基于改进蚁群算法的大型综合建筑火灾疏散路径规划

动态逃生指示系统主要应用于大型综合建筑物内,此系统可根据建筑物内发生的火灾等突发情况动态指示人员疏散逃生,缩短逃生时间提高逃生成功率。通过研究现有动态逃生指示系统路径规划问题,提出一种改进蚁群算法,将Dijkstra算法和蚁群算法相结合,利用Dijkstra算法的全局搜索能力,调整了蚁群算法启发函数中初始信息素分布情况,同时结合探测到的火灾实时信息对蚁群算法的启发函数,转移概率,信息素挥发系数和更新规则进行改进。通过仿真实验表明改进的蚁群算法提高了搜索效率和全局搜索能力,降低了陷入局部最优的可能性并优化了逃生路线。     

黑龙江省旅游路线优化设计

讨论了游遍黑龙江省30个旅游景点最短路径问题。将30个景点之间的关系转化为图论问题,建立赋权图,利用蚁群算法来解决最短路径问题,并用Matlab软件编程进行蚁群算法和改进的Dijkstra算法实现和仿真。同时最短路径问题也可以看成在赋权图上找到一个权最小的Hamilton回路。从而得到黑龙江省最优旅游路线。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法中收敛速度和局部最优的矛盾,提出一种适用于静态环境的基于改进蚁群算法的移动机器人路径规划方法.在环境建模方面,利用机器人起点和终点的位置建立环境的可视图.改进的蚁群算法将环境中局部的路径信息加入到信息素的初始化和路径选择概率中,提高了算法收敛速度的同时尽可能地避免算法早熟.当算法陷入停滞时,引入交叉操作并调整α,β和ρ的值,增加了算法的逃逸能力.仿真结果证明了所提方法提高了最优路径的搜索效率,整体性能优于标准蚁群算法.     

基于权值时变模型的矿井突水最优逃生路径的动态选择

为了减少矿井突水发生时造成的人员伤亡,为井下人员动态选择出合理的逃生路径。综合考虑随时间变化的水位高度和水的流速对矿工逃生路径选择的影响,将其量化为对人体稳定性的影响,并将所研究的时间进行分段,根据不同时段下巷道内平均水流速与临界流速之比求得动态危险系数,并实时加权到邻接矩阵上,建立以巷道初始当量长度与危险性程度为衡量最优路径的权值时变数学模型,运用改进的Dijkstra算法进行求解,并结合W煤矿矿井进行实例分析。结果表明,优化后的模型更能反映突水时巷道内的实际情景,同时,改进的Dijkstra算法能够有效应用于突水时期最优逃生路径的动态选择中,使选择的逃生路径更加安全可靠。     

基于WSN的受限空间逃生路径搜索算法

针对地下矿井、隧道等受限环境事故后受困人员营救或逃生困难的问题,通过构建基于混合信道模型的无线传感器网络,提出可信锚节点选择算法,实现在事故后稀疏锚节点环境下的无线传感器网络节点精确位置估计,并在此基础上实现最优的逃生救援路径生成及实时导航。仿真结果表明,算法在稀疏锚节点场景下,相比较于已有研究具有更高的节点定位精度,并且能够在动态障碍物识别的基础上准确进行救援或逃生路径的搜索。     

改进蚁群算法在全局路径规划中的应用

本文利用一种改进的蚁群算法来解决全局路径规划问题。采用栅格法对移动机器人的工作环境进行建模,通过改进蚁群算法完成全局路径规划的目的。这种改进蚁群算法主要是对蚁群算法中的参数进行改进。其针对信息强度因子和信息素挥发因子的不同作用进行相应的函数设计,来达到全局路径规划的目的。通过实验与基本蚁群算法的算法性能比较,得出该改进策略的优越性。     

智能疏散系统导向标志计算及疏散路径仿真

为了解决大型综合建筑中智能疏散系统在火灾等突发情况发生时可根据复杂建筑结构规划出合理、安全的疏散路径问题,提出了一种基于改进A~*算法的多起点、多出口路径规划方法。通过增加转弯惩罚值,结合火灾影响区域实时信息和火灾中心点的距离改进了估价函数,进而计算出最优疏散路径。依据搜索出的最优路径调整三维楼层地图中各个导向标志方向,从而引导不同位置人员从最优路径疏散逃生。仿真实验结果表明,在计算多起点、多出口疏散路径时,改进A~*算法与传统Dijkstra算法和A~*算法相比,搜索方向更加明确,路径更加平滑,搜索效率更高,运行时间更短,并能结合火灾信息保证疏散路径的安全性。该算法在求解大型综合建筑火灾安全疏散路径方面具有很好的应用前景。     

基于四叉树和改进蚁群算法的全局路径规划

为解决机器人在大范围二维平面区域内的路径规划问题,提出一种四叉树和改进蚁群算法相结合的路径规划方法.基于四叉树分解法,对路径规划的二维区域进行环境建模,在环境建模的基础上,采用改进蚁群算法进行高效的路径规划.四叉树在完整地记录环境信息的同时对环境信息进行了高效地压缩,改进蚁群算法可以规划出与障碍物保持一定安全距离的路径,提高了规划出的路径的实用性.仿真实验表明,提出的路径规划方法在执行效率和路径的实用性上取得了良好的平衡,可以高效地对大区域进行路径规划.     

