优时间,使算法收敛性得到很大的改善;另一方面通过对接近最优解的一定范围内次优解进行局部更新,避免了算法容易收敛于局部最优解的缺点,极大地改进了最优解的全局特性.在MATLAB中构建了基于蚁群算法的TSP问题模型,仿真结果表明,独立的全局信息素使蚁群很快集中于各个次优解区域搜索,局部更新策略又使蚁群跳出局部级值寻找最优,仿真结果证明算法的改进十分有效.     

蚁群算法在移动机器人路径规划中的仿真研究

研究移动机器人路径规划问题.移动机器人路径规划是一个多目标优化问题,由于避障定位要求,传统机器人路径规划优化方法存在算法复杂、搜索空间大和效率低等难题,难以获得最优解.为了提高机器路径规划的效率和定位准确性,提出了一种蚁群算法的移动机器人路径规划方法.蚁群算法的路径规划方法首先采用栅格法对机器人工作环境进行建模,然后将机器人出发点作为蚁巢位置,路径规划最终目标点作为蚁群食物源,通过蚂蚁间相互协作找到-条避开障碍物的最优机器人移动路径.仿真实验结果证明,蚁群算法的路径规划方法提高了机器人路径规划的效率,能在最短时间找到机器人路径规划最优解,且能安全避开障碍物,为优化设计提供了依据.     

新的融合算法在机器人路径规划中的应用

机器人路径规划一直是机器人学领域的一个非常重要的研究课题。提出了一种基于蚁群粒子群算法融合的机器人全局路径规划算法,该方法有效地结合了蚁群算法和粒子群算法的优点,利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布;然后利用蚁群算法的并行性、正反馈性、求解精度高等优点,求得全局最优解。仿真实验结果证明了该方法的有效性和可行性。     

蚁群算法在机器人路径规划中的应用研究

针对传统机器人路径规划方法无法保证寻找全局最优路径的问题,本文提出了一种基于蚁群算法求解机器人路径规划的方法.在此基础上构建了移动机器人路径规划模型,并通过Visual C 6.0进行仿真.结果表明该算法能够在动态和静态环境中迅速找到机器人的最优路径,与基于遗传算法的路径规划方法相比具有较大的优势.     

基于$pm3sigma$正态概率区间分族遗传蚁群算法的移动机器人路径规划

针对移动机器人路径规划问题,提出一种基于正态概率区间分族的家族遗传蚁群融合算法.首先提出初始种群优化及删除算子解决传统遗传蚁群融合算法中遗传阶段随机生成的初始种群质量低的问题;然后引入适应度值正态概率区间种群分族机制及家族混合交叉算子,解决传统遗传蚁群融合算法中易出现未成熟收敛的问题;最后引入混合变异策略以提高随机变异后生成的路径质量.将全局路径规划算法与局部路径规划算法-动态窗口算法相结合形成完整移动机器人运动规划.基于Matlab仿真平台与机器人操作系统平台进行实验分析,结果验证了所提出正态化概率分族遗传蚁群融合算法求解移动机器人路径规划问题的有效性.     

基于改进蚁群和DWA算法的机器人动态路径规划

路径规划技术是移动机器人研究领域中的一个重要分支,使得机器人能够在多障碍物环境中安全快速地找到一条相对最优路径.针对全局路径规划时蚁群算法盲目性搜索、易陷入局部最优、收敛速度慢以及局部路径规划时DWA算法难以有效地规避动态障碍物等问题,提出一种改进蚁群算法与DWA算法的融合算法.首先,采用GRRT-Connect算法不等分配初始信息素,解决陷阱地图中局部最优问题;然后,增加蚁群接力搜索方法以解决蚂蚁禁忌表自死锁问题,并利用切片取优方法优化最优路径选择机制得到全局最优路径;接着,以最优路径关键点为子目标点运行DWA算法,提出自适应调节速度方法进行最优行驶;最后,提出预计算方法规避动态障碍物达到局部规划效果.仿真结果表明,与现有文献结果相比,融合算法最优路径长度缩短了10.28%,收敛速度加快了6.55%,验证了所提出算法的有效性和优越性.     

一种基因与蚁群的融合算法研究

蚁群算法具有分布式并行搜索能力，通过信息素的积累和更新收敛于最优路径上，但初期信息素匮乏，收敛较慢。提出一种基因算法与蚁群算法融合的算法，将基因算法加入蚁群算法的每一次迭代中，利用基因算法快速收敛的优点，来加快蚁群系统的收敛速度；且基因算法中的变异机制，有利于提高蚁群算法跳出局部最优的能力。优势互补，实验结果表明该基因蚁群融合算法在寻优能力和收敛速度上都比基因算法和蚁群算法有较大的提高。     

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.     

