基于集成改进蚁群算法的作战环推荐方法

作战环推荐是依靠优化算法从作战网络中为指挥员推荐最优的作战环,以对目标形成高质量打击。未来作战中的作战环推荐面临体系规模大、决策节奏快的特点。对此,提出了一种集成改进的蚁群算法,能够实现高效、高质的作战环推荐优化求解。首先,将作战环推荐问题转换为一种基于多仓库路径规划的数学模型。然后,针对原始蚁群算法前期收敛速度慢、算法参数对结果影响大和容易陷入局部最优的问题分别提出了3种改进策略:基于边权重信息的信息素初始化、基于差分进化的蚁群算法参数自适应优化和基于遗传算子的全局搜索能力提升,并进行了集成改进。最后,在案例分析中对集成改进蚁群算法进行了分析和对比,验证了所提算法在不需要大幅提高耗时的情况下,优化结果要优于未集成改进的蚁群算法,且相比于原始蚁群算法提升效果显著。

基于改进蚁群算法的机器人全局路径规划

针对传统蚁群算法存在初始信息素缺乏、收敛速度慢以及无法有效躲避障碍物等问题,文中提出了一种基于改进蚁群算法的全局路径规划。引入正态分布函数改进传统启发函数,提高了算法效率,缩短了算法收敛所需时间。自适应调整信息素挥发系数,限定信息素范围,避免过早收敛。对算法路径平滑处理,缩短路径长度,从而实现机器人的全局路径规划。仿真结果表明,在20×20环境下,文中算法平均迭代次数比传统蚁群算法减少了28代,收敛速度更快。平均拐点减少了33.3%,使路径更为平滑,克服了初始信息素缺乏,加快了收敛速度,减少了拐点数量,能够有效躲避环境中的障碍物,证明了该算法的可行性。

基于改进蚁群算法的外卖配送路径规划研究

从外卖配送员角度出发提出一种改进蚁群算法(Improved Ant Colony Optimization,IACO),在此基础上进行外卖配送路径规划研究.首先通过蚁群算法(Ant Colony Optimization,ACO)求解得到初始规划路径,然后通过大规模邻域搜索算法(Large Neighborhood Search,LNS)优化初始规划路径,通过将ACO和LNS算法结合,提高求解质量.为了验证方法的有效性,对外卖配送过程进行仿真,并且选用不同订单数量场景进行对照分析.根据最优配送方案路线图和目标罚函数的最优值可以得出,IACO算法是有效的,且可以提高外卖配送员外卖配送的效率.IACO算法不但能够提升配送的智能化水平,还从外卖配送员的角度提出一种更为人性化的配送方法,支持网络互联外卖平台派送系统的可持续化发展.

基于改进蚁群算法的无人机灾区航迹规划

针对传统蚁群算法用于无人机航迹规划时在大空间多维数转弯次数多、收敛速度慢甚至不收敛等问题,提出了一种改进蚁群算法。根据地图构建三维空间模型,采用对空间切片的方式来避免在寻优过程中跨越多个单元格;通过每一代最优路径来更新信息素以及引入距离启发量的策略,增强了算法的收敛性和效率,得出改进蚁群算法相对于传统蚁群算法和快速搜索随机树算法在搜索效率上分别提高了65.9%和18.1%,在平均转弯角度上分别减少了48%和61.2%,在航迹长度上比传统蚁群算法缩短了38.5%的结果。研究所提出的改进蚁群算法能为无人机救灾快速路径规划提供有效的解决方案。

