一种基于自适应信息素蒸发系数的WSN蚁群路由算法

目前无线传感器网络中存在的蚁群环路现象和网络节点能量分布不均衡等问题,容易导致节点过早休眠、网络生存周期短。以现有蚁群算法为基础,重构蚂蚁数据包包头结构,在前向蚂蚁数据包中增加数据包序列号、数据包源地址、数据包途径节点数目、途径中继节点消耗的全部能量、路径长度和数据包生存时间,在后向蚂蚁数据包中增加数据包初始能量和平均剩余能量等数据;重新设计信息素更新公式,引入自适应信息素蒸发系数,将路由跳数修正为多跳消耗的能量值,提高信息素更新公式的准确性,使网络中各节点的能量消耗更均衡;改进信息素增量公式,将数据包访问过的节点数重新定义为节点能量损耗函数,在信息素更新公式中,通过修正节点能量损耗函数,可以真实有效地反映出真实的节点能量损耗,提高信息素增量的精确度。通过仿真实验对比,结果表明:改进算法最短寻优路径缩短了5.7%,网络中节点死亡数均小于其他两种对比算法。改进算法可以有效削弱蚂蚁环路效应,提高算法收敛速度,平衡网络节点能量,延长网络寿命。

基于信息素改进的蚁群算法

蚁群算法是一种优秀的启发式算法，具有较强的鲁棒性。针对基本蚁群算法在求解过程中容易出现收敛时间过长以及容易陷入局部最优的不足。本文提出了一种改进的蚁群算法，该算法通过在信息素挥发系数上增加一个收敛函数，加快了收敛速度；通过信息素增量与优秀路径选择相结合，引导算法收敛到最优路径，实验结果表明，改进后的算法在收敛速度和全局寻优能力上有了较大的提高。

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自动落布车路径规划

针对自动落布车在使用蚁群算法(ant colony algorithm,ACA)进行路径规划过程中出现的收敛次数多、收敛速度较慢且容易陷入局部最优的问题,提出一种改进蚁群算法(improved ant colony algorithm,IACA)。首先对信息素挥发系数ρ进行自适应调整,令其做动态变化,克服算法的收敛次数过多,加快算法收敛速度,减少算法的收敛时间;其次引入细菌觅食算法中趋化操作的趋化步长因子对信息素更新公式进行改进,削减算法迭代的后期信息素浓度值,使算法在后期跳出局部最优值,提高算法全局搜索能力。利用MATLAB将改进后的算法在3种不同的栅格环境中进行仿真验证。结果表明:相比传统蚁群算法,改进后的算法收敛次数减少81.1%,最小路径长度减少6.3%,收敛时间减少20.7%。最后搭建ROS小车实验平台,利用ROS机器人系统对改进蚁群算法在模拟的织布车间环境中进行实验验证。结果表明:对比传统蚁群算法,改进蚁群算法在寻优时间上减少了8.6%。

短初级永磁同步直线电机推力波动优化

带辅助极式短初级永磁同步电机理论上可通过优化电机结构,实现辅助极定位力与电枢定位力相互抵消,达到保持高推力的同时降低推力波动的目的。但永磁同步直线电机(permanent magnet linear synchronous motor,PMLSM)待优化参数多,其电磁非线性的特征增加了优化的难度和工作量。为提升优化效率,课题组提出了一种帕累托(Pareto)蚁群优化算法(ant colony optimization,ACO)。Pareto ACO采用可变信息素挥发系数替代传统的固定挥发系数,使全局搜索速度与局部搜索速度更快;通过与同类多目标算法的3种测试函数处理结果作比较,得出Pareto ACO的性能更优越;利用Pareto ACO对带辅助极式短初级永磁同步直线电机槽口宽度、辅助极宽度和永磁体宽度等结构尺寸进行多目标优化。优化结果表明该算法可有效节省永磁体材料,降低推力波动,实验验证了该算法的有效性。

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。

基于自适应ACO的多约束QoS路由研究

为了解决无线传感器网络Qo S(Quality of Service,Qo S)路由在寻找最优路径时要满足时延、抖动、能量等多个约束条件的问题,提出一种新的自适应蚁群优化算法,该算法有两方面的自适应策略。将信息素挥发因子ρ设置为动态自适应,在自适应因子μ作用下动态变化,增强算法的寻优能力,避免算法陷入局部最优;以多约束为条件建立加权的适应度函数,通过适应度函数值与自适应因子μ共同影响路径上的信息素更新,增强算法的收敛速度。通过仿真实验表明,该算法在满足多约束条件方面具有良好的效果。

基于可变天气因素的MMAS改进算法

针对最大最小蚂蚁系统(MMAS)容易导致算法快速陷入局部最优的问题,提出一种基于可变天气因素的MMAS改进算法(variable weather MAX-MIN ant system,VW-MMAS)。通过由天气变化影响信息素的变化来改善MMAS的寻优过程,具体引入以下机制:在信息素挥发机制方面,参考天气变化因素对蚂蚁觅食的影响,设置信息素挥发系数和蚁群数量;在算法陷入局部最优时,综合考虑TSP问题中城市间的距离,增强不是最优路径的信息素,扩大蚂蚁的搜索范围。应用该算法解决TSP问题,将仿真结果与其它算法进行比较,验证了该算法的有效性,提高了解的质量。

