基于改进蚁群算法的室内移动机器人路径规划

路径规划是机器人室内导航需要攻克的关键技术之一。蚁群算法可以有效实现机器人在室内智能移动的路径规划的目标,但是也存在着停滞和收敛精度低等各种问题,针对这些问题,提出了一种改进蚁群算法可以使机器人在室内智能的完成路径规划的任务,融合了确定性选择与随机性选择策略的优点,在路径转移概率中引入一个启发性的因子,可以使状态转移概率动态进行调整,从而使算法避免了陷入停滞,并对蚁群算法中的信息素更新时的策略加以改进,引入了鸟群算法中的觅食行为。算法通过仿真验证,结果表明了该算法具有较好的室内路径规划能力,实现了路径寻优和花销最短时间效果。     

基于改进蚁群算法的旅游景区路径规划

针对多景点景区路径规划问题,提出一种改进蚁群算法.通过改进路径启发函数,引导游客避开拥堵景点,实现景区各景点人数负载均衡;引入动态参数调整机制,优化蚁群探索和开发机制,有效避免算法陷入局部最优,使算法快速收敛.仿真实验结果表明,该方法在景区路径规划中表现出了良好的稳定性和高效性.     

基于ACO的LEO卫星网络路由研究

为了解决低轨卫星网络动态拓扑路由问题,通过更改蚁群优化(Ant Colony Optimization,ACO)算法结构以及信息素更新策略进行调整,提出一种适合LEO卫星网络的具有多QoS约束条件的ACO路由算法.这种路由算法能够根据LEO卫星网络中业务流量分布的变化对网络最优路径做出调整、均衡网络负载、避免拥塞,实现多种QoS指标的联合最优.仿真结果表明:在网络接近满负荷的情况下,路由算法在保证业务QoS需求的同时,使网络资源得到了充分利用.     

一种改进的基于云环境的蚁群优化算法

在研究标准蚁群优化算法的基础上,提出一种旨在改善网络路由的蚁群优化算法以应用于云环境下多元化复杂的网络结构环境.新算法在原有蚁群算法智能寻优的基础上,加入网络节点在网审查机制,实时判断网络节点是否在网,选择最优解路径.仿真实验表明,改进算法能有效地改善因为网络节点在网情况的多变性而造成的部分路径失效的情况,进而缓解网络拥塞.     

基于蚁群系统的WSN能量有效路由算法

针对无线传感器网络的能量有效性问题,基于蚁群系统的自适应性及动态寻优能力,以及无线传感器网络的自组织特性,提出一种能量有效的路由算法.为了优化路径概率选择,平衡节点间的能量消耗,将节点剩余能量引入本地启发因子.用路径平均信息素水平、路径节点平均剩余能量和路径长度评价路径质量,并将路径质量引入信息素全局更新.在源节点与Sink间建立多条动态优化传输路径,提高传输的可靠性.仿真结果表明,本算法可以减小延迟,提高能量使用效率,有效地延长无线传感器网络的工作时间.     

基于蚁群算法的能量均衡传感网地理信息路由

提出了一种基于蚁群算法的能量均衡传感网地理信息路由算法,用来保证具有生存周期的无线传感器网络能够在不损失其传感能力的情况下,生存更长的时间.实验证明,此算法能够均衡网络中的能量消耗,延长网络生存时间,并能有效提高报文发送成功率,避免拥塞.     

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.     

基于改进蚁群算法的二维码移动机器人路径规划方法

针对在结构化栅格工作环境下,基于蚁群算法的路径规划存在停滞和收敛速度慢的问题,提出了一种基于改进蚁群算法的二维码移动机器人路径规划方法.通过限制蚂蚁的搜索方向,即将机器人置于结构化栅格工作环境下,使其只能在水平和垂直方向上移动,进而提高算法的搜索效率.引入自适应期望函数和启发因子,动态调整状态转移概率,避免算法陷入停滞状态,提高算法的收敛速度.针对机器人在转弯过程中耗费时间较长的问题,通过引入转弯影响因子得到扩展路径长度,进而根据扩展路径长度选取最优路径.实验结果表明,提出的方法可以为二维码移动机器人规划出最优路径.     

