不确定环境下基于改进萤火虫算法的地面自主车辆全局路径规划方法

针对地面自主车辆的特点,提出了一种基于改进萤火虫算法(Glowworm Swarm Optimization,GSO)的路径规划方法.首先利用GSO覆盖多个局部最优解的能力,一次生成多条规划路径;然后提出两种路径切换算法,分别用于调优和脱困.在通过路径交叉点时,调优切换算法对交叉路径进行重新评估并切换到较优路径,最终达到实际行驶路径的最优化.在遇到环境发生改变时,脱困切换算法通过启发式搜索快速切换到适当路径,重用了原搜索结果,避免了二次规划.通过大量的仿真实验及实际试用,证明了所提方法的可行性和有效性.     

基于平衡鲸鱼优化算法的无人车路径规划

针对地面无人车辆路径规划问题的特点,提出基于和声二次优化的平衡鲸鱼算法求解最优路径.首先,利用和声搜索算法二次优化来改善种群质量和全局探索能力,依据解的适应性进行微调,提高求解精度;然后,引入动态平衡策略和种群重构机制,跟踪种群最优解状态以协调全局探索与局部开发能力,出现优化停滞时重构种群以增加多样性,避免陷入局部最优;最后,基于不同环境进行仿真实验,与多种算法进行对比分析,研究结果表明了所提出算法在复杂环境下的可行性和有效性,为鲸鱼优化算法在路径规划问题中的应用提供一种新思路.     

一种面向对象的多角色蚁群算法及其TSP 问题求解

蚁群算法的改进大多从算法本身入手或与其他算法相结合,未充分利用待解决问题所包含的信息,提升效果较为有限.对此,提出一种面向对象的多角色蚁群算法.该算法充分利用旅行商问题(TSP)对象的空间信息,采用k-均值聚类将城市划分为不同类别;同时,对蚁群进行角色划分,不同角色的蚁群针对城市类别关系执行各自不同的搜索策略,增强了蚁群的搜索能力,较大幅度地提高了求解质量.每进行一次迭代,仅各角色最优个体进行信息素更新,防止算法退化为随机的贪婪搜索.将精英策略与跳出局部最优相结合可避免算法的停滞.50个经典TSP实例仿真实验表明:所提出的算法可以在较少的迭代次数内获得或非常接近于问题的已知最优解;对于大规模TSP问题所得结果也远超所对比的算法.