初始信息素筛选的蚁群优化算法在HDFS副本选择中的研究

随着社会信息化程度的不断提高,各种形式的数据急剧膨胀。HDFS成为解决海量数据存储问题的一个分布式文件系统,而副本技术是云存储系统的关键。提出了一种基于初始信息素筛选的蚁群优化算法(Init Ph_ACO)的副本选择策略,通过将遗传算法(GA)与蚁群优化算法(ACO)算法相结合,将它们进行动态衔接。提出基于初始信息素筛选的ACO算法,既克服了ACO算法初始搜索速度慢,又充分利用GA的快速随机全局搜索能力。利用云计算仿真工具Cloud Sim来验证此策略的效果,结果表明:Init Ph_ACO策略在作业执行时间、副本读取响应时间和副本负载均衡性三个方面的性能均优于基于ACO算法的副本选择策略和基于GA的副本选择策略。

基于初始信息素和二次挥发的改进蚁群算法

针对蚁群算法在最优路径的选取和收敛速度方面的缺陷,提出了通过初始信息素分布和挥发信息素改进蚁群算法的新方法.首先初始信息素并根据全局路径重新设定,使得算法前期不再盲目搜索路径,进而加快算法的收敛速度;然后对信息素进行二次挥发以提高算法精度及后期收敛能力.最后通过典型的TSP实例检验改进前后的蚁群算法.仿真结果表明,改进的蚁群算法能够加快算法的收敛速度,提高算法的精准度.

基于改进初始信息素和公共路径的蚁群算法

针对基本蚁群算法收敛速度慢、容易陷入局部最优等问题,提出了一种基于对初始信息素的分布进行优化以及加强对较优解的公共路径进行利用的改进蚁群算法。改进后的算法加强了蚂蚁从其所在城市到下一步最大可选城市之间的路径上的初始信息素浓度,增强了算法对较长子路径的探索能力。对较优解的公共路径的利用则提高了改进算法的收敛速度和搜索精度。通过求解不同规模TSP(旅行商问题)并与ACS(蚁群系统)算法的对比,证明了改进蚁群算法的有效性。

基于信息素初始分配和动态更新的蚁群算法

针对蚁群算法搜索初期收敛速度慢和容易陷入局部最优的问题,对蚁群算法进行改进。在初始化阶段,采用贪心策略构造次优路径并增加该路径上的信息素浓度,实现不同路径上信息素的初始分配,使信息素在搜索初期就能发挥指导性作用,让蚂蚁更快地趋向于最优解的附近;在迭代寻优过程中,引入遗传变异操作,对每次迭代后的最优路径作变异操作,尝试寻找一条更优的路径,并用找到的更优路径自适应调整信息素增量;当算法不可避免地陷入局部最优时,运用信息素回滚策略,根据回滚次数动态调整挥发因子,加强搜索能力,使算法更容易跳出局部最优。仿真实验结果表明,改进算法能有效地加快收敛速度和增强跳出局部最优的能力。

动态环境下机器人路径的新型启发蚁群规划

为了实现机器人在动态环境下沿最优路径安全行驶,提出了基于新型启发蚁群算法的路径规划和避撞策略。建立了机器人工作环境的栅格模型,给出了路径质量评价标准。基于蚁群算法,引入了信息素浓度的梯度初始化方法,有效提高了算法前期搜索效率;给出了一种用于平滑路径的新型启发信息,提出了新型启发蚁群算法并用于全局路径规划。在设定场景下,给定了障碍物检测方法与正面避撞、侧面避撞策略。经仿真验证,新型启发蚁群算法规划路径长度短、收敛次数少、平滑性好,且避撞策略可以有效躲避障碍物,保证机器人安全行驶。

自由运动方向下改进蚁群算法的AUV路径规划

针对水下航行器(AUV)因在水下的运动姿态调整能力有限,而导致路径规划与实际运行状况存在差距的问题,提出了一种自由运动方向的蚁群算法来进行路径规划,同时为提高算法收敛速度,提出基于信息素初始布置的改进蚁群算法。该算法设置了AUV在水下合理的转向角,并在此限制下自由选择运动方向;同时,采用有利前进方向判断和可视图法对人工势场法进行改进,规划出初始路径为改进蚁群算法进行信息素初始布置。仿真结果表明:改进的蚁群算法能有效缩短路径长度,并且能够适应复杂的动态环境。

