基于势场导向的对数蚁群算法的移动机器人路径规划

针对蚁群算法存在收敛速度慢,易陷入局部最优的问题,提出了一种将人工势场和对数蚁群算法相融合的新算法.该算法是在蚁群算法的基础上,将势场的影响因素引入到蚁群算法的状态转移概率函数和启发函数中,并通过对数函数模型对蚁群算法的信息素更新策略进行改进,使得路径算法搜索不再具有盲目性,并加快算法的收敛速度.为了验证改进算法的有效性,分别在不同环境的2维栅格地图中进行仿真.仿真结果表明,相比改进前的蚁群算法,改进后的蚁群算法在路径规划中收敛速度更快,规划效率更高.将基于势场导向的对数蚁群算法应用于Hokuyo激光建图的实际机器人上进行路径规划实验.实验结果表明,改进后的蚁群算法路径搜索效率较改进前提高了约52％.     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于移动机器人路径规划时存在易于陷入局部最优解、收敛速度慢的问题,提出了一种适用于静态障碍环境下基于改进蚁群算法的移动机器人路径规划方法。该方法改进了节点间的状态转移规则,增加了得到最优路径的概率;自适应调整启发函数,提高了算法的搜索效率;基于狼群法则对信息素进行更新,有效避免了算法陷入局部最优解;动态调整了衰减系数,在后期增加了蚂蚁对最优路径的选择概率,加快了算法的收敛速度。仿真实验表明,与其他算法在相同环境下比较,该改进算法在路径规划结果相同的情况下具有较快的收敛速度;且改进算法在不同复杂程度环境中均得到了最优路径,也表明了该算法的有效性和可靠性。该算法具有良好的寻优能力,可以适用于不同复杂环境中的移动机器人路径规划。     

基于信息素改进的蚁群算法

蚁群算法是一种优秀的启发式算法,具有较强的鲁棒性。针对基本蚁群算法在求解过程中容易出现收敛时间过长以及容易陷入局部最优的不足。本文提出了一种改进的蚁群算法,该算法通过在信息素挥发系数上增加一个收敛函数,加快了收敛速度;通过信息素增量与优秀路径选择相结合,引导算法收敛到最优路径,实验结果表明,改进后的算法在收敛速度和全局寻优能力上有了较大的提高。     

基于优化蚁群算法的机器人路径规划

路径规划是移动机器人设计中的关键环节,蚁群算法能高效解决路径规划问题,但它也存在一些弊端,如收敛速度慢、容易陷入局部最优解等.针对这些问题,本研究提出一种改进蚁群算法,在传统蚁群算法的基础上,改进状态转移规则,增加周围障碍物数量影响因子,令蚂蚁尽量避开障碍物;增加角度影响因子,使得蚂蚁行走的路径更加平滑;同时运用精英蚁群策略,来改进蚁群算法易陷入局部最优解的问题.仿真实验结果表明,该算法在多种环境下,都能找到最优路径,且有较快的收敛速度,本研究提出的优化蚁群算法具有一定的可靠性和高效性.     

基于改进蚁群算法的移动机器人三维路径规划

三维路径规划是移动机器人研究领域的核心内容之一.传统的蚁群算法应用于三维路径规划时,存在收敛速度慢,容易陷入局部最优解等问题.针对这些问题,论文对路径节点的选取方法、信息素的更新方法、启发函数的设计进行了改进,从而避免了算法陷入局部最优解,加快了算法的收敛速度.仿真实验表明改进算法在不同复杂程度的环境中都可以得到最优路径,且路径规划结果较好,这表明了算法有良好的寻优能力.     

蚁群神经网络在变压器故障诊断中的应用

针对蚁群算法收敛速度慢的问题, 提出了一种改进方法, 通过为蚁群算法增加一种收敛因子, 使其在信息素的全局更新中为每次迭代产生的最优路径赋予额外的信息素增量, 降低了算法陷入局部最优解的可能性。分析了改进蚁群算法的收敛性, 并对其寻优能力进行了测试, 结果表明, 改进蚁群算法具有较强的寻优能力和较快的收敛速度。用改进蚁群算法优化神经网络并将其应用于变压器的故障诊断, 与BP神经网络诊断结果对比, 蚁群算法优化神经网络具有更快的收敛速度和更高的诊断精度。     

