基于信息素差异分布策略的路径规划蚁群改进算法

针对传统蚁群算法用于移动机器人路径规划时存在初期盲目性搜索、收敛速度慢以及容易陷入局部最优的问题,提出一种蚁群改进算法。首先根据各节点相对于起始点和目标点连线之间的距离,对初始信息素不平均分配,使其呈正态分布,降低算法搜索初期的盲目性,加快最优解的搜索;其次改进挥发因子,采用双挥发因子原则,控制信息素的挥发,既降低局部最优的可能,又能加快收敛速度;对冗余路径作进一步优化处理,使得路径更优。仿真结果表明,本文蚁群改进算法相对比传统蚁群算法以及其他蚁群改进算法收敛速度更快,收敛性更稳定。

信息素修改策略求解固定货架动态拣选问题的研究

提出并讨论了蚂蚁算法中通过信息素修改策略求解固定货架货位点插入/删除变动问题的两种方案。一种方案是不考虑其插入/删除货位点的位置,在货位点变动后进行信息素全局更新,另一种方案是信息素的局部更新,充分考虑了其插入/删除货位点的位置。实验仿真结果对比评价了不同参数的设定对于两种策略求解过程和结果的影响。

基于改进蚁群算法的新型AVC策略

针对局部电网负荷特性变化导致电压波动幅度大、控制成本高等问题,提出一种基于改进蚁群算法的AVC策略。该策略基于无功补偿量、有功功率损耗、电压波动范围、电压控制成本和传输距离构建改进多目标函数,提高其综合寻优能力;通过信息素挥发量与时间的关系引入信息素挥发系数公式,并优化信息素浓度调整策略,减少模型运行时间。基于IEEE-33节点系统进行仿真,结果表明:所提改进蚁群算法将各节点电压稳定在0.98~1.02 pu范围内,相比现有方法电压偏差缩小5%左右,模型运行平均时长提高了38.58%左右;该新型AVC策略具有更好的电压控制精度和速度,可以适应实时控制要求,有效改善配电网电压水平。

融合遗传算法与蚁群算法的机器人路径规划

针对传统蚁群算法在全局静态环境下,搜寻一条由起点到终点的最优路径时,初始信息素缺乏、易陷入局部最优且收敛速度差的问题,提出一种遗传算法和蚁群算法结合求解路径规划问题的方法。首先,利用栅格法建立机器人行走环境模型;其次,为解决蚁群算法初始信息素缺乏的问题,对遗传算法每次迭代得到的种群根据适应度进行排序,利用截断选择,选取种群前50%的较优个体,利用初始信息素产生规则来设置蚁群算法所需的初始信息素;设计控制策略,控制遗传算法向蚁群算法的转换时间;最后,利用蚁群算法搜索路径,根据信息素更新策略更新信息素,采用简化操作优化路径,使得路径更平滑且距离更短。仿真结果表明,该算法在增强全局搜索能力以及加快收敛速度方面有较好的改善。

基于蚁群算法的单克隆菌落挑选仪路径规划

单克隆菌落挑选仪是集光学成像、图像识别和自动控制等技术于一身,应用于生物工程领域的一种高端仪器。对12×8阵列挑选针和无序排列的菌落目标,只有对挑选路径和顺序进行优化,才能有效提高挑选通量。针对这一需求,利用蚁群算法的基本原理,对单克隆菌落挑选仪挑选路径进行了优化。仿真实验结果表明,该算法可以有效提高挑选效率。

An adaptive ant colony system algorithm for continuous-space optimization problems

Ant colony algorithms comprise a novel category of evolutionary computation methods for optimization problems, especially for sequencing-type combinatorial optimization problems. An adaptive ant colony algorithm is proposed in this paper to tackle continuous-space optimization problems, using a new objective-function-based heuristic pheromone assignment approach for pheromone update to filtrate solution candidates.Global optimal solutions can be reached more rapidly by self-adjusting the path searching behaviors of the ants according to objective values. The performance of the proposed algorithm is compared with a basic ant colony algorithm and a Square Quadratic Programming approach in solving two benchmark problems with multiple extremes. The results indicated that the efficiency and reliability of the proposed algorithm were greatly improved.