基于量子蚁群算法的VRPTW研究

深入研究带时间窗的配送车辆路径问题,建立贴合实际情况的VRPTW模型,并且针对建立的模型,将量子计算的理念与方法融入蚁群算法,改进后的算法更加科学地初始化蚂蚁的位置,使蚂蚁有更大可能性地寻找到最优路径。在搜索的过程中添加量子比特启发式因子,使用局部信息素更新和全局信息素更新相结合的信息素更新方式,全局信息素更新添加了量子旋转门的新模式。并使用2-opt搜索对结果进行进一步的探索,扩大搜索的范围,增加了得到最优解的概率。使新建立的量子蚁群算法能够实现对模型更加高效的求解。     

联合势场与蚁群算法的机器人路径规划

针对全局静态环境下传统蚁群算路径规划时,易陷入局部最优、前期路径有效性差等问题,提出了基于改进人工势场局部搜索和改进蚁群算法全局搜索的机器人路径规划算法.在地图环境栅格化基础上,算法首先利用有效障碍物检测和临时中间目标点改进人工势场算法,以优化其死锁和欠优问题,通过改进人工势场优化蚁群算法的初始路径搜索,避免其早期的交叉等问题,同时构建与收敛相关的负反馈通道,调节全局与局部信息素的自适应更新,以平衡算法的收敛速度与全局搜索能力.简单环境与复杂环境的仿真实验结果表明,所提算法具有较好的全局搜索能力,收敛速度和搜索能力优于已有改进蚁群算法,验证了算法的有效性.     

基于改进蚁群算法的CVRP问题

为了能够更好地求解CVRP问题,对蚁群算法进行了一定程度的改进。改进后的算法更加科学地初始化蚂蚁的位置,使蚂蚁有更大可能性地寻找到最优路径。在搜索的过程中与禁忌搜索算法结合,添加新的参数负信息素来记忆已经访问过的客户。同时,使用局部信息素更新和全局信息素更新相结合的信息素更新方式,并且全局信息素更新添加了动态更新的新模式。使用2-opt搜索对结果进行进一步的探索,扩大搜索的范围,增加了得到最优解的概率。     

求解CVRP问题的一种改进启发式蚁群算法

针对蚁群算法求解CVRP问题时收敛速度慢、求解质量不高的缺点,提出了一种改进启发式蚁群算法。该算法借鉴蚁群系统和基于排列的蚂蚁系统的优点设计信息素更新策略,既加强了对每次迭代最好解的利用,又避免了陷入局部最优;按一定比例使用基本方法和基于PFIH方法构造路径,扩大了算法的搜索空间;采用一种混合局部搜索算子,增强了算法局部寻优能力。实验结果表明,改进启发式蚁群算法可以大幅度减少车辆运行成本,具有较快的收敛速度。     

多策略蚁群算法求解诱导维修路径规划

在诱导维修过程中,为了帮助维修者快速找到维修对象,提供高效安全的行走路径,需要对复杂的维修环境进行路径规划。传统的蚁群算法收敛速度慢、易陷入局部最优。为了提高寻优效率,对基本蚁群算法进行改进。提出了对α、β的自适应调整,改变信息素增量的更新方式,以及引入双向搜索策略,有效地提高了算法的收敛速度和全局搜索能力。仿真结果表明,改进的蚁群算法效率高,收敛速度快,能够为处在复杂维修环境中的维修人员提供高效的行进路线。     

求解面向进攻的武器-目标分配问题的蚁群算法

面向进攻的武器-目标分配问题是军事运筹学研究中的重要课题,旨在制定合理的打击策略以最大程度摧毁敌方目标。采用一种融合局部搜索和信息素控制的蚁群算法,兼顾控制解的局部收敛速度和全局收敛质量。在解的构造过程中直接处理约束条件,提高生成解的可行性,并大大缩小了搜索空间,提高了算法效率。通过采用多种算法对不同规模的武器-目标分配问题进行实验,结果表明改进的蚁群算法在收敛速度和求解质量上表现优异。     