一种改进的JXTA路由策略算法

在网络节点数量不断增加的情况下,JXTA基于洪泛的路由策略会使得网络中出现很多冗余的数据包,致使网络拥塞、路由效率低下,难以适应复杂的网络环境。结合蚁群算法和随机游走算法提出了一种动态路由算法,该算法对路由解析请求信息的转发规则做出改变,减少路由解析请求信息的转发数量,从而对JXTA的路由策略进行改进。利用Peersim网络模拟器进行了网络仿真实验,实验结果表明改进的路由算法可以明显减少冗余数据包的数量,有效提高了JXTA网络的路由效率。     

高效的遗传蚁群组合算法在QoS路由上的运用

针对现有遗传蚁群算法中算法融合不佳与系统易出现拥塞现象等问题,根据遗传算法与蚁群算法不同时期的优点,提出了一种高效的遗传蚁群组合算法。该算法通过根据遗传算法的群体代价关系,提出了新的融合机制;为缓解系统最优化后所产生的节点负载压力,引入了防拥塞的赏罚机制。实验结果表明,该算法能够在保证系统传输效率的同时有效的防止数据丢包现象,与传统算法相比具有高效率、低耗能以及防丢包等优势。     

基于动态注入率的片上网络拥塞避免方法

片上网络的拥塞现象极大地限制了路由器的有效性能,拥塞问题将直接影响到整个处理器芯片的性能.本文首先分析了片上网络中虚通道路由器通信流量的特性．提出设定不同的阈值将网络拥塞状态进行划分,将拥塞避免问题划分为拥塞预防和拥塞解除两个阶段．提出使用一种动态注入率策略,根据实时检测网络的拥塞状态,动态调整网络报文的注入率,将网络中的通信流量控制在一个合理水平内,减轻网络的负载压力,避免NoC完全陷入拥塞而出现瘫痪状态．仿真模拟结果表明,拥塞预防时NoC性能约在“最大负载点”,拥塞解除时性能约在“膝点”,注入率可以达到0.05,在避免拥塞的同时有效兼顾了网络性能.     

蚁群算法在TCP/IP路由选择中的应用

TCP/IP路由选择问题,是典型的动态组合优化问题。蚁群算法是一种源于大自然中生物世界的新的仿生进化算法,也是求解适应性计算问题的一种算法。利用蚁群算法可以很快得找到一条最优路径,从而提高网络的利用率。     

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。     

基于膜计算的蚁群算法在配电网WSNs中路由研究

针对智能配电网WSNs数据传输可靠差、节点能量消耗快、网络生存周期短和路由空洞等问题,研究一种膜计算-蚁群路由(Membrane Computing-Ant Colony Routing,MCACR)算法;通过在状态转移函数中引入动态补偿因子,避免了MCACR算法因信息素过高出现过早停滞现象;利用膜计算膜内运算和膜间运算的并行能力,结合引入的最优路径衡量公式,进行多路径并行搜索获取到最优的路径,提高了MCACR算法的局部和全局收敛的能力;通过定义路由修复机制,使得MCACR算法避免了路由空洞;仿真结果表明:MCACR算法在数据的可靠路由方面有明显增强,实现节能要求以及延长了网络寿命。     

一种带时间窗车辆路径问题的混合蚁群算法

针对带时间窗车辆路径问题求解时蚁群算法存在容易陷入局部最优,而遗传算法初始种群的优劣对算法有效性存在直接影响,提出一种混合蚁群优化算法。算法首先在蚁群算法的节点选择概率公式中引入时间窗因素,以得到初始种群,然后通过遗传算法的交叉算子和变异算子对初始种群中的较优路径进行交叉和变异操作,从而得到更优的路径。通过Matlab环境下对文中混合算法进行仿真实验,在车辆利用率和路径规划上效果明显,表明了算法的高效性,同时混合算法可以避免陷入局部最优。     

