基于改进蚁群遗传算法的AGV路径规划

针对传统蚁群算法应用于AGV路径规划时所遇到的搜索效率低、局部最优、实用性差等问题,本文提出一种改进蚁群遗传(ACO-GA)路径规划方法。首先通过改进蚁群算法中初始信息素的分布避免前期搜索盲目性,然后提出自适应信息素更新策略以加快收敛速度,最后引入遗传算法的交叉和变异操作,帮助克服蚁群算法中可能陷入的局部最小值问题。使用MATLAB软件进行算法仿真,结果表明:与传统算法相比,改进后的融合算法规划出的路径短且收敛速度快。

一种适用于SDN网络的路径择优蚁群遗传算法

SDN网络中,控制面与数据转发面通过解耦方式,实现数据的高效传输,适用于大型复杂网络的运行和维护。本文结合蚁群算法(ACO)和遗传算法(GA)两种算法的优点,提出一种基于蚁群遗传算法(ACO-GA)的SDN网络路径择优方法,通过实验仿真,相较于遗传算法和蚁群算法,ACO-GA算法性能优于两种单独算法的性能,更适合应用于SDN网路中的路径择优。

基于改进蚁群算法在TSP问题中的应用

蚁群算法(ACO)最初的启发点为蚂蚁的寻食行为,具有易陷入局部最优、求解效率低等缺陷。遗传算法(GA)的全局搜索效率比较高,但对反馈信息的利用不够及时,收敛速度慢。ACO-GA混合算法结合了ACO算法与GA算法,以改善其缺点,获取最优解。从通用TSPLIB库中选取了eil51、rand75、eil76、pr152、bier127等10个实例,分别对ACO算法和ACO-GA混合算法的性能进行测试,对比分析其仿真实验结果。

基于可见-近红外光谱变量选择的荒漠土壤全磷含量估测研究

以新疆艾比湖湿地保护区采集的300个荒漠土壤样品为研究对象,利用ASD Field Spec○R3HR光谱仪获取的土壤可见-近红外光谱数据以及化学分析获取的土壤全磷数据为数据源,将原始光谱数据经过卷积平滑、标准正态变量变换以及一阶微分预处理后,采用蚁群-遗传结合区间偏最小二乘法提取荒漠土壤全磷含量特征波长,构建土壤全磷含量偏最小二乘回归预测模型;并与全谱偏最小二乘、蚁群-区间偏最小二乘、遗传-偏最小二乘模型进行比较。结果表明：经蚁群-区间偏最小二乘法筛选后,荒漠土壤全磷特征波段为500~700,1 101~1 300,1 501~1 700,1 901~2 100nm;进一步采用遗传-区间偏最小二乘法进行变量选择,得到共线性最小的13个有效波长,分别为：1 621,546,1 259,573,1 572,1 527,564,1 186,1 988,1 541,2 024,1 118和1 191nm。建模方法比较显示,采用蚁群-遗传结合区间偏最小二乘法选择的特征变量,建立的模型精度最高,其次是遗传算法、蚁群算法和全光谱。蚁群-遗传结合区间偏最小二乘法建立的土壤全磷含量的模型,效验证均方根误差RMSECV以及预测集均方根误差RMSEP分别为0.122和0.108mg·g-1,效验证相关系数Rc以及预测集的相关系数Rp分别为0.535 7,0.555 9。因此,经过卷积平滑、标准正态变量变换以及一阶微分预处理,并利用蚁群-遗传结合区间偏最小二乘法建立的模型不仅简单,而且具有较高的预测精度和较好的稳健性,可以估算荒漠土壤全磷含量。

