基于改进人工鱼群算法求解旅行商问题及多点路径规划

为了解决传统人工鱼群算法在求解旅行商问题时遇到寻优精度低、算法收敛慢、易于落入局部最优解等问题,提出了一种融合交叉变异的改进人工鱼群算法。首先,通过在鱼群迭代求解过程中加入交叉变异操作,增强种群的多样性方式,提高算法在全局搜索中寻找更优解的能力;其次,引入自适应的人工鱼群策略,动态调整视野距离与拥挤度因子,从而改善算法的局部探索能力与收敛速度;最后,在MATLAB环境下使用TSPLIB数据集进行仿真验证。结果表明,改进后的人工鱼群算法在收敛速度和寻优精度方面较传统方法有显著提升,跳出局部最优解的能力得到增强,路径规划结果更接近最优解;最后,进一步对经典旅行商问题模型的地图维度和路径进行改进,最终实现本文改进算法在三维多点覆盖路径规划上的应用。

基于混合人工蜂群算法和A^(*)算法的求解旅行商问题算法

针对旅行商问题(travel salesman problem,TSP),基于群智能优化算法的人工蜂群算法(artificial bee colony,ABC)可以较为有效地解决并规划出一条合理的路线。ABC算法的优点在于将优化求解的过程转化为模仿蜂群采蜜的仿生行为,容易求得可行解。但是该算法依然存在着种群数量过多、速度较慢的缺点。分析了ABC算法的模型并对更新策略进行了改进,在ABC算法得到初始解的路径点后再使用A-star算法进行优化,通过将两种算法组合的方式进行改进。实验证明在解决TSP的路径规划中,整体的路径表现更优,且减少了冗杂的迭代更新,提升了算法的效果。

基于多策略混合人工鱼群算法的移动机器人路径规划

针对移动机器人的路径规划问题,提出了一种基于多策略混合人工鱼群算法的路径规划方法(MH-AFSA).为了提高传统人工鱼群算法(AFSA)的收敛速度和全局搜索能力,引入多策略混合机制,利用加权平均距离策略,扩大了人工鱼的视野范围.采用对数函数作为步长的移动因子,克服了传统固定步长的缺陷.进一步利用高斯变异策略扩大了种群的多样性.通过经典函数优化和旅行商问题(TSP)测试了算法的性能.最后,建立移动机器人的环境模型,给出了基于多策略混合人工鱼群算法的移动机器人路径规划步骤.通过数值仿真说明了所提算法的优越性和有效性.

一种求解TSP的加权平均距离人工鱼群算法

在传统人工鱼群算法的基础上,提出了一种加权平均距离人工鱼群算法(WAD-AFSA)。该算法对人工鱼群觅食行为的视野进行改进,引入一种加权平均距离策略,有效地提高了算法的收敛速度。数值仿真结果表明,与传统的人工鱼群算法相比,WAD-AFSA在标准函数测试和旅行商问题(TSP)中的优化效果更好,收敛速度更快。