基于改进蚁群算法的智能小车路径规划仿真研究

提出一种改进的蚁群算法,解决传统蚁群算法在路径规划时容易陷入局部最优解的问题,改进的蚁群算法具备更优越的搜索最短路径的能力.MATALAB仿真实验表明,改进的蚁群算法能够节约寻找到最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

基于改进蚁群算法的潜艇最短航路规划

提出了一种将潜艇的航路规划问题转化为多阶段最短路径问题的模型,和最短路径问题的威胁度加权算法,并使用蚁群算法来计算最短路径,达到求解潜艇航路规划问题的目的.还针对现有的蚁群算法收敛速度慢的缺陷提出了一种蚂蚁学习策略,同时对现有算法的信息素更新策略进行了改进.最后的实验比较得出,改进后的蚁群算法收敛速度与成功率相比传统蚁群算法有了明显提高.     

蚁群算法求解函数优化的算法设计

为了求解一般的函数优化,文章在对标准蚁群算法的基础上,引入遗传算法的编码方式,并对蚁群算法的信息素更新进行改进.通过对几个经典测试函数的求解,证明了算法的有效性.     

基于蚁群优化算法的QoS多播路由算法改进及实证

多QoS约束的组播路由技术是当前实现分布式网络多媒体的关键技术,蚁群算法是解决多QoS约束组播路由问题的一种启发式算法,但大多算法仍属于集中式算法.该文提出了一种基于蚁群优化的分布式QoS多播路由算法,并结合多播路由问题的特点对算法进行了改进.通过仿真实验讨论了该方法的性能,并与传统的蚁群算法对比,证实了其的有效性.     

蚁群算法的现状与研究进展

介绍了蚁群算法的基本原理及其算法的模型，对几种改进的蚁群算法进行了评述，并对算法的研究现状做了概述，认为蚁群算法是一种较好的解决组合优化问题的新型模拟进化算法。     

浅析遗传量子算法与遗传算法在函数极值问题中的比较法

遗传算法是一种模拟生物进化的算法．它被广泛利用在信号处理、模式识别、人工生命等领域.遗传量子算法是将量子计算和遗传算法相结合算法．采用量子位染色体的表示形式．该算法具有量子计算的量子位和量子位的迭加特性,同时加入了量子旋转门干涉策略,使得进化染色体更好的呈现多样特性．实验表明,遗传量子算法在解决一般函数极值问题中,比遗传算法更具有优势．     

解决作业车间调度问题的改进蚁群优化算法

针对作业车间调度问题,提出一种改进的蚁群优化算法.首先设计禁忌表以产生活动调度,然后对传统的蚁群优化算法进行简化,并提出一种新型优先规则作为启发式信息.为增强算法的收敛性和提高求解质量,引入基于作业车间调度问题邻域结构的局部搜索.实验表明该文算法有效.     

基于改进遗传算法的Volterra核辨识研究

本研究提出了一种基于改进遗传算法辨识Volterra级数模型的方法.该方法根据Volterra核与系统输出的相关程度来调整模型结构,利用重启策略与自适应搜索范围解决进化停滞与算法早熟收敛等问题.通过仿真试验将改进遗传算法与标准遗传算法、量子粒子群算法进行比较.结果表明,该方法在辨识精度、收敛速度及抗噪性能等方面明显优于...     

改进的混合型蚁群算法在VRP问题中的应用

为提高物流配送中车辆路径的寻优效率,提高物流经济效益,介绍一种能够有效求解VRP问题的算法—改进的混合型蚁群算法。该算法在近邻法构造初始解的基础上,使用2-opt局部搜索策略对当前得到的最优解和次优解进行改进,在更新全局信息素时采用基于排序的蚂蚁系统对排在前2名的蚂蚁更新全局信息素,且为全局信息素设置最大值和最小值。使用Matlab仿真工具对N44K6等10个经典VRP问题进行了求解,得到的结果和已知最优解的误差很小,都在6%以下,并且N33K6问题得到了和已知最优解相同的解。与基本蚁群算法得到的解进行了比较,证明了该改进算法的有效性。     

基于分布均匀度的自适应蚁群算法最优PID控制

蚁群算法是一种启发式算法,在解决组合优化类问题方面具有突出的适用特征,但由于蚁群算法按一种固定不变的模式更新信息量,确定每次路径的选择概率,故存在早熟停滞现象,且收敛速度较慢.为了克服这些缺陷,提出了一种基于分布均匀度的自适应蚁群算法优化PID控制的方法,该方法克服了蚁群算法的不足,较好地实现了PID控制参数Kp、Ti、Td的优化,系统单位阶跃响应超调量σ和调整时间ts获得改善,并具有广泛的应用前景.