改进粒子群算法在移动机器人路径规划中的应用

针对机器人路径规划的复杂性和粒子群算法搜索后期易陷入停滞的缺陷,把差分进化算法引入到粒子群算法中,提出了改进粒子群算法的移动机器人路径规划方案。当粒子群算法出现停滞时,通过引入差分进化算法来动态调整变异概率和缩放因子,增加种群中个体的多样性,扩大算法的搜索范围,避免局部最优路径的产生。通过仿真实验,验证了所提方案的有效性和可行性。     

基于DE-Q学习算法的移动机器人路径规划

针对使用Q学习算法对移动机器人进行路径规划时存在收敛速度较慢的问题,提出了一种基于Q学习的改进算法来选择全局路径规划的最优方案。通过方向奖惩机制与估价函数改进Q学习算法的奖励机制,提高Q学习算法的收敛效率。最后使用MATLAB对改进的Q学习算法进行了仿真实验,实验结果表明,通过设置方向奖惩机制和估价函数可以加速Q学习算法的收敛。     

基于蚁群算法的装备保障路径规划模型

现代战争中装备保障路径规划中路径网络节点多和要优化的制约因素等问题成为装备保障仿真的难点,传统的蚁群算法寻找最优解,往往找不到满意的解。为了提高寻优效率,尽量减少装备保障中待保障装备战斗力恢复等待总时间,对基本蚁群算法进行改进。首先建立装备保障路径规划模型,然后基于基本蚁群算法,重新设计了启发信息的计算方法和信息素的更新函数,对路径节点的选择方法进行改进,最后通过一个具体的装备保障路径规划问题对传统的和改进的算法进行算例分析。计算结果表明,所采用的改进的蚁群算法可以更好地解决装备保障路径规划问题,有效减少待保障装备恢复战斗力之前等待的时间和保障分队经过的总路程。     

蚁群算法的路径规划改进策略

研究了潜艇路径规划问题,基于遗传算法变异策略,提出了针对蚁群算法路径规划问题的改进策略,分别以威胁概率和路径长度作为代价指标构建了仿真分析。仿真结果表明,改进的算法从算法收敛速度和收敛性较改进之前更具优势,研究成果可为潜艇路径规划问题提供解决方法和途径。     

基于改进蚁群算法的战时不确定性路径规划模型求解

战时路径规划的不确定性包括参数、约束条件和决策目标等的不确定性。以基本蚁群算法为基础，结合随机模拟和模糊模拟技术，提出了一种改进蚁群算法来求解战时不确定性路径规划问题，并通过仿真示例与其他算法进行了比较。结果表明：该算法求解效率更高，求解过程更为直观，能够满足战时不确定性路径规划问题的研究。     

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。     

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.     

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。     

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。     

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.     

混合蚁群遗传算法的树枝型铁路取送车问题优化

针对树枝型部队后勤货运铁路专用线的特点,建立了树枝型专用线取送车模型,提出了一种混合蚁群遗传算法,对取送车作业进行优化。该算法融合了蚁群算法和遗传算法的特点,对蚁群算法进行改进,提高了蚁群算法的收敛速度。同时在遗传算法的交叉操作前,参考蚁群算法产生的种群,提高了遗传算法的求解精度。实验仿真结果证明,该方法能有效地优化铁路取送车作业问题。     

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。     

改进蚁群算法在DSR路由协议中的应用

针对移动Ad hoc网络节点移动频繁和单路径DSR路由协议不能均衡负载、网络健壮性低以及蚁群算法存在局部查询最优的问题,提出一种改进的蚁群算法,并把改进的蚁群算法应用到单路径路由协议DSR,设计出基于蚁群算法的多路径路由协议IDSR,通过仿真实验,从影响Ad hoc网络路由协议性能优劣的3个主要指标来比较IDSR、DSR路由协议和SMR路由协议的性能,实验结果表明,虽然改进协议IDSR路由开销比DSR、SMR稍有增加,但分组的投递率和平均端到端延时性能都有明显提高。     

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。     

基于改进蚁群算法的云计算任务调度研究

把改进的蚁群算法应用到云计算任务调度中,通过将任务在虚拟机上的一次分配作为蚂蚁的一次成功搜索,实现了虚拟机的负载均衡和调度时间的优化,提高云计算资源分配的效率。通过在Cloud Sim平台下进行仿真测试,结果显示,改进蚁群算法在负载均衡性能和总的任务调度时间方面均优于基本的蚁群算法。     

基于优化蚁群算法的装备调拨决策系统研究与设计

将蚁群算法和遗传算法应用于装备调拨决策系统,实现了装备调拨决策信息的生成.同时利用遗传算法对蚁群算法的参数进行了优化,实验证明优化后的蚁群算法在平均路径长度、算法平均执行时间和总执行时间上较传统蚁群算法都有一定程度的改进.     

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。     

战时侦察车最优路径规划算法

针对侦察车路径优化同题,提出了一种改进的遗传算法,基于该算法设计了一种在战时情况下能使侦察车快速、安全、高效地进入侦察阵地的最优路径算法,并编制了侦察车路径优化软件,为战时侦察车最优路径规划同题提供了一种解决方法.     

调运问题中基于栅格模型的快速路径规划方法

针对调运路径规划这一问题,采用栅格模型表示环境地图,通过设定路径搜索方向权重,剔除不必要的搜索区域,提高了搜索效率.仿真结果表明,该算法能有效地提高路径搜索效率,并能搜索到最优路径.     

遗传算法的泛函极值求解与应用

路径规划可以描述为泛函极值模型.针对传统的变分法、最大值原理等求解泛函目标函数类型有限的局限性,考虑遗传算法在解空间中进行随机优化搜索的特点,引入遗传算法对泛函极值问题进行求解,给出了求解过程.该方法具有广泛适应性,数值仿真结果表明了该算法的有效性和合理性.最后得到了飞行器飞行的最优控制规律和最优路径.