基于改进蚁群算法的农业机器人多田块路径规划方法与试验

[目的]针对丘陵地区因田块碎片化和障碍物影响农业机器人作业的情况,提出一种基于改进蚁群算法和A算法相结合的多田块路径规划方法。[方法]通过无人机构建农田遥感影像,利用栅格法对农田进行环境建模,再进行子区的划分与合并,在蚁群算法中引入区域启发函数,对不同区域内的移动代价作区分,通过人工增加最优路径中的信息素浓度并建立自适应信息素挥发系数,对信息素更新方法进行改进,以此求解作业子区间的最优遍历顺序,利用具有启发式搜索功能的A算法进行子区连接路径规划,最终实现多田块路径规划。[结果]MATLAB仿真试验结果表明,在子区数量为40时,采用改进蚁群算法进行规划的平均路径长度比传统的蚁群算法减少了3.19%,平均迭代收敛次数减少了79.5%;在路径遍历仿真试验中,农业机器人遍历路径覆盖率能达到100%,路径重复率为6.48%。利用农田无人机遥感影像和田间作业参数进行自然环境的仿真试验,进一步验证了该方法的有效性。[结论]本研究提出的方法能有效解决丘陵地区农业机器人多田块路径规划问题,可为丘陵地区农业机器人大面积作业提供路径参考与技术支持。

基于改进蚁群算法的复杂环境路径规划

针对蚁群算法在复杂环境下难以收敛、最优值差的问题,提出了一种改进蚁群算法。引入修正策略,提出两种局部修正方法以减少无效路径。提出一种自适应信息素更新机制,将初始信息素与蚂蚁所释放的信息素区分挥发;针对每次迭代蚂蚁所释放的信息素,通过设计时变挥发因子的变化律单独挥发,得到自适应挥发强度的信息素挥发机制。最后,将算法应用到不同复杂环境,与已有改进蚁群算法对比分析,研究结果说明改进算法在有效时间、平均距离、最短距离的优越性。

基于改进蚁群算法的邮船舱室模块移运路径规划

针对大型邮船舱室模块运输过程中存在的移运路线长、路线混乱、舱室模块易与障碍物发生碰撞等问题,提出应用加入动态搜索模型的蚁群算法对邮船舱室模块进行路线规划,为运输舱室模块提供清晰、便捷的移运路线。对主竖区的障碍物进行分析,建立模拟实际工况的栅格地图,采用改进蚁群算法寻找移运路径。对不同位置所经过的栅格地图和蚁群数量进行动态调整。采用模拟退火算法寻找蚁群算法的参数。采用离散点分析确定移运路径的主、支通道。仿真试验结果表明,应用改进蚁群算法建立主、支通道进行舱室模块移运可有效提高舱室模块的运输效率。

融合改进蚁群算法和动态窗口法的AGV路径规划

针对传统蚁群算法中初期路径搜寻盲目、启发式函数作用较小、信息素更新规则单一、动态窗口法缺少全局性指导等问题,提出了基于改进蚁群算法的全局路径规划,通过改进初始信息素,提高了算法初期的寻径效率;通过改进启发式函数,减少了算法收敛的时间;通过改进信息素更新规则,同时考虑了路径长度和能耗,增加了路径的优越性。之后将改进后的蚁群算法与动态窗口法相融合,增加了动态窗口法中的评价函数,使动态窗口法沿改进蚁群算法最优路径进行实时的局部路径规划,令路径的静态全局最优和动态实时规划得到了兼容。仿真实验表明,改进后的蚁群算法相较传统算法迭代速度更快,转弯次数更少,融合后的算法在复杂环境中可以精确地实时路径规划,充分证明了该融合算法的可行性。

基于AIS轨迹和改进蚁群算法的船舶航线规划方法

在保证船舶航线安全的前提下,以最短航程为目标,提出基于AIS轨迹和改进蚁群算法的船舶航线规划方法。对船舶AIS数据进行预处理,去除船舶AIS数据中的冗余数据,完成船舶AIS数据提纯;采用基于粒子群与K均值混合聚类算法的核心转向点筛选与识别方法,筛选并识别船舶AIS数据中船舶航线核心转向点数据;通过基于改进蚁群算法的航线规划方法,以核心转向点数据为基础,构建航线网络,在此网络中,通过人工势场法对蚁群算法进行改进,对船舶航线进行寻优,实现船舶航线规划。经实验验证,本文方法能够规划出安全合理的船舶航线。

