基于启发式函数的多叉树防碰撞算法

为克服传统二叉树防碰撞算法搜索效率低的缺点,提出了一种基于启发式函数的自适应多叉树防碰撞算法。新算法通过定义和计算启发式函数,有效地利用碰撞比特信息来估计节点内待识别标签的数量。新算法根据节点内的标签数量,可在不同节点和深度,自适应地调整搜索叉数,从而有效地提高了算法的搜索效率。理论分析和仿真实验证明:新算法克服了传统防碰撞算法的缺点,尤其在待识别标签数量较多场合,可有效地减少搜索和识别时间,提高射频识别系统的吞吐率。

基于启发式函数蚁群算法的VRP优化研究

车辆路径问题是一个NP难题,蚁群算法是求解诸如车辆路径安排等组合优化问题的有效工具,为此利用启发式函数对传统的蚁群算法进行改进和优化。并通过实例对该方法进行检验,其结果显示,启发式函数蚁群算法的性能,优于传统的蚁群算法。

基于启发式函数的分布式FN算法

对复杂网络进行社团挖掘和分析是很多领域和学科的重要问题,结合海量数据通联矩阵稀疏的特点,提出了一种基于启发式函数合并的快速社团挖掘算法KFN算法,并建立了算法的MapReduce模型.通过对DBLP论文合著网络数据集进行挖掘可知,分布式模型和基于启发式函数的合并策略能够提高社团挖掘的时间效率.

基于多次采样启发式策略的改进RRT路径规划算法

在路径规划领域,快速探索随机树(RRT)算法是机械臂解决复杂环境中的路径规划问题的重要工具,然而其纯随机的采样环节导致大量的无效或低效尝试,浪费了计算资源;为解决此问题,提出一种基于多次采样启发式策略的改进RRT算法(MH-RRT);利用启发式函数评估多个采样点的代价值,选择代价值最低的采样点,引导路径树更快地向目标点生长;将启发式函数策略类似地有效改进了RRT*算法和双向RRT*算法;深入探讨不同参数对改进算法性能的影响,并确定最优参数组合;实验结果表明,改进算法在路径搜索时间、路径长度以及采样点数量等方面均能取得显著提升,提高了路径规划的有效性。

结合启发式函数的随机运动规划方法

为有效解决位姿空间中存在狭窄通道的运动规划问题,提出一种结合启发式函数的随机运动规划方法。建立了人工势场函数,沿势场等势线方向的启发式函数避免了局部极小值问题。启发式函数与随机规划方法结合,能够引导机器人避过障碍物快速朝目标点运动。人工势场在局部极大值和最速下降方向方面的特殊性质进一步优化了算法。平面内机器人运动规划的实验表明,与原有单纯随机规划方法相比,这种结合启发式函数的随机运动规划方法在狭窄通道规划问题上性能有明显提高。

基于交通禁则与道路等级因子的路径规划启发式函数

针对城市路网中存在的交通禁则问题和道路等级划分的实际情况,以A*算法为基础,提出一种新的估价函数.该函数引入自定义的道路等级因子作为参数,并将自定义权值的加权欧氏距离作为启发函数进行计算.分别针对引入道路等级因子前后及是否有交通禁则的情形进行实验,结果表明,该函数满足实际要求并优于A*算法,具有较好的实际应用效果.

一种基于启发式奖赏函数的分层强化学习方法

针对强化学习在应用中经常出现的"维数灾"问题,即状态空间的大小随着特征数量的增加而发生指数级的增长,以及收敛速度过慢的问题,提出了一种基于启发式奖赏函数的分层强化学习方法.该方法不仅能够大幅度减少环境状态空间,还能加快学习的收敛速度.将此算法应用到俄罗斯方块的仿真平台中,通过对实验中的参数进行设置及对算法性能进行分析,结果表明:采用启发式奖赏函数的分层强化学习方法能在一定程度上解决"维数灾"问题,并具有很好的收敛速度.