双层蚁群优化算法的舰船应急物流路径规划方法研究

路径规划对舰船应急物流配送具有十分重要的意义,当前蚁群优化算法存在初始信息素少,无法得到最优的舰船应急物流路径规划的缺陷。为了高效、准确对舰船应急物流路径规划问题进行求解,提出了基于双层蚁群优化算法的舰船应急物流路径规划方法。首先分析当前舰船应急物流路径规划研究现状,并建立舰船应急物流路径规划模型,然后采用粒子群算法快速找到舰船应急物流路径可行解集合,将其作为蚂蚁的初始信息,最后根据初始信息对舰船应急物流最优路径进行搜索,并进行了舰船应急物流路径规划仿真测试。双层蚁群优优化算法可以对舰船应急物流路径规划问题进行精准求解,克服了当前舰船应急物流路径规划方法的缺陷,而且舰船应急物流路径规划问题求解效率更高。

基于改进蚁群算法的云计算任务调度研究

为了找到最优的云计算任务调度方案,减少任务的完成时间,提出了基于改进蚁群算法的云计算任务调度算法。首先建立云计算任务调度的目标函数,然后采用蚁群算法模拟蚂蚁搜索食物过程对目标函数进行求解,并引入局部、全局信息深度更新方式进行改进,加快搜索速度,最后在CloudSim仿真平台进行性能测试实验.结果表明,改进蚁群算法不仅大幅度减少了云计算任务执行时间,而且解决了资源负载不均衡难题,很好地实现了云计算任务的最优调度.

基于人工鱼群-蚁群算法的UUV三维全局路径规划

针对水下无人航行器在三维环境下的全局路径规划问题,从优化初始信息素分布和转移概率角度,对人工鱼群和蚁群的融合算法进行了深入研究。融合算法中,对人工鱼群算法的状态表达式和移动步长进行了改进;对蚁群算法的启发值、信息素等进行优化设计;借鉴拥挤度因子思想,改进传统蚁群算法转移概率,提升算法的全局寻优能力。在对实际海洋环境数据进行栅格法建模的基础上,以路径长度为衡量指标,利用MATLAB软件进行算法的仿真验证。实验结果表明融合算法的初期收敛速度较快,最佳适应度值和算法耗时均得到改善,算法的有效性得以验证。

改进蚁群算法在AGV路径规划上的研究

针对蚁群算法应用于路径规划过程中存在算法收敛速度慢、易陷入局部最优等缺陷,提出一种适用于AGV路径规划的改进蚁群算法。根据距离在栅格地图上差异化分布初始信息素浓度,避免蚁群前期进行盲目搜索,加快算法收敛速度;综合当前栅格与待选栅格之间的距离以及待选栅格与目标栅格之间的距离改进启发式函数,增加蚁群寻路方向性;引入动态启发因子,避免算法发生“早熟”现象以及陷入局部最优;对每个栅格的邻近栅格进行方向标号,增加最优路径与障碍物之间的距离,增强最优路径的安全性,同时避免“死角”现象发生,提升算法的鲁棒性。实验仿真结果表明,在相同环境下,改进算法在AGV路径规划中搜索效率和迭代稳定性方面均优于其它算法。

基于改进混沌蚁群算法的无人机航路规划

针对蚁群算法在无人机航路规划中易出现局部极值、收敛效率低的缺陷,设计了一种基于改进混沌蚁群算法的无人机航路规划方法。该方法利用混沌优化机制初始化蚁群的信息素,采用变尺度混沌局部再搜索机制和信息素挥发因子的自适应更新策略,增强了算法的全局寻优能力和搜索效率,并在启发函数中添加目标指标,增强其搜索方向性。仿真结果表明,该方法与基于蚁群算法的航路规划方法相比,在规划航路时能跳出局部最优解,且收敛速度显著提高,更好地实现了航路优化。

蚁群算法在求解旅行商问题中的改进

蚁群算法是一种启发式优化算法,在求解旅行商问题等多种组合优化问题上有着优越性。但基本蚁群算法收敛速度慢,易于陷入局部最优解,导致停滞现象出现。针对算法的这些缺点,提出给各条边赋予不同的信息素初始量以加强算法初期信息素的作用,缩小算法的搜索范围;并在进行全局信息素更新时,对到目前为止的最优解、最差解和普通解采用不同的更新策略。实验结果表明,改进的蚁群算法在实验环境下,解决旅行商问题时的性能较基本蚁群算法有较好的表现。