改进蚁群算法的送餐机器人路径规划

蚁群算法拥有良好的全局性、自组织性、鲁棒性,但传统蚁群算法存在许多不足之处。为此,针对算法在路径规划问题中的缺陷,在传统蚁群算法的状态转移公式中,引入目标点距离因素和引导素,加快算法收敛性和改善局部最优缺陷。在带时间窗的车辆路径问题(vehicle routing problem with time windows,VRPTW)上,融合蚁群算法和遗传算法,并将顾客时间窗宽度以及机器人等待时间加入蚁群算法状态转移公式中,以及将蚁群算法的解作为遗传算法的初始种群,提高遗传算法的初始解质量,然后进行编码,设置违反时间窗约束和载重量的惩罚函数和适应度函数,在传统遗传算法的交叉、变异操作后加入了破坏-修复基因的操作来优化每一代新解的质量,在Solomon Benchmark算例上进行仿真,对比算法改进前后的最优解,验证算法可行性。最后在餐厅送餐问题中把带有障碍物的仿真环境路径规划问题和VRPTW问题结合,使用改进后的算法解决餐厅环境下送餐机器人对顾客服务配送问题。

改进蚁群算法在地形跟随航线规划问题中的应用

针对飞机地形跟随航线规划需要,提出了一种基于改进蚁群算法的通用解决方案。该方法通过空间等分的思想将三维地图重构为解空间,并通过一系列改进措施提升蚁群算法效率,包括围绕加强蚁群中最优蚂蚁的正增益、减弱最劣蚂蚁的负增益,设计信息素更新策略;综合考虑可行航路点距离、高度、转弯角度的影响,设计节点移动策略;采用粒子群算法,智能优化求解蚁群算法的核心参数等,实现地形跟随航线的快速生成。通过具体算例验证了该方法的先进性和可行性。

基于优化领先狼群算法的微震源定位研究

为分析不同启发式方法对求解微震源定位精度问题的影响,提出一种优化领先狼群算法。该算法在领先狼群算法的基础上,调整搜索步长和围攻步长两个参数,提高了在搜索过程中跳出局部最优解的能力。通过理论模型反演和工程数据分析,验证了优化领先狼群算法的有效性。与常用的粒子群算法和模拟退火算法两种启发式算法相比,优化领先狼群算法收敛更快,精度更高,受P波波速误差影响更小。该算法为智能启发式算法应用于微震源定位提供了新思路。

基于改进蚁群算法和共用航段的搜索救援通道规划

针对战斗搜救任务场景中,空中搜索救援等待区至跳伞区之间的往返路径规划问题,提出一种基于改进蚁群算法和共用航段的搜索救援通道规划方法。首先,针对基本蚁群算法易出现局部极值及收敛速度慢等缺点,对启发函数、状态转移策略、信息素更新策略进行了改进。然后,针对单起点多目标点的路径规划问题,提出了设置分航点以生成共用航段的搜索救援通道规划方法,并以总路径长度表征任务准备负荷量与分别规划航路进行对比。实验结果表明,在本文测试环境下,改进蚁群算法规划的路径长度分别缩减15.4%和14.2%,搜索救援通道的任务准备负荷量减少25.4%。所提出的搜索救援通道规划方法有一定的理论和应用价值。

粒子群算法在多种数据联合反演断层三维滑动速率的应用研究

建立多种大地测量数据联合反演的数学模型。利用青藏高原东北缘地区的GPS、水准、重力三种观测数据,结合附有LDW策略的惯性权重的粒子群算法,反演龙首山断裂的三维滑动速率。结果表明:龙首山断裂主要以右旋、逆冲为主,兼具挤压趋势,且具有空间分布不均匀性的特征。相比单一数据的反演结果,多种数据联合反演更具稳定性和规律性。

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。

基于小生境离散粒子群算法的不规则排样优化策略

针对目前二维不规则排样算法中存在的问题,提出一种基于小生境离散粒子群算法的二维不规则排样算法。该算法模拟两个相对独立的粒子群,两个粒子群并行进化,并在每迭代一次后相互交流信息,具有很强的全局搜索能力。实验结果表明,该算法在求解二维不规则排样问题时可以大幅提高板材的材料利用率,具有实际应用价值。