一种应用于火灾环境路径规划的蚂蚁群算法

在火灾环境中,针对蚁群算法容易陷入局部最优的问题,文章使用了一种改进的蚁群算法用于解决火灾环境中人群疏散的路径规划问题。对蚁群算法的改进分为两个方面:一是在蚁群算法的启发式函数中考虑人员密度因素;二是动态自适应调整信息素强度,采取局部和全局信息素更新相结合的策略更新路径上的信息素,并引入交叉操作,加快算法的逃逸能力。由于在火灾环境中个体情绪差异对路径选择的影响较大,在文章的规划方法中,为个体建立情绪数学模型,不同情绪的个体对路径的选择是不同的。仿真实验表明,文中提出的规划方法能够为不同情绪类型的个体规划出最优逃生路径,避免了局部最优且收敛速度较快。     

求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.     

基于改进ACS算法的移动机器人路径规划研究

针对蚁群系统(Ant Colony System,ACS)算法存在收敛速度慢、路径不平滑、易陷入局部最优等缺点,提出了一种基于万有引力搜索策略的ACS算法.为了解决算法初期由于地图信息匮乏,导致蚁群寻路盲目性较大的问题,提出了简化ACS算法对初始信息素浓度进行更新.引入万有引力算法搜索策略,提升了算法收敛速度,且有效解决了局部最优问题.对每次迭代获取到的最优路径进行优化,减少了路径的转折点数量、提升了路径平滑性.仿真试验表明,改进算法能够有效提升算法的收敛速度、路径平滑性.将改进算法应用到实际的移动机器人导航试验中,试验结果表明,改进算法能够有效解决移动机器人的路径规划问题,且有效提升移动机器人的导航效率.     

基于信息素更新和挥发因子调整的改进蚁群算法

为了改进基本蚁群算法容易导致算法停滞、陷入局部最优解和收敛速度较慢的问题,提出一种改进的蚁群算法,主要是将信息素局部更新和全局更新结合,增加各路径的被选择机会,避免算法停滞;另外,由于信息素挥发因子ρ的大小直接关系到算法的全局搜索能力和收敛速度,提出在算法的初期、中期和后期分别设置不同的ρ,以此增加算法的全局搜索能力,又能在一定程度上加快算法的收敛.改进算法的性能在Oliver 30和att 48问题上得到验证,本方法与基本蚁群算法相比要更优,收敛速度更快,体现了此种改进的有效性.     

基于改进的启发式蚂蚁算法求解最短路径

针对复杂环境中机器人路径规划问题,为了提高蚁群算法的寻优能力和收敛速度,基于A~*算法的距离评价函数,对算法中的启发式函数进行改进,提出一种启发式的蚂蚁算法,并对新算法进行仿真测试.结果表明:改进后的启发函数可以有效改善蚂蚁算法搜索的盲目性,解决了传统蚁群算法收敛速度慢、易陷入局部最优解的问题.与传统蚂蚁算法相比,启发式蚂蚁算法在20×20网格下的相关系数提高了0.4722,40×40网格下的相关系数提高了0.226 5,说明改进算法的规划能力和收敛效率均有所提高,整体上优于传统蚂蚁算法.     

基于改进的烟花-蚁群算法和B样条曲线的农业机器人路径规划

根据蚁群算法收敛速度较慢,易陷入局部最优等问题,提出了一种改进烟花-蚁群(improved fireworks-ant colony algo-rithm,IFWA-ACO)混合算法,解决静态环境下农业机器人的路径规划问题,首先针对基本烟花的交互机制和选择策略做出改进,提出爆炸与迁移相结合的策略以及密度峰值火花、探测火花概念,提升烟花算法寻找最优解的能力,然后把改进烟花算法得到的最短路径作换算成蚁群算法中的信息素加强值,从而避免蚁群盲目搜索,最后采用B样条插值方法进行曲线化拟合,生成平滑路径,有利于机器人平稳行进.试验仿真结果表明,IFWA-ACO算法能快速的规划出机器人的最优路径,降低农业机器人能耗,提高工作效率.     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...     

基于改进蚁群算法的二维码移动机器人路径规划方法

针对在结构化栅格工作环境下,基于蚁群算法的路径规划存在停滞和收敛速度慢的问题,提出了一种基于改进蚁群算法的二维码移动机器人路径规划方法.通过限制蚂蚁的搜索方向,即将机器人置于结构化栅格工作环境下,使其只能在水平和垂直方向上移动,进而提高算法的搜索效率.引入自适应期望函数和启发因子,动态调整状态转移概率,避免算法陷入停滞状态,提高算法的收敛速度.针对机器人在转弯过程中耗费时间较长的问题,通过引入转弯影响因子得到扩展路径长度,进而根据扩展路径长度选取最优路径.实验结果表明,提出的方法可以为二维码移动机器人规划出最优路径.     