基于遗传蚁群算法的QoS路由算法研究

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,引入遗传蚁群算法（Genetic Algorithm Ant Colony algorithm）GAAC来解决QoS路由问题。算法设计的基本思想是首先由遗传算法产生较优解,较优的路径留下信息素,其他路径不改变,然后在有一定初始信息素分布的情况下,用蚁群算法求精解。仿真表明算法比单一采用遗传算法和蚁群算法进行路由选择具有更好的性能,且更适合于动态网络环境下的QoS路由选择。     

基于蚁群算法和轮盘算法的多Agent Q学习

提出了一种新颖的基于Q-学习、蚁群算法和轮盘赌算法的多Agent强化学习。在强化学习算法中,当Agent数量增加到足够大时,就会出现动作空间灾难性问题,即：其学习速度骤然下降。另外,Agent是利用Q值来选择下一步动作的,因此,在学习早期,动作的选择严重束缚于高Q值。把蚁群算法、轮盘赌算法和强化学习三者结合起来,期望解决上述提出的问题。最后,对新算法的理论分析和实验结果都证明了改进的Q学习是可行的,并且可以有效地提高学习效率。     

基于遗传算法和蚁群算法融合的QoS路由算法*

面向QoS路由问题,设计了一种基于遗传算法和蚁群算法融合的QoS路由算法(QoS routing algorithm according to the combination of the genetic algorithm and ant colony algorithm,GAACO_QoS).利用遗传算法生成初始解,将其转换为蚁群算法所需的信息素初值,然后利用蚁群算法求取最优解.设置遗传算法控制函数来控制遗传算法和蚁群算法融合的适当时机.通过与遗传算法以及蚁群算法的比较,进一步说明算法的有效性.     

基于遗传算法的最短路径问题求解

详细分析了求解最短路径的遗传算法的构成要素,提出一种新的交叉变异算法,通过仿真实验论证了求解过程是合理而有效的,同时给出了算法的主要性能参数,并对其进行了分析。     

一种基于演化算法的BP改进算法

本文在对BP神经网络算法分析的基础上,提出一种基于演化算法的BP改进算法(EBP)。该算法将演化算法运用到BP算法学习率的求解中,从而达到学习率的自适应、自组织的目的。实验结果表明,使用EBP算法进行求解函数逼近、优化和建模等BP神经网络应用问题,都要比传统的BP算法具有更好的精确度和收敛速度,并且能够克服传统BP算法易陷入局部最优解、学习过程出现震荡等缺点。     

一种改进的遗传算法：GA-EO算法

针对基本遗传算法(GA)有局部搜索能力差、计算量大、对较大搜索空间适应能力差和易收敛于局部极小值等问题,采用将极值优化(EO)算法与传统遗传算法相结合的方式,对基本遗传算法进行改进,提出了一种新的算法:GA-EO算法,并用实验证明了新算法的有效性。     

Hybrid parallel chaos optimization algorithm with harmony search algorithm

The application of chaotic sequences can be an interesting alternative to provide search diversity in an optimization procedure, named chaos optimization algorithm (COA). Since the chaotic motion is pseudo-randomness and chaotic sequences are sensitive to the initial conditions, the search ability of COA is usually effected by the starting values. Considering this weakness, parallel chaos optimization algorithm (PCOA) is studied in this paper. To obtain optimum solution accurately, harmony search algorithm (HSA) is integrated with PCOA to form a novel hybrid algorithm. Different chaotic maps are compared and the impacts of parallel parameter on the hybrid algorithm are discussed. Several simulation results are used to show the effective performance of the proposed hybrid algorithm.     

一种改进 NeuraI-Gas 算法的聚类新算法 CARD

针对现有的 Neural-Gas 算法进行改进,提出了一种新的聚类算法。改进之处在于：一个点对一个簇的质心的影响程度取决于该点到其他更近的簇的质心的距离值,而不仅仅是点与簇质心间距离值按大小排列次序的序号。在几个数据集上的实验结果表明,该算法在熵、纯度、F1值、rand index、规范化互信息 NMI 等五个指标上优于 K-means 算法、Neural-Gas 算法等其他几种聚类算法,该算法是一种较好较快的算法。