PRM蚁群融合算法的AGV路径规划研究

针对AGV运货时需一次性取多件货物的路径规划问题,提出一种PRM算法与蚁群算法相结合的融合算法,将问题拆分为路径的选择与TSP问题分布解决,即先利用PRM算法进行AGV路径规划,再利用蚁群算法决策出取货顺序,生成总的路径。最后采用matlab进行仿真实验,并与A*算法进行对比,结果证明了PRM蚁群融合算法比A*算法得出的路径更短、效率更高。     

预警机空天协同作战典型样式效能仿真分析及对策

随着信息技术和空天技术装备的融合发展,预警机空天协同作战已是大势所趋,将大幅提升整体作战效能。以空天一体化作战为核心,以预警机为对象,围绕空天战场环境下预警机协同进攻作战典型样式开展研究;以电子侦察卫星信息支援下预警机协同作战飞机开展远程打击为背景,引入蚁群优化算法对空天协同作战任务方案和作战效能进行仿真分析,从作战理念、力量建设、作战训练和人才培养等方面提出了对策建议。     

基于s-模的反模糊M-半群的性质

本文给出基于s-模的反模糊M-半群的概念,并且探讨基于s-模的反模糊M-半群的性质.     

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.     

基于蚁群搜索理论的优化卡尔曼步频预测

为了使智能下肢能够实时地调节膝关节阻尼,使其固有频率与实际步频相符,达到更加接近正常步态的效果,提出了一种基于蚁群搜索理论的卡尔曼步频预测算法.利用蚁群算法在规定的连续域中寻找卡尔曼预测方程中系统误差与测量误差两个参数的最优组合,实现对卡尔曼预测方程的优化.通过获取六组人行走的步频数据进行实验,结果表明:经蚁群算法优化后,卡尔曼预测算法预测得到的步频与后验值之间的误差比跟随方式的误差分别减少了44.10%,43.42%和36.17%,证明了基于蚁群搜索理论的优化卡尔曼步频预测方法在智能下肢控制上具有良好的应用前景.     

基于蚁群几何优化算法的全局路径规划

将改进的蚁群算法与路径几何优化相结合,用于解决移动机器人的全局路径规划问题.算法结合机器人的越障性能对移动机器人的环境空间进行建模.通过设置初始信息素加快蚂蚁的搜索速度,同时设置自适应信息素挥发机制,解决特定地图中初始信息素的干扰问题;设置自适应路径长度,筛选规划路径的优劣;提出由路径优劣程度决定的信息素散播策略,并从几何原理出发,对规划路径进行优化处理,加快最优解的收敛速度.仿真结果验证了该算法的有效性和普遍应用性,在随机给定的环境地图中,该算法能够迅速规划出最优路径.     

基于改进隶属云模型蚁群算法的喷涂机器人喷枪轨迹组合优化

摘要： 针对复杂曲面分片后的喷枪轨迹组合优化问题,利用哈密尔顿图将其转化为广义开环旅行商问题(OTSP),采用“问题无关的进化算法与问题相关的局部搜索相结合”的策略,首先引入隶属云模型来自适应调节蚁群算法中控制的随机性,然后引入K-opt局部搜索策略的基于改进隶属云模型蚁群算法(MCMACA)对喷枪轨迹组合优化的OTSP问题进行求解.仿真结果表明,改进隶属云模型蚁群算法的全局搜索性和局部收敛性更佳,在复杂曲面上对喷涂机器人喷枪轨迹进行优化具有明显的优越性.
关键词： 组中图分类号：文献标志码： A     

一种基于分解的改进的多目标蚁群算法及其应用

提出一种基于分解的、改进的多目标蚁群算法。该算法首先利用Tchebycheff聚合方法将整个Pareto最优前沿的逼近问题分解为一定数量的单目标优化子问题,然后利用蚁群算法同时求解这些子问题。为使解集均匀分布在Pareto前沿,采用基于试探的聚类方法对解集聚类;依据解集的分布重置分解策略中的权重向量集,使其适配于特定的Pareto前沿;蚂蚁按照对应的权重距离被分组,同一组蚂蚁共享一个信息素矩阵,该矩阵容纳学习到Pareto前沿子区域的位置信息;每个蚂蚁求解一个子问题,每个蚂蚁拥有自己的启发式信息矩阵;每个蚂蚁拥有多个邻居,蚂蚁选取邻居中的最优解来更新当前解;蚂蚁依据小组信息素,当前解和启发式信息构建新的解。引入自适应变异算子,动态调整蚂蚁邻居的个数,提高算法的收敛速度和解的质量。将该算法与其他相关算法在标准的双旅行商问题进行性能对比,证明该算法有效。     

网络化制造模式下基于改进蚁群算法的供应链调度优化研究

为制定网络化制造（networked manufacturing,NM）模式下供应链合作成员间的动态调度策略,构建了由制造商、协同设计商以及客户组成的三层动态调度模型;在生产能力约束、多目标优化约束等制约因素下,采用时间函数、成本函数和延期惩罚函数三个目标函数对调度问题进行描述;使用改进蚁群算法（improved ant colony optimization algorithm,IM-ACO）,对调度路径可行解节点添加不同的信息素,并将信息素浓度约束在τ_min和τ_max之间,使得供应链客户个性化需求服务、运作时间、成本等综合收益达到最优. 实例仿真表明本文提出的动态调度优化算法求解具有较快的搜索速度、收敛性好,算法具有较好的稳定性;同时,也表明本文构建调度模型合理,可以为实际生产调度提供优化的策略.     

程序树层次化结构统计模型及MOSES改进算法

为提高MOSES效率,提出了一种新的程序树层次化结构统计模型.该模型通过统计分析同类群,自动发现子树特征来指导优化.该模型不需要hBOA算法那样对变量集合进行建模,也不需要像MRTS算法那样遍历小规模的种群来发现潜在的有指导意义的子树.通过解决人工蚂蚁问题对算法进行了测试,结果表明改进后的MOSES算法更加高效.