基于改进最大-最小蚁群算法的QoS路由算法

针对蚁群算法在OoS路由应用上的收敛速度慢和易陷入局部最优等缺陷,提出了一种"基于改进的最大-最小蚁群算法的Q0s路由算法",在算法中改进节点选择策略,并将最大-最小蚁群算法与局部搜索结合起来,有效抑制算法的过早收敛,提高了全局寻优能力和收敛速度,使QoS路由优化问题得到很好的解决.     

基于独狼蚁群混合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,提出了一种基于独狼搜索机制的自适应精英蚁群混合算法.首先,在精英蚁群算法中引入了独狼视场机制并设计了自适应增强函数,用以改进精英蚁群算法搜索机制中蚁群的寻径能力.然后,为了消除混合算法中的停滞现象,引入了独狼逃跑策略并构造了一种信息素优化机制,用来提高混合算法的全局搜索能力,帮助寻径个体突破当前的路径停滞问题,避免算法陷入局部最优.最后通过仿真分析和测试,进行了针对性的对比试验,结果表明:混合算法在多种环境下的路径规划均拥有较好的收敛速度和高效的寻径能力.     

蚁群算法在物流路径优化中的应用及仿真

蚁群算法是一种模拟进化算法,适合于求解复杂的组合优化问题,传统蚁群算法收敛速度慢,有时可能出现停滞现象.该文以蚁群算法为核心,采用最短路径法和自定义代价获取最优物流路径,通过优选参数改进蚁群算法,从而有效避免局部解的出现.实验结果表明,改进后的算法效率具有较大改进,算法在实验环境下收敛性较好.     

基于蚁群算法的滑移预测路径规划研究

月球车是搭载探测任务的可移动多功能机器人.月球车在实际地形行驶中,从起点到目标点之间除了选择最优路径,还应该将地形、障碍物等影响因素考虑进去.地形的主要影响因素是陡坡方向和陡坡坡度,其他因素归类为滑移,这些在很大程度上增加了路径规划的长度和时间复杂度,更影响了其安全性.而传统蚁群算法只是单纯地寻求路径规划中的最优解,存在收敛速度慢、时间复杂度高、寻优能力不平衡等问题,且没有考虑滑移、地形等因素,应用在月球车预测路径规划问题中极易陷入局部最优解.提出了基于三维栅格地形环境下融合坡度、坡向的滑移预测改进蚁群算法路径规划;通过设置相同的信息素启发因子和信息素挥发系数,改变滑移预测地形参数,得到了基于滑移预测的综合代价函数,改进了传统蚁群算法;分析了基于滑移预测的综合代价函数对改进蚁群算法路径长度、收敛速度、时间复杂度和迭代次数的影响.最后利用实验仿真数据结果验证了本文改进后的蚁群算法在滑移预测路径规划问题中有更高的有效性.     

基于优化成熟度的自适应蚁群优化算法

通过深入分析蚁群算法中信息素更新系数对算法寻优能力与收敛速度的影响,定义了平均路径相似度(ATS)来表征寻优过程的成熟程度,据此自适应调整信息素更新系数,以提高算法收敛速度,并避免陷入局部最优.经过与典型蚁群算法在多个旅行商问题测试用例上进行比较,表明新算法具有更好的效果.     

基于自适应多态融合蚁群算法的无人机航迹规划

为解决传统航迹规划最短路径算法易陷入局部最优及复杂地形情况下的无人机航迹规划问题,提出了一种基于自适应多态融合蚁群算法的航迹规划方法。通过对航迹规划问题进行描述,建立数学模型,将自适应和蚁群算法相结合,与多态蚁群形成了全局、局部并行搜索模式,以提高算法寻找全局最优值的能力;提出自适应并行策略和自适应信息更新策略,以提升其全局搜寻能力。仿真结果表明,自适应多态融合蚁群算法较传统蚁群算法和多态蚁群算法具备更好的性能,能有效地提高搜索路径的长度和收敛速度,从而避免在求解过程中陷入局部最优,因此在求解最优航迹规划问题上有很好的应用前景。