基于改进蚁群优化算法的AUV三维路径规划

针对蚁群算法在三维路径规划时收敛速度慢且难以收敛至最优的缺点,提出一种新的改进蚁群算法,并将其应用于自主式水下机器人(autonomous underwater vehicle,AUV)三维路径规划。与现有算法相比,改进算法优点主要体现在3个方面:首先,引进伪随机状态转移概率提升算法全局搜索能力;其次,将距离和轨迹限定因子引入启发式函数,距离因子保证搜索不断趋近目标点,在轨迹限定因子约束下,轨迹累计转角更小,以此提升收敛速度和精度;最后,通过扩大信息素增量差距并逐步提高信息素衰减系数,进一步提高路径规划效率。实验结果表明,改进蚁群算法能够获得累计转角更小路径,且路径长度更小,收敛速度更快。

改进蚁群算法的AGV自主避障

针对传统蚁群算法在AGV任务调度效率的不足和避障问题,提出了一种改进的蚁群算法。首先,通过引入路径忙碌值,改进蚁群算法中的路径信息素浓度,提高路径规划解的质量;其次,对启发式的信息素浓度添加随机影响因子,进而提高算法的搜索效率。然后,在改进的蚁群算法基础上,引入路径多次规划参数和工作运行影响参数,并对AGV制定基本调度规则和任务优先级,提出一种综合的避障策略来解决冲突问题。仿真实验结果表明改进的蚁群算法可以评估路径使用率,进而规划最优的路径。在多任务调度效率上有明显优势,并能有效实现自主避障,解决碰撞问题。

基于改进蚁群算法的城市生态景观空间布局优化方法

布局优化过程多采用粒子群算法,但由于缺少对景观因子综合权重的计算,优化后景观的生态阻力阈值较低,优化效果较差。为此,基于改进蚁群算法提出城市生态景观空间布局优化方法。通过对城市生境质量的分析与评测,计算生态景观环境适应度,求取城市生态景观格局指数,构建生态景观空间网络,结合筛选出的核心生态源点,计算生态源点之间的最小累积阻力距离和所有斑块之间的最小路径,构成潜在生态景观廊道。根据生态景观的敏感性,确定景观因子的综合权重,以景观斑块的最大闭合度、最大连接度以及最高连通率为目标函数,构建优化模型,引入改进蚁群算法对其求解,以此获取最佳优化方案。实例论证分析结果显示,所提方法优化后得到的景观生态阻力阈值较高,空间布局优化效果较好。

基于改进蚁群算法的焊接机器人路径优化

针对传统蚁群算法(ACO)在焊接机器人路径规划的过程中收敛速度慢、易陷入局部最优解等问题,提出一种改进蚁群算法(DWAG)。DWAG在ACO基础上提出了基于动态权重策略以及排序因子策略的信息素更新方式,加快了算法在求解过程中的收敛速度;通过引入遗传算法中的交叉与变异操作,扩大了算法在求解过程中的搜索空间;最后以白车身后地板总成某工位对DWAG进行20次的仿真验证。仿真结果表明相比于ACO,DWAG的焊接路径更短、收敛速度更快同时求解问题时寻优性能的稳定性更佳。

基于细菌觅食-改进蚁群优化算法的水面无人船路径规划

为了解决水面无人船全局路径规划问题,提出了一种细菌觅食-改进蚁群优化算法(bacterial foraging-improved ant colony optimization algorithm,BF-IACOA)。相较于传统蚁群优化算法(ant colony optimization algorithm,ACOA),该算法在路径搜索策略上考虑水面无人船航行需要尽可能减少转向次数和完全规避过大转向角的约束,引入转向角启发因子,综合求解转移概率;同时引入细菌觅食算法的繁殖操作和趋化操作,改进信息素浓度的更新方式,解决传统ACOA容易陷入局部最优解和收敛速度较慢的问题。仿真结果表明,相较于传统ACOA,BF-IACOA的全局搜索能力得到较大幅度的提升,并且收敛迭代次数减少超过30%;在实际水域环境模型下,BF-IACOA可以通过14次迭代为无人船规划出全局可行路径。

基于改进蚁群算法的低碳冷链配送路径优化

针对目前冷链配送路径优化中存在的综合配送成本考虑不全面的问题,根据生鲜配送特点,综合考虑基本运输成本、碳排放、制冷、货损以及时间窗约束,建立以综合配送成本最小化为目标的路径优化模型。提出改进蚁群算法对该优化模型进行求解,在初始阶段使用遗传算法生成初期信息素分布,而后使用蚁群算法进行后续寻优搜索,再引入模拟退火算法的Metropolis准则筛选优质解。通过仿真实验验证了优化模型和改进算法的有效性,对低碳可持续发展理念下生鲜品冷链配送路径优化问题研究具有一定意义,助力冷链运输行业向低碳经济转型。