改进蚁群算法求解多目标雷达干扰资源优化分配

蚁群算法是一种群智能优化算法,其理论来源于自然界中蚂蚁群的寻径行为。针对地对空多目标雷达干扰系统在实战中目标较多情况下的干扰资源分配问题,提出了一种基于蚁群算法的分配优化模型,为解决传统蚁群算法寻优速度慢,容易陷入局部最优解等缺点,在蚂蚁路径选择策略、信息素挥发、信息素更新和精英保留等方面提出相应改进策略,给出改进后算法的具体实现步骤,最后举出实际算例,通过仿真实验,证明了算法的优越性。     

机器人制孔自适应蚁群路径规划算法

随着现代飞机制造制孔技术的不断发展,对制孔效率、定位精度及加工质量提出更高的要求。采用CATIA软件建立飞机部件模型,提出自适应蚁群算法并应用于机器人制孔路径规划设计中。仿真实验表明,信息素挥发因子的大小对算法的全局搜索能力及收敛速度有直接影响,提出的自适应蚁群算法通过动态调整信息素挥发因子,充分改善了制孔方式的无目的性、生成的路径质量低等一些不足之处,从而实现机器人制孔路径规划的最优。     

火力分配多目标优化的IBACO算法

应用蚁群优化算法(Ant Colony Optimization)求解多目标优化问题已经引起广泛关注,多目标火力分配问题的目标是求出一个合适的武器目标分配方案,使满足决策需要。建立了多目标火力分配的数学模型,提出一种基于指标的蚁群优化算法Indicator-Based Ant Colony Optimization),给出了算法的具体步骤。IBACO的核心思想是利用二元性能指标来引导人工蚂蚁进行搜索,由于该算法中的信息素是根据指标的值来更新的,通过奖励信息素可以强化最优解。仿真实验证明了该算法的有效性,在解决火力分配问题上,所提算法和蚁群优化算法相比具有较好的收敛性。     

基于势场启发蚁群算法的远程水中兵器航路规划

针对航行误差较大的远程水中兵器航路规划问题，采用栅格化方法建立海洋环境模型，为使兵器在航行过程中能有效规避障碍并导向目标，提出一种人工势场力为启发因子的改进蚁群算法，利用该方法搜索远程水中兵器从起始点至目标点的最佳路径，算法解决了经典蚁群算法容易陷入局部最优及收敛速度慢的问题。仿真结果表明该规划算法虽有少量的路径损失，但可以有效避免由于误差引起的航行安全问题，是一种有效的远程水中兵器航路规划方法。     

针对应急救援路径规划的一种改进蚁群算法

针对不返回起始点、多个待救援点的应急救援路径规划问题,提出了一种应急救援路径规划的改进蚁群算法,设计了一种新的路径构造方法,为蚁群算法求解该类问题打下了基础。为提高收敛性,改进了信息素更新规则,构造了一种与蚁群算法有效结合的局部搜索算法,提高了算法快速寻优的能力。仿真结果表明:改进蚁群算法能够快速找到一条从救援中心到多个待救援点的优化路径,且收敛速度和最短路径较同类算法更优。     

基于分组优化改进粒子群算法的无人机三维路径规划

针对粒子群算法在解决三维路径规划问题中遇到的过早成熟、陷入局部最优等问题,借鉴鸡群算法中的分组优化策略,对粒子群算法中的粒子进行分组处理,并在小组粒子更新时采取模拟退火操作,提高了粒子群算法的局部搜索能力,有效避免了陷入局部最优和早熟的现象。利用MATLAB进行实验仿真,验证了使用鸡群分组优化策略和模拟退火操作改进后的粒子群算法在解决无人机三维路径规划问题上的可行性和有效性,实验结果表明,改进后的算法具有更强的局部搜索能力且规划的航迹稳定性更好。     

基于动态自适应蚁群算法的航线规划仿真

蚁群算法是一种新型的基于群体的仿生算法,其在解决飞机航线规划问题中已经获得了较为广泛的应用。在传统蚁群算法的基础上提出了一种动态自适应调整信息素蚁群算法的航线规划算法,即在航线点搜索过程中对信息素强度Q值进行动态自适应调整,并将三维地形、雷达威胁等因素结合到算法中。仿真结果表明,该改进算法能够有效解决扩大搜索空间和寻找最优解之间的矛盾,帮助飞行员更快地规划出一条最优航线,为更好完成作战任务奠定了良好的基础。     