运用启发式能量函数观点的无功裕度估算

该文利用启发式能量函数思想,分别构建2母线系统、多母线系统的能量函数模型。在此基础上,通过引入优化乘子的保留非线性潮流法(preserving nonlinear flow algorithm,PNFA)计算得到的系统各负荷节点临界电压来求取其补偿前后的临界能量值,然后根据各临界能量值得到补偿前后系统的无功裕度,并分析电容器并联补偿对系统电压稳定的影响及补偿前后无功负荷比例增长时各节点电压相角、负荷节点需耗能量值的变化趋势。对2母线系统、IEEE30母线系统的仿真结果与通过连续潮流的计算结果的对比验证该思路的正确性和可行性。

强化学习算法中启发式回报函数的设计及其收敛性分析

(中国科学院沈阳自动化所机器人学重点实验室沈阳110016)

计算机人工智能启发式搜索函数分析

计算机人工智能是一种发展前景较广,潜力较大的计算机发展形式。研究人员对计算机人工智能启发式搜索函数进行研究已有很长一段时间。本文中,笔者主要从人工智能启发式搜索函数的含义和启发式搜索函数的典型类型等方面进行分析和探究,仅供参考。

基于启发式的快速扩展随机树路径规划算法

针对基于随机采样的路径规划缺乏确定性的问题,提出一种具有启发式的多自由度机器人路径规划算法。该算法在快速扩展随机树算法的基础上,引入了启发式估价函数,使扩展随机树有利于朝目标点方向进行生长。仿真结果表明。提高了复杂环境下机器人路径规划的效率,保证了规划的路径接近于最短路径,对同一任务的规划具有一定的可重复性。

基于启发式搜索策略的测试选择问题研究

测试选择是测试性设计的最基本步骤之一,本文通过对其数学模型的研究,构造了衡量测试集优劣程度的启发式函数,并由此实现了一种用于测试选择的遗传搜索算法。实例验证表明了该启发式函数的有效性,为测试性设计提供了一个简单有效的方法。

基于改进蚁群算法的分布式多机器人协同路径规划

针对多机器人协同路径规划问题,提出了一种基于改进蚁群算法的分布式多机器人协同的路径规划方法,将多机器人路径规划问题分为两个阶段解决.在路径规划阶段改进传统的蚁群算法,通过几何法对蚁群算法的初始信息素进行差异化设计,改变初始信息素分布方式,加快蚁群算法收敛速度;设计了一种以起始点和目标点为导向的启发式函数,解决了蚁群在寻优过程中迂回锁死的情况;改进信息素更新方式加快后期信息素积累过程,提高整个算法路径规划的收敛速度.在协同避碰阶段,设计协同避碰规则解决各机器人之间的相互碰撞,以找到较优或者最优的路径组合.仿真结果表明:所改进的蚁群算法在解决单机器人路径规划问题时的优越性和所提多机器人路径规划方法的可行性、有效性.

基于启发式强化学习的AGV路径规划

针对传统算法、智能算法与强化学习算法在自动引导小车(automated guided vehicle,AGV)路径规划中收敛速度慢、学习效率低的问题,提出一种启发式强化学习算法,并针对传统Q(λ)算法,设计启发式奖励函数和启发式动作选择策略,以此强化智能体对优质行为的探索,提高算法学习效率.通过仿真对比实验,验证了基于改进Q(λ)启发式强化学习算法在探索次数、规划时间、路径长度与路径转角上都具有一定的优势.

