基于带宽受限模糊权重的蚁群优化算法及其应用

针对基于流量控制的优化路径很难得到最优解和计算复杂度过大等问题,该文提出带宽受限条件下基于随机网络拓扑的模糊蚁群优化动态流量分配方案.该方案根据网络流量的模糊控制划分路径权重,将路径权重融入信息素中;采用蚁群全局搜索和信息素控制在多条路径中动态选择最优路径.仿真结果证明了该算法的有效性,该法显著加快了传统路由算法网络流量的探索收敛速度.     

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。     

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.     

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.     

基于图形的加权蚁群算法

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了基于图形的加权蚁群算法,利用蚁群算法最优路径的特点,对每个城市分别加权,从比较离散的点开始进行寻优,节省了在不可能构成最优路径上的计算时间,提高了运算速度.通过TSP问题检验的结果表明,新算法提高了标准蚁群算法的效率和计算结果的质量.     

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.     

改进的蚁群算法及其在Ei150问题上的检验

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了一种基于图形的加权蚁群算法,它利用蚁群算法最优路径的特点,对每个城市分别加权,然后从比较离散的点开始进行寻优.节省了在不可能构成最优路径上的计算时间,提高了运算速度.用TSP问题的Ei150检验的结果表明新算法提高了标准蚁群算法的效率和计算结果的质量.     

基于终距指数的机器人路径规划方法研究

传统蚁群算法在生成信息素浓度时，由于算法生成的路径可能存在冗余成分，信息素浓度可能无法正确反应路径各节点的优劣，蚂蚁无法根据信息素浓度来迅速找出最优路径，导致算法寻优缓慢.基于传统蚁群算法思想，提出了一种新改进蚁群算法，即通过引入终距指数这一概念，取代信息素浓度的标记功能，蚂蚁可以依赖该指数进行决策选择优良节点.以20×20的栅格环境地图对改进蚁群算法进行案例仿真，实验结果表明，传统蚁群算法及其他改进蚁群算法分别需要43代及34代才能收敛到最优值，而利用改进蚁群算法仅需要进化3代即可收敛到最优解；为了进一步验证改进蚁群算法的优越性，在对更为复杂的30×30栅格模型仿真，利用传统蚁群算法与其他改进蚁群算法的收敛代数分别为52代与28代，而利用新改进蚁群算法的收敛代数仅为4代；另外，为了进一步验证改进算法的稳定性，对30×30环境模型进行连续运行30次仿真，所需平均收敛代数仅为4.97代.     

基于遗传自适应蚁群系统算法的中继路由方法

针对实际电力线载波抄表系统中现有中继路由算法的不足,提出一种基于遗传自适应蚁群系统算法的动态中继路由方法.利用遗传算法的快速全局搜索能力获得路径信息素的初始分布,再结合蚁群算法的正反馈收敛机制,同时依据搜索情况对状态转移概率因子、信息素挥发因子、信息素强度等参数进行自适应调整,最终获得最优路由线路.通过仿真实验验证该算法的收敛性、鲁棒性和抗毁性,算法能够根据电力线信道的变化情况以相对较少的迭代次数收敛到最优路径,提高整个抄表系统的时效性.     

基于改进蚁群算法的柑橘采摘最优路径

为了提高柑橘采摘效率,对柑橘采摘的最优路径进行研究.将柑橘采摘的路径规划抽象为旅行商问题的解集,建立柑橘果实点3维模型.在蚁群算法的基础上,引入随时间改变的自适应信息素浓度更新机制,提出改进的蚁群算法.仿真实验结果表明:改进蚁群算法的路径长度比蚁群算法的路径长度短;改进算法采用蚁周模型进行路径规划时有较高的效率.     

基于改进蚁群算法的工业机器人路径规划研究

针对蚁群算法在机械臂路径规划中存在的问题，如路径过长、收敛速度慢等，文章提出一种改进的蚁群算法。首先将蚁群分为外层蚁群和内层蚁群，分别设计不同的启发函数来提高搜索效率，并引入安全因子提高机械臂运动过程的安全性，利用外层蚁群初始化信息素，引导内层蚁群进行全局寻优；为了加强优质种群的寻优能力，在信息素更新原则中引入狼群的猎物分配机制，同时改善部分路径信息素浓度，防止算法陷入局部最优；得到的机械臂末端有效路径再经过机械臂逆运动学运算和碰撞检测，转化为一条机械臂最优位姿路径。仿真实验表明该算法能为机械臂在不同环境中规划出一条符合运动要求的避障路径。     

基于改进的蚁群算法的物流拣选路径优化

提出了一种改进的蚁群算法来解决物流拣选路径的优化问题。通过实验室模拟环境,用Matlab7.0进行了某次拣选作业仿真,取得了最优路径。与基本蚁群算法相比,所提出的方法能更快地找到最优解。     

基于优化蚁群算法的AGV路径规划研究

针对基本蚁群算法在规划自动导引车(automated guided vehicle, AGV)路径时易出现的耗时长、搜索效率低、收敛速度慢以及易陷入局部最优等不足,文章提出一种优化蚁群算法。首先利用辅助蚁群的方向优势,帮助主蚁群初始化信息素,使路径搜索更具有针对性,提高路径搜索效率;其次加入伪随机状态转移策略,增加路径选择的多样性,防止算法过早收敛;接着使用蚁群的当前最优解、主蚁群一代蚁群中的最优解、最差解进行全局信息素更新,并引入最大最小蚂蚁系统对路径上的信息素进行限制;最后对栅格环境中的凹形障碍物进行处理,提高搜索质量。仿真实验表明,优化蚁群算法相较于其他蚁群算法,收敛速度更快、搜索能力更优。     

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...     

改进蚁群算法在车辆路径问题中的应用

从蚁群算法在求解实际问题时收敛速度慢、易陷入局部最优的缺陷出发,对蚁群系统转移规则、局部信息素更新方面进行改进,并将其应用到DCVRP问题中,求解时引入候选列表和2-opt局部搜索策略,以减少计算时间并达到事先淘汰不良路径的目的.通过与其他元启发式方法比较,实验结果表明,本文改进蚁群算法其结果明显优于另外四种主要的路径问题启发式方法.     

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.     

基于多蚁群遗传算法的分布式数据库查询优化

针对单一普通算法在查询优化方面的不足,提出了一种结合遗传算法与蚁群算法优点的多蚁群遗传算法,克服了蚁群算法前期搜索的盲目性,并引入多蚁群概念,更好地防止了算法陷入局部最优的情况,以获取更优的查询路径.类比实验表明,该算法较传统蚁群算法,在查询方面,能获得更好的查询路径.     

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.