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AGV路径规划研究

针对传统蚁群算法在自动导引车(automated guided vehicle,AGV)路径规划研究中存在收敛速度慢、搜索能力差以及容易陷入局部最优等问题,文章提出一种改进蚁群算法。引入自适应启发式函数,增加蚁群寻优方向性;改进信息素更新策略,避免陷入局部最优解;动态调整信息素挥发系数,使其随着迭代时期而减小,从而提高算法搜索效率、加快算法收敛速度。仿真实验结果表明,相较于其他算法,在相同环境下文章所提改进蚁群算法具有较好的收敛性和较高的寻优能力。

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。

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。

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。

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。

遗传-蚁群算法在高性能计算任务调度中的应用

针对目前高性能计算任务调度策略利用率低、负载不均衡等问题,设计一种基于遗传-蚁群算法的高性能计算任务调度算法(GA-ACO)。GA-ACO分为两个阶段,第一阶段通过遗传算法缩小空间快速搜索到优秀解,紧接着将其转化为蚁群算法的初始信息素;第二阶段提出一种基于蚁群信息素的全局更新策略对收敛速度做出优化。实验分析表明,与蚁群算法和遗传算法相比,该算法缩短了任务完成时间,降低了节点负载率。

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%。

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。

多因素优化蚁群算法机器人路径规划

采用传统蚁群算法进行路径规划中,存在收敛速度慢,路径不平滑,方向性与目的性较差等问题,提出了多因素优化蚁群算法以提高路径寻优的性能。应用扩散方式赋予地图不均匀的初始信息素,为路径搜索提供更好的方向性,避免了局部最优解的出现;距离启发信息、障碍物阻力启发信息和路径角度启发信息作为综合启发信息应用于蚁群算法,增强蚂蚁移动的目的性,缩短路径长度;运用贝塞尔曲线优化路径上的拐点处,输出平滑路径。仿真结果表明,多因素优化蚁群算法应对多样性环境具有更强的适应性,有效避免了局部最优解,规划出的最优路径更短且光滑,有利于机器人流畅通行,更具有工程实践意义。

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。

基于林地综合代价地图与开拓优化机制的改进蚁群算法

针对传统蚁群算法在林业机器人路径规划中未能考虑林区地形与地表状态,且收敛速度慢,易陷入局部最优的问题,提出一种基于林地综合代价地图与开拓优化机制的改进蚁群算法。基于林区地形地表构建林地综合代价地图;在蚁群搜索阶段中引入开拓优化机制;在轮盘赌中引入随机游走机制,并将其应用到林业机器人路径规划问题中。实验表明:改进蚁群算法能搜寻到更佳路径,具有更好的全局寻优能力。

改进形状上下文蚁群算法的边缘景象匹配方法

针对弹体低空飞越沙漠、山地等区域时,实时图与基准图之间尺度差异大,匹配误差大的问题,提出一种用改进的形状上下文结合蚁群算法对边缘特征进行部分形状匹配的方法。为克服异源图像边缘特征的形状差异,在形状上下文算法的基础上,提取边缘邻域特征,根据边缘邻域特征相似性进行粗匹配选出候选边缘,再利用候选边缘和待配准边缘点的位置关系和形状相似度使初始化后的蚂蚁遍历所有边缘点,然后利用转换后匹配点对的距离加权和计算信息素增量,由相邻匹配点对的方向约束关系计算其权重,并根据相邻匹配对的距离关系辨别出没有正确匹配关系的边缘片段,则剔除片段上的匹配点对,对应匹配对的权重为零,最后多只蚂蚁共同多次迭代得到最优匹配结果。在实测红外可见光数据集上进行景象匹配实验,结果表明,提出的算法显著优于SIFT算法,能够克服异源图像上边缘特征的形状差异,实现两个边缘特征的精确匹配,定位精度比传统的边缘特征匹配方法提高了43.71%。

基于学习机制蚁群算法的移动机器人路径规划

针对U型障碍物环境中移动机器人路径规划问题,提出了一种学习机制蚁群算法。首先,为解决算法运行时间长的问题,引入邻域剔除,舍弃较差和对称路径;其次,为解决收敛速度慢的问题,运用禁忌策略,使蚂蚁快速逃离U型障碍物;然后,为解决路径死锁的问题,提出学习机制,不断舍弃死锁路径;最后,将该算法与其他改进算法进行仿真对比,结果表明学习机制蚁群算法相比对照组算法不仅缩短了运行时间,还提升了收敛速度,验证了该算法的优越性。

基于改进蚁群算法的对抗样本生成模型

传统的文本生成对抗方法主要采用位置置换、字符替换等方式,耗费时间较长且效果较差。针对以上问题,该文提出一种基于改进蚁群算法的对抗样本生成模型IGAS(Improved ant colony algorithm to Generate Adversarial Sample),利用蚁群算法的特点生成对抗样本,并利用类形字进行优化。首先,构建城市节点群,利用样本中的词构建城市节点群;然后对原始输入样本,利用改进的蚁群算法生成对抗样本;再针对生成结果,通过构建的中日类形字典进行字符替换,生成最终的对抗样本;最后在黑盒模式下进行对抗样本攻击实验。实验在情感分类、对话摘要生成、因果关系抽取等多种领域验证了该方法的有效性。

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。

基于改进蚁群算法的步行街火灾疏散路径规划

商业步行街作为新兴建筑,方便了人们的生活,但也潜藏着严重的火灾风险。针对商业步行街突发火灾事件时的人员疏散问题,提出了在烟气环境下基于改进蚁群算法的路径规划算法。首先,采用高斯烟羽模型计算道路上烟气的浓度值,在此基础上采用当量距离代替欧氏距离量化气体对人的损害,同时考虑人群密度对速度的影响,提出改进的启发式函数。考虑到传统蚁群算法在路径规划中收敛速度慢、易陷入局部最优、冗余节点过多等问题,进一步结合A*算法调整蚁群算法的初始信息素浓度,并改进了路径选择规则、信息素更新规则,加入了防止死锁处理,使得算法在提高全局搜索能力的同时加快搜索效率。最后,对获得的路径进行平滑处理,从而减少冗余节点带来的多余路径长度。通过仿真实验验证了算法不仅在性能方面有了显著的提升,还可以根据火灾环境规划出适合逃生的路径。