地下水中VOC挥发因子模型的研究

建立了一个计算地下水中挥发性有机物(VOC)挥发因子的模型.选用半挥发性的1,2,4-三氯苯和挥发性的四氯乙烯为VOC的代表,分别计算了非饱和区土壤为砂土和粘土时的挥发因子.结果表明:蒸发使VOC的挥发因子增大,而下渗则使VOC的挥发因子减小;不论VOC的挥发性强弱,蒸发(下渗)对挥发因子的影响均比较明显;蒸发情况下,非饱和区土壤性质对挥发因子的影响不明显,而下渗情况下,非饱和区土壤性质对挥发因子的影响则趋于明显;此外,当非饱和区土壤为粘土时,VOC的挥发因子受蒸发(下渗)的影响更明显.

基于信息素更新和挥发因子调整的改进蚁群算法

为了改进基本蚁群算法容易导致算法停滞、陷入局部最优解和收敛速度较慢的问题,提出一种改进的蚁群算法,主要是将信息素局部更新和全局更新结合,增加各路径的被选择机会,避免算法停滞;另外,由于信息素挥发因子ρ的大小直接关系到算法的全局搜索能力和收敛速度,提出在算法的初期、中期和后期分别设置不同的ρ,以此增加算法的全局搜索能力,又能在一定程度上加快算法的收敛.改进算法的性能在Oliver 30和att 48问题上得到验证,本方法与基本蚁群算法相比要更优,收敛速度更快,体现了此种改进的有效性.

挥发因子模型在土壤采样及场地风险评估与管控中的应用初探

为探究挥发因子模型在土壤污染风险评估、土壤样品采集和污染场地风险管控中的应用,首先回顾了挥发因子模型的推导过程、识别了挥发因子的主要影响参数;在此基础上讨论土壤采样过程中挥发因子、土壤暴露时间、挥发损失量三者的相互关系,推导风险管控中所需覆土厚度的计算公式;最后以实际污染物进行验算。研究结果显示,污染物有效扩散系数对挥发因子有较大的影响;挥发性和半挥发性污染物有效扩散系数分布范围有重叠,参考剂量分配比例的选择仅考虑沸点和饱和蒸汽压可能会低估风险;土壤采样过程中污染物的扩散损失量、有机污染物风险管控过程中所需覆土厚度均与挥发因子呈正相关。因此,在土壤污染调查、风险评估及污染场地风险管控等工作中,参考剂量分配比例选择、土壤取样时间和取样直径、风险管控所需覆土厚度等参数的计算和确定,需要充分考虑挥发因子的影响。

基于氨挥发因子方法的中国农田氨排放量估算

农田是氨的主要排放源,估算农田的氨挥发量可以明确其潜在的生态环境风险,为制定农田氨减排策略提供科学依据.通过文献收集,建立了包含867对观测值的中国农田氨挥发数据库,然后以氮肥施用量为自变量,氮肥施用引起的氨排放量为因变量,计算得到体现农业区、作物类型、肥料类型、土壤pH差异的氨挥发因子,采用独立样本进行验证,发现计算得到的氨挥发因子可以无偏地、较为准确地估算中国农田的氨挥发.不同区域、作物和管理措施下的氨挥发因子有显著差异,整体上,由于南方地区年均温和年降雨量均高于北方,导致南方的氨挥发因子高于北方,而碱性土壤的氨挥发因子高于中性和酸性土壤;与单施化肥相比,多数情况下施用有机肥可降低氨挥发因子,使用缓释控释肥或抑制剂可显著降低氨挥发因子;以单施化肥为例,水稻种植的氨挥发因子为9.9%~37.0%,高于蔬菜(2.2%~13.0%)和其他作物(3.3%~8.0%).2015年中国农田由无机氮肥使用引起的氨排放总量为3.21 Tg,95%置信区间为2.92~3.46 Tg,其中,粮食作物和蔬菜占比最高,分别为66%和20%,豆科作物占比最低(0.8%).由于气候、土壤、作物类型的差异,氨挥发呈现明显的空间异质性,长江中下游区排放量最高,而青藏区排放量最低.

一种改进蚁群算法的路径规划研究

针对机器人在复杂环境中的路径规划问题,本文提出了一种改进蚁群算法的路径规划研究方法.首先,在启发函数中引入一种自适应调整的放大因子,以提高相邻节点的启发信息差异,使蚂蚁朝着最优路径的方向搜索;其次,采用一种奖惩机制对路径上的信息素进行更新,使算法的收敛速度得到有效的提高;然后,通过对信息素挥发因子进行动态调整,提高蚁群的搜索速度,使算法快速收敛.最后,在最优路径的基础上,采用拐点优化算法与分段B样条曲线相结合的方法来进行路径优化,有效的改善了路径的平滑性.仿真结果表明,所提的研究方法具有更好的收敛性和搜索能力,更符合机器人运动的实际要求.