基于改进蚁群算法的微气泡减阻气流量智能调控技术研究

[目的]为了提高微气泡减阻技术的实际效能,基于改进蚁群算法开展微气泡减阻气流量智能调控技术研究。[方法]首先,基于微气泡减阻机理,利用自主研发船模样机开展微气泡减阻试验,获得不同航速下的理想最佳气流量;随后,采用改进蚁群算法,开发气流量智能调控技术的软件系统;最后,将智能调控硬件系统应用于船模样机,开展自航模试验以验证该技术的有效性。[结果]所研技术不仅可以有效地调控气流量达到最佳微气泡减阻效果,还可以监控航速变化对气流量进行自适应调控,使船舶在各种航速下均能保持最大减阻。[结论]该技术可以提高微气泡减阻技术的自动化与智能程度,增强微气泡减阻技术的实际效能。

基于改进蚁群算法的长航程无人船路径规划

针对无人船续航能力不足问题,提出基于强化学习的角度优先改进蚁群算法,规划长航程无人船路径。采用Canny算子提取环境信息,应用像素的灰度加权平均及高斯滤波平滑处理的方法,分析图像中的梯度并提取边缘特征,采用ginput函数提取边缘坐标;基于MAKLINK图论原理,以边缘坐标为节点,定义节点之间的链接线与路径点表示航行环境的结构和连接关系,建立航行环境模型;对比航行环境中不同启发因子作用下取得的最短路径,确定算法最优启发因子组合;引入角度优先机制提高收敛速度、强化学习奖励与惩罚系数调节信息素浓度对算法流程进行优化,生成最优路径。实验结果显示,该改进算法得到的无人船航行路径拐角平滑,无人船续航能力提升4.6%,算法收敛速度提升68.9%。

基于改进蚁群算法的飞行器航迹规划研究

针对蚁群算法在进行航迹规划时存在收敛较慢、易陷入停滞、转弯过多且角度大等问题,提出一种应用于飞行器二维航迹规划的改进蚁群算法。通过优化邻域扩展方式加速收敛,改进信息素生效策略,以提高蚁群对信息素的利用率,防止陷入停滞,引入局部优化修正航迹,减小航迹曲折程度。仿真结果表明,改进算法在收敛性、迭代次数、航迹质量等方面具有一定优势,证明改进措施提升了蚁群算法收敛速度及规划航迹质量。

U型障碍物多方向多层填充的移动机器人改进蚁群算法

针对传统蚁群算法在移动机器人路径规划中典型的U型障碍物死锁问题,提出了一种U型障碍物多方向多层填充的改进蚁群算法。首先证明了路径规划的最优解不会进入U型障碍物之中;其次证明了运用此多方向多层填充法在填充U型障碍物解决死锁问题的同时,不会造成原有通路的阻塞,具有原通路保持性,且填充的迭代次数与迭代总时间少;之后对填充图形的迭代次数给出了理论性的判定,此填充方法不仅适用于U型障碍物还适用于其它可填充区域,且其对于可填充区域可实现完全填充;最后将此填充方法与蚁群算法结合。仿真结果表明,改进蚁群算法相比于传统蚁群算法有效率提升。

基于改进蚁群算法的植保无人机路径规划

针对传统蚁群算法在含障碍植保无人机路径规划中存在的易早熟、易陷入局部最优的问题,提出了一种改进蚁群算法。为降低算法陷入局部最优的概率,对启发因子进行了改进,在路径搜索的后阶段把利用贪心算法求得的从当前点到终点的距离作为新的启发因子。为提高算法的全局搜索能力,对挥发系数进行了自适应改进。采用最大最小蚁群策略对信息素浓度进行限制,避免算法早熟。仿真结果表明在复杂的作业环境下,改进蚁群算法的性能更好,具有更强的路径寻优能力。