基于三阶段蚁群算法的土地利用核查 路径规划与目标导航

针对当前土地利用监管外业核查难以快速、准确地遍历所有待核查地块等问题,进行了土地核查路径规划与目标导航定位技术研究。提出了基于改进蚁群算法的土地核查路径规划与目标导航问题的三阶段求解方法,即“先分群,再搜索阶段最优路径,最后实现全局最优路径规划”,将大区域的多辆车路径规划问题简化为小范围单辆车路径规划与目标导航,利用改进蚁群算法求解出土地核查全局最优路径和导航信息。在此基础上对扬州市面积约6 600 km²范围内580个待核查图斑开展土地核查,利用该算法将外业核查车辆行驶路程由2 250 km缩短为1 683.3 km,缩短了25.2%。精准的目标导航方法较采用商用导航仪提高了工作效率和核查目标导航的准确性。     

基于改进型蚁群算法的最优路径问题求解

如何向用户提供"高质量"的最优路径是导航系统应解决的关键问题.针对该问题,文中提出了带多个路径质量约束的最优路径数学模型.为求解该模型,在蚁群算法的基础上重新设计信息素局部更新规则和全局更新规则,引入信息素更新算子,动态调整、增加最优路径上信息素的规则,并通过改进能见度启发因子,得到改进型蚁群算法.仿真实验证明,改进后的蚁群算法具有良好的寻优性和收敛性,能准确找出路网中满足路径质量约束的最优路径.     

基于信息权重自适应蚁群算法求解TSP问题

为了提高蚁群算法求解TSP问题的寻优效果和计算效率,在传统蚁群算法的基础上,将信息权重系数引入路径选择机制及信息素调节机制,根据城市聚度,动态调整路径选择概率;根据路径寻优结果,自适应调整各路径信息量分布,提出了基于动态路径选择机制及自适应信息量更新的动态自适应蚁群算法,克服了传统蚁群算法计算收敛慢,容易陷入局部最优,个体早熟等缺陷。算法应用于Oliver30和Ch150两个TSP实例仿真,并与传统蚁群算法进行对比。结果表明:自适应蚁群改进算法可以有效地求解TSP问题,并且在求解效率和求解质量上都取得很好的效果。     

改进蚁群算法在多目标下路径长度的研究

为解决蚁群算法规划时易陷入局部最优问题,提出一种适合多目标下全局路径规划的改进蚁群算法。将粒子群算法所得到的最优结果路径作为蚁群算法的初始信息素增强值,利用平均距离与当前距离比值和最优与最差路径正负反馈相结合来调节信息素更新策略,根据不同阶段中信息素挥发系数的影响将其动态划分来求解最优遍历顺序,得到最短路径长度。att48实例结果显示,相较于传统算法,改进算法在路径长度上缩短了6.76%,鲁棒性能提高了4.87%,证明了改进蚁群算法的有效性。     

室内服务机器人路径导航系统设计及算法

随着各行业智能化的快速发展,室内服务机器人逐渐地走进了人们的日常生活中。针对日益复杂的室内环境以及对机器人路径规划技术要求的不断提高,本文采用激光雷达、底盘驱动、人机交互等功能模块相结合,设计了一种室内服务机器人路径导航系统。同时对传统蚁群算法进行改进,提出了自适应信息素浓度和动态信息素挥发因子,使改进后的蚁群算法具有较高的全局搜索能力,避免了传统蚁群算法前期易陷入局部最优的问题,最后将改进后的蚁群算法应用到移动机器人路径规划上。为了验证改进蚁群算法的有效性,用MATLAB软件进行仿真分析,仿真结果证明了改进蚁群算法在移动机器人路径规划时具有较强的全局寻优能力,同时提高了收敛速度。     

基于改进的文化蚁群算法求解最优路径问题研究

针对传统方法不能够有效的求解GIS最优路径问题,在文化算法的基础上提出了一种基于实际路况求解两地之间最优距离的蚁群优化算法.引入了表示天气、路况、驾驶员个人偏好等诸多不确定因素,并将改进的蚁群算法融入到文化算法当中,使蚁群算法具有群体空间和信仰空间并行进化的机制.群体空间采用改进的最大最小蚁群算法,从而有效的提高算法最...     

