自适应多启发蚁群算法的无人机路径规划

为了解决蚁群算法在无人机实现路径规划中容易陷入局部最优的问题,提出改进的蚁群算法。对信息素的挥发因子以及信息素进行上、下限设置,防止由于较短路径上的信息素过高以及较长路径上的信息素过低,使蚂蚁陷入局部最优,同时在多启发因素的影响下,将路径的整体长度作为决定状态转移概率的一个自适应启发函数因子,当路径长度很大时,自适应启发函数因子较小,使得蚁群选择该路径的概率减小。实验结果表明,改进的算法在路径长度上减少了6.4%,最优路径长度方差降低了85.78%,增加了对环境整体性的考虑,缩短了路径长度,降低了迭代次数,跳出局部最优。在环境复杂度加大的情况下,引入自适应启发函数因子之后的算法可以有效地选择较好的路径,为无人机路径规划提供了理论依据。     

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。     

混合自适应蚁群算法及其应用研究

针对已有蚁群算法在复杂问题应用中寻优前期信息素匮乏、收敛速度慢的不足，通过引入信息权重因子和信息量均衡算子对蚁群的选择概率和信息素浓度进行自适应调节，提出了混合自适应蚁群算法。算例结果表明，该算法具有较快的寻优速度和更好的全局搜索能力，同时增加了解的多样性，减小了陷入局部极值的几率。     

基于跨邻域搜索的连续域蚁群优化算法

针对连续域蚁群算法寻优能力差、容易产生局部最优的问题,提出了一种基于跨邻域搜索的改进蚁群算法。首先,通过自适应种群划分方式计算可行解和不可行解群体;然后,针对不可行解群体利用自主选择学习算子选择对象进行学习,目的是不断扩大种群规模,避免算法陷入局部极值点,继而对可行解群体采取全局跨邻域搜索的方式,引导蚂蚁向全局最优解靠近,加快收敛速度;最后,基于全局最优解采用局部跨邻域的方式引导蚂蚁在小范围内进行细致搜索,提高收敛精度。通过与其他连续域蚁群优化算法针对CEC2017测试函数在低维和高维情况下的实验对比,证明本文算法具有较好的寻优能力和稳定性,能有效避免陷入局部最优。     

基于MMAS的MIMO-OFDM系统上行多用户检测

在多输入多输出-正交频分复用(multiple input multiple output-orthogonal frequency division multiplexing,MIMO-OFDM)系统上行多用户检测(multi-user detection,MUD)中,针对基本蚁群算法(ant colony optimization,ACO)在搜索过程中易出现过早停滞及收敛于局部最优解等问题,提出一种基于最大最小蚁群系统(max-min ant system,MMAS)的MUD新算法.该算法在蚁群每次循环结束后,仅处于最优路径上的单只蚂蚁释放信息素;同时,通过限制每条路径上信息素的取值范围,避免路径间信息素的差值过大,从而使蚂蚁在每次循环时尽可能地选择不同的路径,提高算法的搜索能力.仿真结果表明,MMAS算法能够有效降低蚁群陷入局部最优解的概率,进而提高了检测性能;同时,随用户数的增加,该算法的计算复杂度却远低于最大似然(maximum likelihood,ML)检测算法,因此,该算法能够在检测性能与计算复杂度之间取得较好的折中.     

新型蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出一种新型蚂蚁算法(new ant colony algorithm,NACA),即将转移规则、全局信息素灾变规则和局部混合调整信息素规则。选择几个典型TSP问题进行实验。研究结果表明:新型蚂蚁算法一方面提高了算法种群的多样性,同时将轮盘赌算子利用到城市转移规则中,有利于提高算法的收敛速度;另一方面,将种群个体的差分信息应用于局部信息素更新规则中,有利于搜索全局解;最后灾变算子避免算法陷入局部最优,而达到全局最优。新型的蚁群算法具有更强的搜索全局最优解的能力以及更好的稳定性和收敛性,同时为解决其他优化问题提供新的思路。     

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。     

对基本蚁群算法的改进及其在TSP中的应用

在基本蚁群算法的基础上对转移概率计算公式进行了修正,自行定义了间接期望启发式并将其引入转移概率计算方法之中,减少信息素对蚂蚁选择路径的影响,增加蚁群算法执行过程中的路径多样性,弥补蚁群算法易收敛于局部最优解的不足,并通过旅行商问题验证了改进算法的可行性.     

基于聚类集成的蚁群优化与受限解空间的TSP算法

蚁群算法是一种元启发式搜索算法,能有效地解决TSP这类NP问题.针对该算法的信息素更新机制易导致陷入局部最优的缺点,提出了一种基于聚类集成的蚁群优化与受限解空间的TSP算法.其主要思想如下:先用三角形TSP算法生成初始TSP并构建蚁群的初始转移概率矩阵,以减少蚂蚁选择的随机性;然后运用k-means聚类集成生成关联矩阵,作为扰动因子以优化蚂蚁对城市的选择概率,即关联城市相互吸引,不关联城市相互排斥,以避免过早陷入局部最优;最后提出一种重组受限解空间的边的方法再次优化蚁群的解.实验结果表明,与同类算法相比,该算法具有较优的结果.     

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...     

