启发式强化学习机制的异构双种群蚁群算法

针对传统蚁群算法在解决TSP问题时易陷入局部最优、收敛速度较慢的问题,提出了一种基于启发式强化学习的异构双种群蚁群算法。蚁群分为主种群和子种群,主种群负责解的构建和信息素的更新,子种群则是在构建解的同时对主种群的解集进行替换。算法初期利用启发式算子自适应地控制两个种群的交流频率,通过偏离度系数控制解的交换方式。前期让子种群的最优解去替换主种群的随机解,增加解的多样性,同时引入强化学习机制对交流后主种群最优路径上的信息素进行自适应的奖赏,以增大最优公共路径以后被选择的概率。后期则控制子种群的最优解去替换主种群的最差解,强化最优路径上信息素的量,并对主种群最优路径上的信息素进行奖赏,进一步提高算法的收敛速度。实验仿真表明,算法能够有效地跳出局部最优,并且解的质量在大规模测试集上有明显的改善。

栅格环境下机器人导航路径的双种群蚁群规划

为了提高机器人在栅格环境下的路径规划质量和规划稳定性,提出了启发式信息素交流异构双种群蚁群算法的规划方法。对精英蚂蚁系统和蚁群系统两种算法进行了原理分析和优势分析;为了实现精英蚂蚁系统和蚁群系统的优势互补,以迭代过程中的路径偏离度为启发信息,使用启发式信息素交流的方式将精英蚂蚁系统和蚁群系统融合为异构双种群蚁群系统,将新算法命名为启发式信息素交流双种群蚁群算法(HEC-TPAC);使用标准TSP测试集对算法性能进行测试,HEC-TPAC算法规划的旅行商路径质量和稳定性优于蚁群系统和精英蚂蚁系统。将HEC-TPAC算法和蚁群系统同时应用于栅格环境下机器人路径规划,HEC-TPAC算法规划的路径明显短于蚁群系统,且路径长度方差明显小于蚁群系统,表明HEC-TPAC算法在栅格环境下的路径规划质量和规划稳定性优于蚁群系统。