基于改进蚁群算法的输电线路路径自动选择

基于改进蚁群算法,致力于解决输电线路路径选择问题。针对传统输电线路规划中存在的路径选择难题,提出一种蚁群算法的改进模型,以优化电力系统中的路径选择过程。通过引入信息素挥发因子和启发式信息,提高蚁群算法的搜索效率,使其更加适应复杂的输电网络环境。在模型实验中,采用实际输电网络数据进行验证,结果表明改进的蚁群算法相较于传统算法在路径选择的准确性和效率上均有显著提升。

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。

基于优化蚁群算法的电缆敷设路径规划

针对基于传统手工设计的电缆敷设存在误差大和效率低等问题,将蚁群算法优化的计算机辅助设计应用到电缆敷设路径规划中.利用蚁群算法在复杂线路中多端点的线路计算优势,解决电缆敷设的最短路径问题.同时,本文将电缆敷设路径平面化,进一步利用Gompertz函数从信息素限定和挥发因子自适应调整两方面进行优化,提高了蚁群算法的收敛速度和全局性.仿真实验表明,优化的蚁群算法在变电站数字化三维电缆敷设过程能够快速得出最短电缆敷设路径,节省人力物资成本,提高了设计精度.

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法。首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素因子和启发函数因子的合适取值,以P类数据测试算法的改进效果,并与基础蚁群算法、遗传算法、模拟退火算法和粒子群算法进行对比。结果表明,相较于基础蚁群算法,改进蚁群算法的最优路径总长度平均减少了6.97%;与遗传算法、模拟退火算法和粒子群算法相比,改进蚁群算法的寻优能力更强、收敛速度更快。因此,改进蚁群算法可以有效减少路径长度,跳出局部最优,加快收敛速度,尤其是在单路线允许服务点较多且各点分布较离散的车辆路径情况下,其优势更为明显,可为解决车辆路径问题提供一定的参考。

一种基于改进全局信息素更新效率的蚁群算法及仿真

针对目前蚁群算法在搜索过程花费时间长且易出现局部最优化等现象,提出一种基于改进全局信息素更新效率的蚁群算法。通过在蚁群算法中引入"精英策略",让算法的搜索具有一定的方向性,并且在此基础上对信息素初始值的定义与对算法中的挥发因子ρ的取值进行改进,从而缩短算法的搜索时间。通过验证,改进后的算法相比一般的蚁群算法具有更好的搜索效率与较高的精确性,更适用于比较大型的TSP问题,在路径搜索领域具有较好的发展前景。

改进蚁群算法在配电网规划中的应用

电网优化规划是一个复杂的非线性组合优化问题,目前对于该问题的求解仍存在计算速度和收敛性问题。为解决这个问题,提出了一种通过动态调整信息素挥发因子ρ来控制其正反馈过程的改进蚁群算法,提高了网络优化规划过程中得到全局最优解的概率和收敛速度。算例分析结果表明:规划结果符合实际,并在相同参数下,改进蚁群算法的迭代次数减少约一半,充分验证了该方法的实效性。

改进ACO算法优化的PI控制器在直流输电控制中的应用

为了实现对高压直流输电系统PI控制器参数的优化,本文提出了一种针对信息素挥发因子的改进策略以克服蚁群算法易陷于局部最优解的缺陷。改进后的蚁群算法能够根据优化进程自适应地调整信息素挥发因子,在保持较高的收敛速度的情况下提高算法的全局搜索能力。文中基于改进的蚁群算法给出了一种系统化的直流输电PI控制器参数优化方法。根据实际工程参数搭建仿真模型,进行仿真计算,证明了方法的有效性和可行性。

自适应导向蚁群算法优化移动机器人路径规划

移动机器人能更快速、高效地自主规划路径对其智能化发展尤为重要。采用蚁群算法对路径规划方法进行研究,并且为加快算法的收敛速度、优化算法的寻优能力,提出了一种基于自适应导向的改进蚁群算法,在传统蚁群算法的基础上,对信息素和启发信息两个方面作了改进。提出一种新的信息素挥发因子自适应策略,改进启发信息的距离评估函数,并通过加权重的方法优化对距离的评估。将自适应导向蚁群算法应用于移动机器人的路径规划,经过MATLAB大量仿真实验,证明改进的蚁群算法相比于传统的蚁群算法、粒子群算法,其搜索速度更快,所寻得的路径更优,算法性能得到了明显的优化,并且在复杂环境中也能合理地进行路径规划。