车辆路径问题的蚁群算法研究

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出蚁群算法在车辆路径问题中的应用,针对蚁群算法存在的过早收敛问题,引入节省量以及车辆载重利用率两种启发式信息对蚁群算法加以改进,并加入2-opt方法对问题求解进行局部优化,计算机仿真结果表明,这种混合型蚁群算法对求解车辆路径问题有较好的改进效果.     

激励机制改进蚁群优化算法用于全局路径规划

为提高优化算法搜索能力,分析了基本蚁群优化算法和心理学家斯金纳的强化激励方法的基本原理,将正、负激励原理应用于改进基本蚁群优化算法,提出了基于激励机制的改进蚁群算法,并给出了其数学描述。将改进的算法应用于求解旅行商问题和避碰约束下的最短路径规划问题,并与基本算法进行比较。仿真试验显示,改进的蚁群算法有效搜索到最短路径,实现全局路径优化。由于采用了激励机制,使得种群中所有个体都能够积极向最优解移动,从而更快地找到最优解,其较之基本蚁群算法具有较快的收敛速度,整体性能优越,能够应用于求解路径规划等问题。     

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.     

改进蚁群算法在动态交通分配中的应用研究

将蚁群算法用于交通分配中最优路径求解,考虑到实际路网中路段的通行时间受到交通量的影响,提出了一种改进的蚁群算法.算法对基本蚁群算法的信息素更新方程和启发信息进行适当改进,即用车辆在路段的行驶时间代替路段长度对信息素进行更新,并在启发信息中引入新的参数以加强搜索方向性.将改进后的蚁群算法结合增量分配法进行应用.用一个算例对算法的有效性进行验证.     

基于蚁群优化算法的钢架结构优化设计

采用蚁群优化算法对3跨24层168杆件的钢架结构重量进行优化计算,并对此结构采用美国钢结构规范(ASCI)、英国钢结构规范(BC5990)、国标钢结构规范(GB50017)3种规范体系进行对比分析。分析结果表明,基于TSP模型的蚁群优化算法对钢框架结构优化设计具有很好的适用性,尤其是对复杂钢结构的优化设计具有更快更强的适用性。     

管道铺设问题的改进蚁群算法

首先把管道铺设问题转化为旅行商问题,然后利用蚁群算法来求解此问题。算法的分析和仿真实验表明,利用了城市间距离信息的改进蚁群算法是一种简单有效的算法。     

求解TSP问题的改进蚁群算法

通过引入免疫克隆算子提出1种新的蚁群算法,并应用于TSP问题求解。结果表明：算法具有较好性能。     

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。     

用分层蚁群算法求解优化问题

提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。     

立体仓库固定货架拣选路径优化的蚁群算法研究

本文详细分析了各类蚁群算法及其参数,将这些算法结合立体仓库固定货架拣选路径问题,选取出适合实际情况的算法模块;根据算法特性提出了根据迭代次数自适应调整q0参数和使用精英策略更新信息素两项优化等策略并通过仿真试验证实其优化性。在分析基础之上提出新蚁群算法的数学模型,通过大量仿真试验,得证新算法可以在较短的时间内找到较优的拣选路径,应用到实际操作中极大提高了立体仓库的使用效率。     

通信网络中QOS多播路由技术研究

给出了多约束QoS组播路由的问题模型,分析论述了多约束QoS组播路由优化的约束树算法和遗传算法、蚁群算法、免疫算法等智能化算法,对QoS约束的多播路由技术的进一步研究进行了展望。     

蚁群算法求解消防站的选址问题

将消防设施选址问题抽象成集合覆盖问题。应用蚁群算法对集合覆盖问题进行了求解。并针对点的重复覆盖问题对每次迭代的结果进行了启发式改进,消除了冗余的子集。同时采用精英策略,加速了蚁群算法的收敛速度。并将用蚁群算法得到的结果与基于贪心策略得到的结果进行了比较,效果较好。     

热传导反问题智能化识别

基于一种时域精细算法和蚁群算法,利用测量信息和计算信息构造最小二乘函数,将多宗量反演识别问题转化为一个优化问题,建立了求解多宗量一维瞬态非线性热传导反问题的智能优化数学模型.可对非线性内热源强度、导温系数和边界条件等多个热学参数进行组合识别.对信息测量误差作了初步探讨,数值验证给出令人满意的结果.结果表明该计算模型能够对非线性多宗量热传导反问题进行有效的求解,并具有较高的计算精度.     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。