蚂蚁优化算法在解决CVRP中的应用

针对基本蚁群算法收敛性差,易于停滞的缺陷,通过引入信息素窗口限制信息素的最大最小值,只对迭代最好解进行信息素更新,判断汇聚情况进行信息素重新初始化,在每次迭代中加入局部搜索优化,在选择概率中加入与问题相关的参数等措施对蚁群进行优化,提高蚁群算法的收敛性,避免了算法的停滞现象。     

带有侦察子群的蚁群系统

针对基本蚁群算法收敛速度慢、容易出现停滞等缺陷,提出一种新的蚁群优化算法--带有侦察子群的蚁群系统.该算法从整个蚁群中分离出一部分蚂蚁组成侦察子群,在优化过程中侦察子群以一定概率做随机搜索,提高了解的多样性;在信息素更新策略上同时使用本代和全局最优蚂蚁,兼顾了本代和历史的搜索成果;同时还采用LK变异算子,对每次搜索的解进行局部优化.最后对三个典型TSP实例进行了仿真实验,结果表明新的算法不仅能够克服早熟现象,而且能够大大加快收敛速度.     

基于改进蚁群算法对 VRP 线路优化

针对基本蚁群算法存在易陷入局部最优解、 收敛速度慢等缺点, 先引入节约矩阵 U 作为先验信息引导蚂 蚁搜索, 然后通过不同搜索时段采用不同的信息素挥发因子, 使算法更好地在“探索冶和“利用冶之间达到平衡, 并对较优解应用 2-opt 方法进行优化。 最后将改进后的蚁群算法应用到物流配送车辆路径优化问题中。 实验结 果表明, 相比基本蚁群算法, 改进的算法可得到更好的物流配送路径, 是解决物流配送路径优化问题的一种有 效方法, 可快速、 高效地对送货车辆线路进行调整, 满足消费者的需求。     

基于超顶点交流策略的并行蚁群算法

通过分析影响并行蚁群算法性能的诸多因素,以提高算法效率减少通信量为主旨,提出了1种基于超顶点交流策略的并行蚁群算法.在该算法中,处理机之间交流的内容不再是最优解或信息素矩阵,而是由若干个顶点组合成的超顶点,从而改变了计算粒度;其次,又提出了1种更忠实于真实蚁群信息系统的基于信息素递减的信息素更新方法,减少了最优解对蚂蚁后选择路径上信息素的影响.通过对TSP进行的实验表明,与其他交流策略的并行蚁群算法相比,该算法有较强的全局收敛性和更快的寻优速度.     

基于超顶点交流策略的并行蚁群算法

通过分析影响并行蚁群算法性能的诸多因素，以提高算法效率减少通信量为主旨，提出了1种基于超顶点交流策略的并行蚁群算法．在该算法中，处理机之间交流的内容不再是最优解或信息素矩阵，而是由若干个顶点组合成的超顶点，从而改变了计算粒度；其次，又提出了1种更忠实于真实蚁群信息系统的基于信息素递减的信息素更新方法，减少了最优解对蚂蚁后选择路径上信息素的影响．通过对TSP进行的实验表明，与其他交流策略的并行蚁群算法相比，该算法有较强的全局收敛性和更快的寻优速度．     

多物流配送中心选址及求解

经典蚁群算法不能直接用于求解多配送中心选址问题(MDLP),据此,将MDLP映射为扩展K-TSP过程并设计了改进的蚁群算法.改变了经典蚁群算法禁忌表的设置方式,算法运行时,给蚁群建立一个共享禁忌表,里面存放所有蚂蚁访问过的客户点,任何蚂蚁只能选择共享禁忌表未曾记录的客户点,从而增强蚂蚁间的信息交流,促进它们的分工与协作,使蚂蚁无遗漏无重复地遍历各配送点并找出问题的最优解.为提高算法的求解性能,在蚂蚁的选择规则里加入了代价引导函数,使用2-opt策略优化可行解并优化了信息素的更新方式.仿真算例及算法对比表明,模型和算法可以有效地表达和求解MDLP.     

An adaptive ant colony system algorithm for continuous-space optimization problems

Ant colony algorithms comprise a novel category of evolutionary computation methods for optimization problems, especially for sequencing-type combinatorial optimization problems. An adaptive ant colony algorithm is proposed in this paper to tackle continuous-space optimization problems, using a new objective-function-based heuristic pheromone assignment approach for pheromone update to filtrate solution candidates. Global optimal solutions can be reached more rapidly by self-adjusting the path searching behaviors of the ants according to objective values. The performance of the proposed algorithm is compared with a basic ant colony algorithm and a Square Quadratic Programming approach in solving two benchmark problems with multiple extremes. The results indicated that the efficiency and reliability of the proposed algorithm were greatly improved.     

基于蚁群几何优化算法的全局路径规划

将改进的蚁群算法与路径几何优化相结合,用于解决移动机器人的全局路径规划问题.算法结合机器人的越障性能对移动机器人的环境空间进行建模.通过设置初始信息素加快蚂蚁的搜索速度,同时设置自适应信息素挥发机制,解决特定地图中初始信息素的干扰问题;设置自适应路径长度,筛选规划路径的优劣;提出由路径优劣程度决定的信息素散播策略,并从几何原理出发,对规划路径进行优化处理,加快最优解的收敛速度.仿真结果验证了该算法的有效性和普遍应用性,在随机给定的环境地图中,该算法能够迅速规划出最优路径.