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.     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

两种工况下锻压组合机架的接触特性分析

以某锻压机为研究对象,基于ANSYS有限元软件,采用过盈配合法模拟因预紧产生的框架内力,确定了过盈量与预紧力的关系.针对锻压过程的镦粗(工况1)和拔长工况(工况2),通过分析开缝系数、接触状态、接触压力、危险拉杆的拉应力以及立柱的弯曲变形,讨论了预紧力与偏心距等对锻压组合机架接触特性的影响.结果表明拔长工况比镦粗工况更为危险,且开缝系数应满足以下标准,即上横梁与立柱的接触面积大于05,且开缝系数β≤23.研究结果可为锻压机的结构设计提供理论依据.     

基于双层协调体系的多移动机器人路径规划方法

针对多移动机器人系统中路径规划全局最优与局部协调的兼容性需求,提出了一种基于双层协调体系的路径规划方法。结合路径组亲和度评价提出改进的免疫协同进化算法并完成全局路径规划,提高了规划效率和全局路径质量;根据初始条件和全局路径信息,判断系统中各机器人可能出现碰撞的位置,提出基于优先级机制的动态窗口法在相应位置附近完成路径的局部协调;最终在全局最优路径基础上实现机器人的局部路径协调避碰。试验结果表明,该路径规划方法使机器人沿全局最优路径行驶时,仍能进行灵活有序的局部路径协调,有效提高了系统的路径规划性能。     

用神经网络新方法求解图的最大独立集问题

在Ｈｏｐｆｉｅｌｄ神经网络优化方法的基础上,根据模拟退炎算法逃离局部最优解的原理,提出了一种神经网络计算的新方法,并用这种方法求解图的最大独立集问题。结果表明,该方法获得最优解比Ｈｏｐｆｉｅｌｄ神经网络优化算法获得的解要好,且所需时间比模拟退火算法少得多。     

混沌反向学习和声搜索算法

为改善和声搜索算法易陷入局部最优的不足,提出了一种混沌反向学习和声搜索(COLHS)算法.基于聚集和发散思想,对算法陷入局部最优和停滞状态进行初步预判断,并根据预判断的结果融合混沌扰动策略和反向学习,利用了logistic混沌序列的遍历性和反向学习的空间可扩展性.此外,利用和声记忆库的历史信息定义更新因子和进化因子,自适应地调整参数基音调整概率(PAR)和基音调整步长(BW),平衡算法的聚集和发散.数值结果表明,COLHS算法优于HS算法及最近文献报道的8种改进的HS算法.     

改进的自适应和声搜索算法

和声搜索算法是一种启发式优化算法,针对现有改进的和声搜索算法(IHS)的不足,提出了一种改进的自适应和声搜索算法(IAHS).在该算法中,采用自适应的和声保留概率、音调调节概率和音调调节步长产生新解,每次迭代产生多个新解,充分利用和声记忆库的信息.本文用了5个标准的测试函数对该算法进行测试,结果表明该算法(IAHS)有较强的寻优能力和跳出局部最优解的能力.     

含有J2项摄动的卫星追逃轨道优化

研究含有摄动作用下卫星拦截逃逸的双边最优控制问题,其中假定拦截卫星和目标都使用幅值受限连续有限推力进行机动。在卫星所受二体引力基础上加入J2项非球形摄动,推导了两星的动力学方程。为了求得该微分对策问题的鞍点最优解,根据极大极小值的充分必要条件由系统的哈密顿函数得到双边最优时的控制输出,将最优控制问题转化为两点边值问题。针对该问题存在的初值难以获取、收敛困难等问题,采用启发式优化算法搜到鞍点解的初值,并将其带入非线性优化算法获得精确数值解,最后通过仿真给出了两星追逃过程中的最优轨迹和双边最优控制输出。      

基于有限步一致性算法的交直流混联微电网分布式动态经济调度

以可控单元的日运行成本最低为优化目标,构建了交直流混合微电网的动态经济调度模型,提出了一种基于有限步一致性的完全分布式算法,设置各分布式发电单元的成本微增率为一致性变量,各单元通过与邻居单元交互信息实现全局优化调度,并且算法可在有限步内收敛,极大地缩短了收敛时间。最后,通过仿真算例验证了所提模型和算法的有效性。     

复杂系统可靠性优化的混合万有引力搜索算法求解

复杂系统可靠性优化问题是一类有约束限制且目标函数具有多个局部极值的非线性优化问题.为求解该类问题,提出了一种混合万有引力搜索算法的求解方法.算法利用基于万有引力定律的寻优机制指导群体进行全局搜索,并采用序列二次规划算法进行局部搜索,避免基本万有引力搜索算法陷入局部最优,改善优化性能,加快寻优速度.通过实例计算,并与蚁群优化算法、微粒群算法、蜂群算法和基本万有引力搜索算法等进行比较,验证了算法的可行性和有效性.