蚁群-遗传算法优化近红外光谱检测花茶花青素含量的研究

目的本研究基于蚁群-遗传区间偏最小二乘(ACO-GA-iPLS)近红外谱区筛选方法预测花茶花青素含量。方法首先对花茶近红外光谱进行预处理;然后用ACO-iPLS优选出特征子区间;最后对所选的特征子区间,用GA-iPLS进一步细化花青素的特征子区间,并建立花青素的预测模型。结果优选出3个特征子区间(第1、9、10子区间),所建模型对应的交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.1460mg/g和0.1840 mg/g,校正集和预测集相关系数分别为0.9187和0.8856。结论ACO-GA-iPLS可以有效选择近红外光谱特征波长,简化模型,提高模型精度。

无人机航迹规划技术研究及发展趋势

通过对无人机航迹规划的研究,构建了无人机航迹规划的结构框架;分析了无人机系统约束及威胁场约束,探讨了无人机航迹几何建模方法及规划算法的国内外研究概况;并着重分析了规划算法。最后,阐述了无人机航迹规划面临的关键问题及发展趋势。

基于PCTSP的热轧单元计划模型与算法

根据钢铁企业热轧产品生产工艺约束条件,将热轧生产轧制单元计划模型归结为奖金收集旅行商问题,设计了蚁群最优化算法对模型进行求解.引用某钢铁企业热轧生产轧制单元计划编制的实际问题对模型和算法进行了验证,并与遗传算法的求解结果进行了对比.实验结果表明模型和算法的优化效果和时间效率都是令人满意的.该模型和算法经过改进后可应用到包含多个轧制单元计划的轧制批量计划优化问题中.

基于混合蚁群算法的WTA问题求解

武器-目标分配问题(Weapon-TargetAssignmentProblem)是一种典型的NP问题。该文提出了一种基于遗传算法和蚁群算法的混合算法(GAACO)以解决武器-目标分配问题。首先,使用遗传算法对火力分配问题形成初始解;然后,将遗传算法的结果传递给改进的蚁群算法,对问题求精确解。实验结果表明该算法求精度优于遗传算法,时间性能优于传统蚁群算法。

基于蚁群算法的喷涂机器人路径排序优化

研究喷涂机器人自动路径规划系统中的路径排序和组合问题,考虑路径顺序和喷涂方向的特点,引入开环的广义旅行商问题框架进行建模,并建立相应的优化目标和代价矩阵。利用蚁群优化算法的并行性和正反馈性对问题进行求解,保证算法的全局搜索能力和收敛性。仿真实验结果证明了该方法的有效性。

基于蚁群遗传混合算法的QoS组播路由

具有延迟、延迟抖动、带宽、丢包率等服务质量约束的组播路由问题具有NP完全的复杂度。基于蚁群优化算法和遗传算法,提出解决QoS约束组播路由问题的混合算法。利用遗传算法和蚁群优化算法各自的优点,使用蚁群优化算法选择种群,遗传算法优化蚂蚁遍历所得到的解。仿真实验结果表明,该算法可满足各个约束条件,且全局寻优性能好,能够满足网络服务质量要求。

自然计算在求解网络优化部署问题中的比较

针对现有的网络部署模型大多以区域覆盖率或网络寿命为优化目标,并假设监视区域为单一类型,不适用于求解多类型分区区域的网络部署问题,首先构建了与区域可部署度、区域重要度、区域协同度等因素相关的栅格化网络部署模型;然后运用遗传算法、蚁群算法、粒子群算法3种典型自然计算对该模型进行求解;最后分析了3种算法的收敛情况与解的特点,并探讨了关键参数变化对结果部署方案的影响.所得结论为自然计算的改进或融合提供了参考,为网络部署时的算法选取提供了依据.