基于改进蚁群算法的机器人路径规划研究

针对机器人路径规划中传统蚁群算法收敛速度慢、易陷入局部最优解等问题,提出一种改进的蚁群算法。引入带权重因子的引导函数,对蚂蚁状态转移策略进行改进,使蚂蚁在寻优的过程中更具有导向性。在信息素更新规则中,提出一种自定义的自适应信息素挥发因子更新方法,避免蚂蚁陷入局部最优解,而不能到达全局最优解。搭建了仿真环境,通过实例对所提方法进行验证并与传统蚁群算法对比分析,结果表明:改进蚁群算法在最优路径长度和迭代次数方面表现更优,对机器人路径规划有实际工程意义。

基于自适应蚁群算法的无人机最优路径规划

为了提高无人机执行突防侦察任务时的成功率,在敌人防御区域内执行侦察任务前必须规划设计出高效的无人机飞行路径,以保证无人机能够以最小的被发现概率及最优路径到达目标点.针对这一问题,根据敌人防御区域内的威胁源建立威胁代价模型,并且在基本蚁群算法的基础上进行了分析讨论,通过调整信息素挥发因子大小,提出了一种适用于路径规划的自适应蚁群算法,并对算法得到的最优路径进行了仿真计算.仿真结果表明,采用自适应蚁群算法可以得到17.5km的最优路径长度,算法收敛时间为7.2s,只需迭代8次;采用基本蚁群算法可以得到18.4km的最优路径长度,算法收敛时间为15.6s,需要迭代54次.对比可知自适应蚁群算法具有明显的优势.

自适应避障蚁群算法的移动机器人路径规划

传统蚁群算法在解决机器人路径规划的问题上存在收敛慢,容易收敛于次优路径的不足。针对以上不足,研究在状态转移概率、信息素更新方面进行改进。在状态转移概率上引入了一个避障函数因子,减小蚂蚁进入地图陷阱的概率,从而有效减少陷入死锁的蚂蚁数量,加快收敛速度。在信息素方面,加入了随迭代次数变化的信息素挥发因子,增加算法进行全局搜索的可能性,避免算法陷入局部最优。设计三种栅格障碍图对两种算法进行仿真,结果对比均表明,经过改进得到的AOA蚁群算法的初次收敛次数更少,迭代速度大大增强,并且最终规划得到的最小路径长度均比原算法小,与其他的改进算法相比,在找到最优路径的同时,其初次迭代的收敛次数也大大降低。

关联运输调度问题的蚁群算法

提出了改进的蚁群算法来对关联物流运输调度问题(Related Vehicle Routing Problem)求解。为了克服蚁群算法易陷入局部最优的缺陷,自适应地改变算法的挥发因子,在保证收敛速度的前提下提高解的全局性,最终提高了算法性能。实例证明该改进算法有效地解决了关联物流运输调度问题。

改进的蚁群算法求解无人艇编队火力分配问题

针对海上近岸威胁目标速度快、机动性强的特点,为提高无人艇编队海岸防御火力分配问题求解的质量和速度,建立了更加符合战场实际的无人艇编队多约束动态火力分配模型,并利用改进的蚁群算法进行模型求解。该模型较全面地考虑了威胁目标的动态运动变化和多方面资源约束,对算法的搜索能力提出了更高的要求。改进算法通过调整信息素的更新模式,采用时变的挥发因子,能在满足全局搜索的基础上避免陷入局部最优。通过蒙特卡罗仿真对比传统蚁群算法,结果证明该改进算法能有效提高无人艇编队海岸防御火力分配问题求解的有效性、收敛性和实时性,具有一定应用价值。

改进蚁群算法的机器人路径规划研究

针对传统蚁群算法存在算法收敛速度慢、易陷入局部最优的问题,文中提出了一种改进的蚁群算法。在传统A*算法的基础上,改进其估价函数,并将其引入到蚁群算法中,提出了改进启发函数η,增加目标点对路径搜索的吸引力,提高了收敛速度。新方法还改进了信息素挥发因子ρ,使信息素挥发因子处于动态变化,提高了算法的全局搜索能力,避免陷入局部最优。仿真结果表明,改进的蚁群算法在收敛速度上比传统蚁群算法提高了近50%,在最短路径上明显优于传统的蚁群算法,证明了改进算法的有效性。