基于Pareto蚁群算法的双目标路径规划研究

针对复杂建筑环境人员应急疏散单一路径不能满足火灾环境变化需求的问题,基于改进蚁群算法,结合Pareto双目标解集思想,提出一种组合优化解集的双目标蚁群算法,通过排序优化的思想,实现人员多路径动态疏散规划。在构造Pareto解集的阶段协同考虑疏散路径长度以及火灾风险程度2个优化目标,计算各个解之间的支配关系。利用排序优化蚁群算法的正反馈机制将各组解的信息素按一定比例作为最优路径信息素的积累,加快解集的寻找。最后将其与传统双目标蚁群算法相比较,结果表明:优化后的双目标算法更加适合复杂建筑人员疏散路径规划问题,在寻找多组满足要求解的同时展示目标之间的利弊关系,供决策者选择合适的路径,提高疏散效率。

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。

基于改进粒子群算法优化的染色木材颜色检测算法研究

为提高染色木材颜色的检测精度和速度,对樟子松木材单板进行染色,选取染色单板的光谱反射率作为输入,以极限学习机模型为基础构建预测模型,对染色单板的色度参数L^(*)、a^(*)、b^(*)进行预测,运用粒子群算法对ELM权值和阈值进行寻优,并引入非线性惯性权重和新的位置与速度更新策略改进粒子群算法,以消除其易陷入局部最优的缺点。此外,以L^(*)、a^(*)、b^(*)平均绝对误差为评价指标,与基础ELM模型及其他模型作对比,发现优化后的模型平均绝对误差为0.16,测色效果相较于基础ELM的0.68、麻雀算法优化的ELM的0.37等具有明显优势,这对于提高木材染色生产效率具有重要意义。

基于混合粒子群算法的波浪能发电集群优化方法

对波浪能发电集群的优化控制有助于波浪能的有效利用,为此文章提出了基于混合粒子群算法的波浪能发电集群优化方法。以直驱式发电装置为研究对象,探讨其构成发电集群短期尺度下稳定状态的数学模型,由简至繁依次考虑波浪动态压力、装置间辐射影响和遮挡效应,以便更准确地模拟一定密集度的波浪能发电装置部署下的实际效果。以集群功率最大化为优化目标,根据装置运动和海域能量约束,提出混合粒子群算法求解集群的最优参数,在传统算法基础上设定自适应惯性权重并加入交叉和变异操作,以应对复杂集群方程解空间的多峰性问题。算例结果验证了所述集群优化方法的有效性,求解质量良好;同时表明波浪能发电集群规模越大,装置之间的辐射影响越复杂,遮挡效应越明显。

基于改进樽海鞘群算法的含瓦斯煤破裂过程信号特征识别

针对标准樽海鞘群算法存在的计算精度不足、易陷入局部停滞等缺陷,提出一种多策略融合的樽海鞘群算法。在初始化阶段,引入线性同余法随机发生器;利用野马算法优化樽海鞘领导者位置;采用金豺算法改进樽海鞘种群追随机制。通过测试函数寻优对比实验,证明多策略融合的樽海鞘群算法相比于其他智能算法在鲁棒性与稳定性方面均有显著提升。将多策略融合的樽海鞘群算法应用到含瓦斯煤破裂过程信号特征识别,实验结果表明:提出的含瓦斯煤破裂过程信号特征识别模型具有更好的表现,准确率可达93.33%,相比其他识别模型,识别率更高。

路径规划问题的多策略改进樽海鞘群算法研究

针对移动机器人寻找最优路径问题,提出了一种融合无标度网络、自适应权重和黄金正弦算法变异策略的樽海鞘群算法BAGSSA(Adaptive Salp Swarm Algorithm with Scale-free of BA Network and Golden Sine)。首先,生成一个无标度网络来映射跟随者的关系,增强算法全局寻优的能力,在追随者进化过程中集成自适应权重ω,以实现算法探索和开发的平衡;同时选用黄金正弦算法变异进一步提高解的精度。其次,对12个基准函数进行仿真求解,实验数据表明平均值、标准差、Wilcoxon检验和收敛曲线均优于基本樽海鞘群和其他群体智能算法,证明了所提算法具有较高的寻优精度和收敛速度。最后,将BAGSSA应用于移动机器人路径规划问题中,并在两种测试环境中进行仿真实验,仿真结果表明,改进樽海鞘群算法较其他算法所寻路径更优,并具有一定理论与实际应用价值。