一种应用于火灾环境路径规划的蚂蚁群算法

在火灾环境中,针对蚁群算法容易陷入局部最优的问题,文章使用了一种改进的蚁群算法用于解决火灾环境中人群疏散的路径规划问题。对蚁群算法的改进分为两个方面:一是在蚁群算法的启发式函数中考虑人员密度因素;二是动态自适应调整信息素强度,采取局部和全局信息素更新相结合的策略更新路径上的信息素,并引入交叉操作,加快算法的逃逸能力。由于在火灾环境中个体情绪差异对路径选择的影响较大,在文章的规划方法中,为个体建立情绪数学模型,不同情绪的个体对路径的选择是不同的。仿真实验表明,文中提出的规划方法能够为不同情绪类型的个体规划出最优逃生路径,避免了局部最优且收敛速度较快。     

基于独狼蚁群混合算法的移动机器人路径规划

针对移动机器人路径规划问题,提出了一种基于独狼搜索机制的自适应精英蚁群混合算法.首先,在精英蚁群算法中引入了独狼视场机制并设计了自适应增强函数,用以改进精英蚁群算法搜索机制中蚁群的寻径能力.然后,为了消除混合算法中的停滞现象,引入了独狼逃跑策略并构造了一种信息素优化机制,用来提高混合算法的全局搜索能力,帮助寻径个体突破当前的路径停滞问题,避免算法陷入局部最优.最后通过仿真分析和测试,进行了针对性的对比试验,结果表明:混合算法在多种环境下的路径规划均拥有较好的收敛速度和高效的寻径能力.     

基于A*扩展自适应蚁群算法的移动机器人路径规划

针对传统蚁群算法存在收敛速度慢、搜索效率低等问题,提出一种A~*扩展自适应蚁群算法.首先利用A~*算法在栅格环境下搜索初始路径,扩展初始路径构建优势区域,优化优势区域的初始信息素,避免蚁群算法在初期陷入盲目搜索;然后在转移概率中引入变向启发函数和参数自适应伪随机比例规则,提升算法搜索效率与收敛速度并淘汰劣质蚂蚁路径;最后采用B样条曲线对路径进行平滑.对比2种栅格环境下的仿真结果可知:所提出的算法能够有效地解决蚁群算法搜索效率低以及收敛速度过慢的问题,同时可以保证搜索路径的质量.     

软件定义航空集群机载网络自适应更新策略

软件定义网络的出现为突破当前机载网络在航空集群作战应用中存在的固有技术瓶颈开辟了全新途径,然而软件定义机载网络动态的网络拓扑以及有限的链路容量导致网络更新过程中链路拥塞现象频发,造成网络更新过程极易引发网络拥塞,并降低网络更新的成功率.针对该问题,提出一种基于拥塞避免的软件定义航空集群机载网络更新策略.首先通过混合更新策略计算得到各业务流的初始更新操作序列;然后提出拥塞链路感知算法,实现更新过程中对潜在拥塞链路的感知;最后提出基于拥塞避免的软件定义机载网络更新算法,根据各业务流的初始操作序列以及感知到的潜在拥塞链路状态,计算无拥塞更新操作约束,并最大限度实现网络的无拥塞更新.仿真结果表明,与现有网络更新策略相比,所提更新策略能够有效避免网络更新过程中软件定义机载网络的拥塞,提升网络更新的成功率.     

基于蚁群算法AODV协议的研究

Ad hoc网络是一种新型的多跳自组织网络,有着广泛的应用。通过对Ad hoc网络技术的分析,在Ad hoc网络中,针对AODV协议的路由表仅维护一条到指定的目的节点的路由,当源节点移动而造成某条路由失效时,源节点只能重新发起路由请求的问题,提出将蚁群算法融入AODV算法来解决以上问题。将蚁群的信息素的多少作为路径的选择标准,以一定概率选择次佳路径,解决了节点的拥塞和时延时问题。