基于启发式Q学习的FANET可信路由算法

无人机自组织网络(FANET)是实现无人机自主集群的关键技术,其通过各无人机节点来完成协同通信。但节点的高机动性、网络结构的开放性造成FANET拓扑变化频繁,容易遭受恶意攻击。为此,提出一种基于启发式Q学习的可信路由算法HQTR。将FANET中的路由选择问题映射为有限马尔科夫决策过程,针对路由层面的黑洞攻击与泛洪攻击,引入数据包转发率与路由请求发送速率,通过模糊推理计算节点的信任值,同时考虑节点的邻居关系,提出一种模糊动态信任奖励机制。结合单跳链路状况设计启发式函数,采用改进的ε-贪婪策略来平衡利用-探索过程,引导当前节点选择最优可信下一跳节点。仿真结果表明,相对AOMDV、TEAOMDV与ESRQ算法,HQTR算法能够有效应对黑洞攻击与RREQ泛洪攻击,降低节点高速运动与网络规模变化所造成的影响,提高数据包投递率与吞吐量,减少路由开销与平均端到端时延。

一种启发式数据分发网格任务调度算法

针对单优先级数据分发任务调度算法存在的缺陷,依据网格任务分发服务质量(QoS)效益函数理论,运用加权法将网格系统的性能指标转化为加权效益和函数,将加权效益和函数作为启发式函数,设计了一种基于效益函数的任务调度算法对数据分发任务进行调度,并进行仿真实验。结果表明,该算法弥补了只考虑单优先级数据分发任务调度算法的缺陷,具有一定的实用性。

基于BPR函数的路阻函数研究

为准确描述大连市道路交通阻抗,在美国BPR函数的基础上,引入影响车流通行时间的交叉口密度、道路限速、公交站点密度、饱和度等主要因素,建立了启发式道路阻抗函数.通过对大连市主干路的实证研究,利用非线性回归的方法标定了启发式路阻函数,并同美国BPR函数、重新标定BPR函数相互进行了比较.结果显示,启发式BPR函数更能准确地反映道路的车流行驶速度.

多模式系统的测试顺序优化

研究了多模式系统的测试顺序优化问题。基于不同模式下测试与故障之间的依赖关系,结合系统故障的先验概率、可用测试的成本以及不同模式的转换费用,构造了该问题的数学描述模型。基于已有的搜索算法提出了一种准多步前向搜索算法,该算法以信息增益为启发策略,可自动获取平均测试费用最少、且能快速实现系统故障检测与隔离的优化测试顺序。最后实例验证了该算法的正确性,证明该算法可解决实际问题。

基于启发信息并行求解无环K最短路径

引入适用于非负权图的启发函数评估潜在偏离节点的代价,优先产生代价低的节点对应的候选路径;在迭代计算过程中,当候选偏离节点的代价大于候选路径中K条路径长度时,结束本次候选偏离路径计算,从而避免产生大量无用的候选路径;采用压缩邻接链表、组合数组优化图和路径在GPU储存器中的存储,采取顶点并行和边并行方法将比较耗时的删除和恢复节点操作并行化,以及并行化Dijkstra算法,在CUDA平台上设计实现GPU并行求解无环K最短路径算法P_AStart Yen.实验结果表明,P_AStart Yen比同类的GPU并行算法P_Yen平均加速7.30倍、最高加速14.38倍,比串行算法NIYA平均加速349.19倍、最高加速615.03倍.

一种面向认知地图的全局路径规划方法

类脑导航是一种受生物大脑空间导航神经机制启发的仿生智能导航技术。在经典的类脑导航系统RatSLAM中,认知地图以拓扑结构形式存在,物体之间的关系通过欧几里得坐标来组织。然而,RatSLAM系统在使用Dijkstra算法进行全局路径规划时存在需要遍历全部节点的问题。因此,文章提出了改进的A*算法,通过模仿哺乳动物大脑中的栅格细胞矢量导航,可以有效利用认知地图中的欧几里得坐标,提升了路径规划效率。改进的A*算法首先利用欧几里得启发函数有选择地搜索节点。其次,对实际代价和估计代价进行了归一化,以平衡两者对搜索结果的影响,旨在解决算法的局部最优问题。在仿真环境和公开数据集上进行的实验表明,在保证最优路径的前提下,改进的A*算法显著减少了路径规划所需的时间。