自适应免疫粒子群算法在光伏MPPT中的应用

光伏阵列在局部遮阴条件下,其P-U特性曲线呈多峰特性,传统的最大功率点跟踪(MPPT)算法容易陷入局部最优,而无法追踪到最大功率点。粒子群(PSO)算法适用于复杂多极值的寻优问题,因而在多峰值MPPT中得到广泛应用。针对粒子群算法寻优过程中易早熟收敛至局部最优、迭代后期收敛速度慢以及精度低等问题,提出了一种自适应免疫粒子群算法。该算法对惯性权重和学习因子进行自适应调整,并且与免疫算法相结合。仿真结果表明:该算法在静态局部遮阴以及动态局部遮阴条件下,均能追踪到最大功率点,并且收敛速度更快,精度更高,稳定性更好。

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。

基于改进粒子群算法的UWB雷达人体动作识别研究

针对雷达信号中的杂波干扰及样本数量对人体动作识别精度的限制,提出一种基于改进粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)模型的超宽带(ultra-wideband,UWB)雷达人体动作识别算法。利用动态目标指示(moving target indication,MTI)与小波阈值滤波对接收到的UWB回波信号进行预处理,消除回波信号中的杂波和噪声对人体动作识别的影响;结合二维离散小波包分解(two dimensional discrete wavelet packet decomposition,2D-DWPD)与奇异值分解(singular value decomposition,SVD),对预处理后的雷达信号进行特征提取和降维;提出一种改进粒子群算法,优化SVM模型的相关参数进行识别和分类。实验结果表明,提出的算法准确率可达到96.25%,具有良好的识别性能。

基于改进粒子群算法的定日镜场优化设计模型

定日镜场是塔式光热电站的重要子系统.定日镜的优化布置问题是塔式光热电站建设需要解决的关键问题.以塔式光热电站的定日镜场为研究对象,建立阴影遮挡效率模型、余弦效率模型、截断效率模型以及大气透射率模型,得出定日镜场的光学效率.以镜场年平均输出热功率作为目标函数,建立非线性规划模型,用基于同心圆的粒子群算法进行圆形定日镜场的参数设计及优化求解.通过迭代寻优,找到年平均输出热功率最大时即可找到粒子的特征因子的最优解.

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲目搜索的概率;然后,引入切比雪夫距离加权因子和转弯代价改进启发函数,提高算法的收敛速度、全局路径寻优能力和搜索路径的平滑程度;最后,提出一种新的信息素更新策略,引入自适应奖惩因子,自适应调整迭代前、后期的信息素奖惩因子,保证了算法全局最优收敛。实验仿真结果表明,在不同地图环境下,与现有文献结果对比,该算法可以有效地缩短路径搜索的迭代次数和最优路径长度,并提高路径的平滑程度。

基于改进粒子群算法的木材板材下料方法

木材板材在家具行业应用广泛,以绿色环保、节约能源为目的的木材板材优化下料已经成为研究的热点。木材板材下料优化问题属于二维矩形下料问题,是一种具有高度计算复杂性的问题。本研究主要针对单规格木材板材进行矩形零件下料问题,在木材板材长和宽都大于零件长和宽的情况下,通过建立二维下料的数学模型,采用标准粒子群算法、变邻域搜索算法、粒子群混合变邻域搜索算法分别进行求解,并以某企业的下料实例进行分析计算。首先,利用标准粒子群算法求解单规格板材下料问题;其次,利用变邻域搜索算法求解单规格板材下料问题。在获得局部最优解的基础上改变其邻域结构再进行局部搜索,找到另一个局部最优解,如此不断迭代,直到满足算法的终止条件,获得全局最优解;最后,利用粒子群变邻域搜索混合算法求解单规格板材下料问题。针对粒子群算法局部搜索能力较差、容易过早收敛的问题和具有较好包容性的特点,将变邻域搜索的思想融入粒子群算法中,使结果更加趋向全局最优。结果表明:粒子群变邻域搜索混合算法相比粒子群算法和变邻域算法效率都有显著提升,能显著提高该木材板材的利用率,增加企业经济效益。