复杂环境路径规划的改进蚁群算法

为了克服传统蚁群算法在路径规划中容易出现早熟收敛、陷入局部最优、算法运行慢等缺点,提高算法在路径规划中的性能,提出了改进蚁群算法的距离启发因子、权值系数动态调整的方法,并且利用模拟退火算法的思想,改进蚁群算法的信息素挥发系数。该算法通过这种改进可以避免出现早熟收敛和陷入局部最优,且可以提高算法的运行速度。利用改进的蚁群算法进行路径规划仿真,仿真结果表明,该算法是一种有效的路径规划算法。

基于惯性蚁群算法的机器人路径规划

栅格环境下蚁群算法规划出的移动机器人路径存在运行慢、路径弯多、转折次数多、局部最优等问题。为获得较优路径,提出了惯性蚁群算法。在传统蚁群算法规划的路径上,采用惯性优化原理,对每一个节点进行遍历,当两个节点间的优化路径上无障碍物时,将中间节点删除,换成优化路径。根据优化信息,动态调整信息素挥发系数,提高了算法环境适应能力。仿真结果表明,相比传统蚁群算法,惯性蚁群算法能更快地找到较优路径,能有效优化路径质量。

改进蚁群算法在含DG配电系统可靠性评估应用

分布式电源(Distributed Generation,DG)接入配电网,使得网络的拓扑结构复杂性增加.使用最小路法能较好的分析此状态下的配电网,并且其计及了分支线保护等三方面的影响,能够处理有无备用电源和有无备用变压器的情况.在传统蚁群算法的基础之上通过使用轮盘赌与自适应信息素挥发系数对其进行改进,改进后的的蚁群算法收敛性大大提高,并通过Matlab验证了IEEE RBTS Bus6系统F4的主馈线可靠性,结果表明该方法能很好的反映DG对配电网的供电可靠性影响,并且能快速分析配电网的拓扑结构,具有很强的实用性.

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。

基于改进蚁群算法的机器人路径规划问题研究

针对基本蚁群算法在处理障碍环境下机器人路径规划问题时表现出的多样性不足及寻优能力弱等缺陷,提出自适应蚁群算法,通过引入自适应信息素挥发系数,动态地改变算法在迭代不同时期的算法多样性,在迭代前期提高寻优能力;在迭代中后期,提高算法收敛速度。通过对基本蚁群算法和改进蚁群算法的仿真结果分析可知,改进后算法的最优路径长度得到有效降低,收敛速度更快,获得一条无碰撞的路径,保证了机器人路径的安全性,提高了算法的多样性及寻优能力。

MMTD算法在蚁群算法中的应用和研究

当今的计算机专家和工程师们为了提高机器的智能性,因此在各科的领域中开发出了众多的智能算法,这些算法主要用于解决最优解问题。蚁群算法是智能算法中的一种,该算法采用由个体的最优解从而引导产生整体的最优解。在蚁群算法中当蚂蚁寻找最短路径的时候,利用信息素浓度的不同和挥发系数的不同强度为蚁群寻找最优解提供了重要依据。论文根据已有的蚁群算法,提出了使用MMTD算法对蚁群信息素的挥发系数进行衡量和计算,将MMTD算法在蚁群算法中进行应用是该文主要创新之处。

基于势场蚁群算法的机器人全局路径规划

研究了智能移动机器人的全局路径规划算法改进问题.结合蚁群算法的全局性与人工势场的确定性优势,提出一种势场蚁群算法.即在基本蚁群算法迭代初期,通过人工势场法影响蚂蚁的信息素量,从而提升寻找最优路径的效率.基于栅格模型,设计了算法的执行步骤.此外,分析了不同的信息素启发因子和信息素挥发系数对算法路径长度、迭代次数和收敛速度的影响.最后仿真验证了该算法优于基本蚁群算法,也得出了信息素启发因子参数选择的合理范围.

基于改进蚁群算法的新型AVC策略

针对局部电网负荷特性变化导致电压波动幅度大、控制成本高等问题,提出一种基于改进蚁群算法的AVC策略。该策略基于无功补偿量、有功功率损耗、电压波动范围、电压控制成本和传输距离构建改进多目标函数,提高其综合寻优能力;通过信息素挥发量与时间的关系引入信息素挥发系数公式,并优化信息素浓度调整策略,减少模型运行时间。基于IEEE-33节点系统进行仿真,结果表明:所提改进蚁群算法将各节点电压稳定在0.98~1.02 pu范围内,相比现有方法电压偏差缩小5%左右,模型运行平均时长提高了38.58%左右;该新型AVC策略具有更好的电压控制精度和速度,可以适应实时控制要求,有效改善配电网电压水平。

改进蚁群算法及其应用研究

针对蚁群算法在求解组合优化问题过程中出现局部收敛或停滞的现象,本文提出了一种蚁群算法。在保证有较好寻优能力的前提下实现算法更为快速的收敛,并选取TSPLIB数据作为测试样本,比较了改进蚁群算法和基本蚁群算法的准确性以及迭代次数。实验结果表明改进后的蚁群算法在寻优能力以及收敛速度方面均显著提高。

基于蚁群算法的网球机器人路径规划算法研究

路径规划是网球机器人开发的核心技术,针对传统蚁群算法应用于网球机器人路径规划中存在收敛速度慢、易陷入局部最优的问题进行算法改进研究。引入引导系数,对蚁群个体的状态转移概率进行改进,消除蚂蚁个体在觅食寻优中的盲目性。同时,采用自适应方式来确定信息素挥发因子,获得改进后的蚁群算法。将改进的蚁群算法应用于网球机器人路径规划仿真试验中,结果表明,改进后的路径规划算法收敛速度加快,所规划路径大大缩短,这对网球机器人的开发具有一定的参考价值。