基于势场导向的对数蚁群算法的移动机器人路径规划

针对蚁群算法存在收敛速度慢,易陷入局部最优的问题,提出了一种将人工势场和对数蚁群算法相融合的新算法.该算法是在蚁群算法的基础上,将势场的影响因素引入到蚁群算法的状态转移概率函数和启发函数中,并通过对数函数模型对蚁群算法的信息素更新策略进行改进,使得路径算法搜索不再具有盲目性,并加快算法的收敛速度.为了验证改进算法的有效性,分别在不同环境的2维栅格地图中进行仿真.仿真结果表明,相比改进前的蚁群算法,改进后的蚁群算法在路径规划中收敛速度更快,规划效率更高.将基于势场导向的对数蚁群算法应用于Hokuyo激光建图的实际机器人上进行路径规划实验.实验结果表明,改进后的蚁群算法路径搜索效率较改进前提高了约52％.     

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.     

融合遗传算法改进的蚁群算法

针对蚁群算法存在停滞现象及收敛速度慢的缺点,提出了一种融合遗传算法改进的蚁群算法,在蚁群算法中引入路径遗传运算.对蚂蚁发现的路径进行染色体编码,通过适应度函数对蚂蚁的路径做适应度评价,进行路径交叉和路径变异运算,设计了新的信息素更新策略.以对称TSP测试集为对象,将改进算法与现有算法进行测试比较.实验结果表明,改进后的算法具有优良的全局优化能力,有效防止了停滞现象.     

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.     

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。     

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.     

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.     

移动机器人复杂环境路径规划

针对移动机器人在复杂环境下路径规划问题,提出一种改进蚁群算法。该算法设计启发式状态转移函数,引入起点和终点对状态转移的引导作用;设计路径优化方法,从八个方向优化每次迭代生成的最优路径,避免规划路径陷入凹形区域,减小其长度;建立路径评估模型,考虑到环境的复杂性,通过加入惩罚因子,使路径评价标准从路径长度转为路径代价,将影响移动机器人通行的环境因素加入到路径规划过程,从而使生成路径得到更好的优化。最后,将改进蚁群算法与多种算法进行对比实验,结果表明,改进蚁群算法能有效避开危险区域,大幅度降低规划路径的代价,有效提高移动机器人通过规划路径的效率和安全性。     

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.     

低碳视角下改进DMBSO算法的垃圾收运路径优化研究

为解决“垃圾围城”难题,设计改进DMBSO算法对垃圾收运路径进行优化。首先,在低碳环保背景下,考虑车辆载重对碳排放量的影响,建立了以最短路径和极小化碳排放量为目标的绿色垃圾收运路径优化模型;然后设计改进DMBSO算法,其包含组间讨论和组内讨论,使算法在全局搜索和局部搜索达到平衡,并且引入逆转算子、启发式交叉算子和精英保留策略,使改进DMBSO算法适用于解决离散组合优化问题;最后对9个标准算例和1个实例进行仿真,结果表明改进DMBSO算法优于BSO和ACO算法,能够同时降低运输距离和碳排放量,具有很好的收敛效果和鲁棒性。     

卫星网络中基于蚁群优化的概率路由算法

为了提高空间信息传输的有效性和可靠性,针对传统蚁群优化(ant colony optimization,ACO)容易造成最优路径负载过重而发生拥塞的问题,提出了一种基于蚁群优化的概率路由算法(ant colony optimization based proba-bilistic routing algorithm,ACO-PRA).根据卫星网络拓扑动态周期时变的固有特点,将拓扑周期均匀分为若干个时间片,形成基于不同时间片的卫星网络拓扑连通图;根据网络拓扑连通图,将星间链路带宽和链路容量引入到目标函数中,建立时延最小的优化模型;根据蚁群算法的节点概率函数选择下一跳节点,进而找到一条能同时满足时延带宽和链路容量要求的最佳信号传输路径.仿真结果表明,提出的基于蚁群优化的概率路由算法不仅能够降低平均端到端时延和丢包率,而且能够有效地提高网络吞吐量、平衡网络负载.     