基于改进粒子群算法的多机协同目标分配

针对多机协同空战目标分配的问题,提出了一种改进的粒子群算法,设计了新的粒子群位置和速度更新过程。充分利用粒子群算法的全局搜索能力以及利用贪婪策略的局部最优搜索能力进行混合搜索,显著地提高了搜索能力。仿真结果表明,改进的粒子群算法能够快速解决多机协同作战的目标分配问题,能够找到逼近全局最优点的解。     

基于改进精英蚁群算法的无人机三维航迹规划

针对三维地图中的无人机航迹规划问题,提出了一种基于改进精英蚁群算法的航迹规划算法.将算法中的状态转移策略与人工势场法进行融合设计,为障碍物和目标点分别设置斥力场和引力场,指导航迹搜索方向.添加约束条件限制,使航迹能实际可飞.随后当信息素更新时,设置双精英蚂蚁策略和混沌扰动,提高算法的全局搜索能力.引入视线算法减少航迹节...     

蚁群遗传融合算法在移动机器人路径规划中的应用

针对移动机器人路径规划的特点,把智能算法引入到机器人路径规划中。而单一蚁群算法和遗传算法,存在收敛速度慢、效率低或容易陷入局部最优等缺陷,对蚁群算法进行改进,提出一种改进蚁群遗传算法的融合方案,并把该方案应用到移动机器人路径规划中,在栅格环境下进行仿真测试,仿真结果表明该方案能有效提高最优路径的搜索效率,整体性能优于蚁群或遗传单一智能算法。     

指挥信息系统非线性最优化问题的混沌搜索解法

指挥信息系统进行辅助决策很多情况下是一个求解最优化问题的过程,指挥信息系统遇到的很多问题具有非线性,同时指挥信息系统对算法的适应性和收敛速度要求相当严格。对此,普通的优化技术只能求出局部最优解。基于混沌搜索技术的计算智能具有全局搜索能力强、算法简洁、计算量小、收敛速度快的特点,成为一种求解非线性最优化问题全局最优的有效方法。算例表明,当搜索次数达到一定数量时,混沌搜索方法可以保证算法收敛到全局最优解,且计算效率很高。     

基于多蚁群的无线传感器网络路由算法

无线传感器网络的快速发展,对于其路由协议有了更高的要求,关键是在节省能耗的情况下提高数据传输效率.提出了一种基于多蚁群无线传感器网络路由算法,采用多种群并行搜索,并在种群中采用基于目标函数值得启发式信息素分配策略和根据目标函数自动调整蚂蚁搜索路径,利用蚁群的分布式特点,通过有限寿命蚂蚁的协作在源节点与目的节点之间的运动获取主路径和备选路径,然后根据节点信息适时更新路由表.仿真结果显示MACRA降低了能耗,延长了网络寿命.     

一种改进的连续域蚁群算法

简要介绍了蚁群算法,并从解决连续域问题的角度分析了段海滨等提出的基于网格划分策略的连续域蚁群算法的基本原理,针对该算法的特点和存在的缺陷,提出了改进的办法:在前期用遗传算法快速生成初始信息素,再利用蚁群算法寻求精确解。最后通过对一个二维连续域函数优化仿真实验,证明了改进后蚁群算法的有效性。仿真实验结果证明:改进后的蚁群算法无论是时间性能还是优化性能都明显优于改进前的蚁群算法,克服了蚁群算法的缺陷,大大提高了算法的速度和求解效率,达到了时间性能和优化性能的双赢。     

基于混沌蚁群算法的云计算应用优化研究

以改进蚁群算法应用在云计算中的不足为目的,讨论了蚁群算法基本原理和云计算下应用的缺陷.提出一种适合云计算的混沌蚁群改进算法,该算法通过Logistic映射产生混沌量,根据混沌遍历性和有界性对蚁群算法初始路径进行混沌初始化,同时加入混沌扰动调整算法信息素更新策略,改进了蚁群算法收敛速度慢和易陷入局部最优的缺点.最后通过CloudSim搭建仿真云环境并进行算法调度实验,通过横向对比标准蚁群算法和Dijkstra算法,证明混沌蚁群算法在执行效率和相对标准差等方面优于其他算法,更加适合于云计算环境.