基于IAPF-ACO的工业机器人运动规划

针对蚁群算法运动规划收敛慢且精度不佳的问题,提出一种改进势场蚁群(improved artificial potential field ant colony optimization, IAPF-ACO)算法。斥力计算模型引入目标调节因子解决势场寻优不可达且易陷入局部最优问题。蚁群算法计算框架加入改进势场模型,即启发信息函数中增加势场信息因子。三维障碍物空间仿真规划表明：IAPF-ACO算法在离散环境与聚集环境规划路径质量较优、规划结果较为稳定。在MATLAB搭建工业机器人仿真模型,关节空间内对规划路径点平滑处理,避障仿真结果表明,工业机器人末端位移是一条安全、平滑的运动轨迹。     

蚁群算法在黑河上游VIC模型参数校正中的应用

参数优选是水文模型应用过程中的一项基础性工作.蚁群算法结合了分布式计算和正反馈机制,是一种较容易理解和实现的元启发式算法,已在求解复杂组合问题中展示出优异的性能.本文将蚁群算法应用于黑河上游VIC模型的参数优选中,通过与SCE-UA算法对比,探究蚁群算法在VIC模型中的适用性.经过蚁群算法优选的VIC模型在率定期(2003—2006年)和验证期(2007—2008年)的Nash效率系数分别为0.62和0.65,结果优于SCE-UA算法模拟结果.通过对蚁群算法在应用过程中的参数设定进行初步探究,结果表明:当蚂蚁数目为60,信息素蒸发系数为0.2时,蚁群算法在黑河上游水文模拟中易获得较好的率定结果.研究结果显示:蚁群算法是一种有效的VIC模型参数优选方法,适宜在其他水文模型参数优化进行推广.     

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。     

基于抗体的蚁群优化算法研究

针对蚁群优化（ant colony optimization,ACO）容易陷入局部最优,提出一个基于抗体的新型蚁群优化算法(ant colony optimization based on immune algorithm,ACOI)。ACOI是利用免疫算法中抗体的概念来改善人工蚂蚁搜寻解空间的方式,使人工蚂蚁不仅会依随费洛蒙的指引,还会受到抗体的影响去搜寻解空间;而抗体也会随着环境的改变,使抗体成为有效的及无效的2种情形,有效的抗体对人工蚂蚁会有影响,无效的抗体则没有影响。用旅行销售员问题（traveling salesmen problem,TSP）验证ACOI的效能,并与ACO做比较,证明了在蚁群系统中加入抗体要比单纯的蚁群系统效率更高。     

基于蚁群算法的无线传感器网络优化

无线传感器网络（WSN）中的传感器节点由一次性电源供电,能量优化关乎整个网络的寿命.优化网络拓扑结构有利于提高WSN整体的能量利用率.ACO是一种基于种群（population based）的启发式仿生进化算法.提出了基于ACO的WSN的网络优化算法,以16个固定位置节点和20个任意位置节点的WSN为对象进行了仿真研究.实验结果验证了该算法的有效性.     

蚁群算法求解独立到达时间单机提前/拖期调度问题

求解有独立到达时间和完工时间的单机调度问题目前主要采用启发式算法。为研究仿生类算法的应用可行性,采用蚁群算法,以提前/拖期的总惩罚量达到最小为目标。将邻位工作交换法(AP I)用于局部搜索以提高解的质量,并对每一个解的相邻工作间隔时间进行优化调整。用90个测试算例,将蚁群算法求解结果与分支定界法和禁忌搜索法的结果进行比较。结果表明,蚁群算法与分支定界法和禁忌搜索法的结果相当。     

时序电路SACO和PSO混合算法的测试矢量生成

提出了一种新的测试矢量生成算法，其使用SCOAP测度对蚁群算法进行参数调整，并在粒子群算法的框架下进行测试矢量生成，再使用调整后的蚁群算法进行测试矢量优化。该算法不仅克服了粒子群算法的容易陷入局部最优等缺点，而且利用电路本身的特性来确定蚁群算法的参数。以国际标准电路为例，实验验证本文的算法，结果表明本算法应用于时序电路的测试矢量生成时，相对于粒子群算法提高了其收敛性，提高了故障覆盖率；相对于蚁群算法压缩了测试矢量集，减少了测试诊断时间。