基于模糊粒子群优化的计算网格工作调度算法

网格计算是利用网络把分散的计算资源组织起来解决复杂问题的计算模式,工作调度是待解决的主要问题之一。本文提出一种基于模糊粒子群优化的网格计算工作调度算法,该算法利用模糊粒子群优化动态地产生网格计算工作调度的优化方案,使现有计算资源完成所有工作的时间最小化。实验结果表明,与基于遗传算法、模拟退火、蚁群算法的工作调度方法相比,所提出的算法在时间和精度上具有一定的优势。

改进的蚁群遗传优化算法及其应用

针对当前移动机器人的一些路径规划算法存在的局限性,提出了一种基于改进蚁群优化和遗传优化的融合算法。利用改进的信息素更新技术和路径节点选择技术使算法尽快找到优化路径,来形成融合算法的初始种群,机器人每前进一步,蚂蚁就对局部路径重新搜索,并处理随机出现的障碍物;然后利用遗传算法(GA)对种群个体进行全局优化,从而能使机器人沿一条全局优化的路径到达终点。仿真结果表明了该融合算法的可行性和有效性。

基于组合优化算法的无人机航迹规划方法研究

根据遗传算法与蚁群算法各自的特点,将两者进行有机结合构成GA-ACO(genetic algorithm-ant colony optimization)组合优化算法,并将其应用在航迹规划路径寻优中以获取高质量的飞行航路。首先采用全局搜索能力强的遗传算法进行全局快速搜索,选取遗传算法得到的较优解集合,构成蚁群算法中初始信息素分布,再利用蚁群算法正反馈机制的特点求精确解,该组合优化算法在克服两种算法缺点的同时发挥了各自的优点,达到优势互补。仿真结果表明,与基本蚁群算法相比,GA-ACO在提高效率的同时改善了解的质量,是可行和有效的。

无人机多机协同航迹规划的研究及发展

构建了无人机协同航迹规划的结构框架，并阐述了其发展，分析了无人机系统约束及威胁场约束，探讨了无人机航迹几何建模方法及协同规划算法的国内外研究概况，并着重分析了协同规划算法如遗传算法、神经网络及蚁群算法。最后，阐述了无人机协同航迹规划面临的关键问题及发展趋势。

改进GA在房地产开发项目投资组合中的应用

传统遗传算法(GA)存在着易陷入局部最优的缺陷,本文提出了一种先利用信息熵调整遗传与变异的侧重点,实现算法参数自适应调节,而后再利用小生境算法在基因层面上对GA进行优化以确定最优解的改进的遗传算法。并将此算法引入房地产开发项目投资组合中,计算实例证明了该法具有较高的稳定性和鲁棒性。

基于鱼骨型仓库布局的多车拣选路径问题优化

为了推动鱼骨型仓库在实际场景下的应用,针对鱼骨型仓库布局下的拣货路径优化问题,构建待拣货点距离计算模型和以有载重、容积限制的多车拣货距离最短为总目标的拣选路径优化模型。考虑遗传算法(GA)全局搜索能力强、粒子群算法(GAPSO)收敛速度快以及蚁群算法(ACO)较强的局部寻优能力,提出一种解决拣选路径优化模型的混合算法(GA-PSO-ACO)。通过不同订单规模的仿真实验,得出该混合算法在适应度值、迭代次数、收敛速度等方面均优于GA算法和GAPSO算法,且在订单规模较大时,平均适应度值约降低8%,有效缩短了总拣选距离,验证了混合算法在解决鱼骨型仓库布局下的拣货路径问题的先进性和有效性,为解决此类仓库内部的拣货路径问题提供新的解决方法和思路。

融合AntNet与遗传算法的动态网络路由算法

提出了一种新的动态分布式网络路由算法。在AntNet算法中引入了路径遗传运算(GA),提出了新的信息素更新策略。对蚂蚁发现的路径进行染色体编码,并用适应度函数对其进行适应度评价,通过路径交叉和路径变异运算以及种群的不断进化,来提高解的质量。仿真结果表明,所提出的算法能快速收敛,且有效地提高了网络吞吐量、降低了平均延时。

基于遗传-蚁群算法的不同形状物体的布局

针对不同形状物体布局的特点,依据遗传-蚁群算法的基本思想,分析了不同形状物体基因的编码、适应度函数的表示、信息素的更新机制以及在其约束条件下的相应操作,提出了不同形状物体的布局求解方案。仿真结果表明,该算法收敛速度快,可在较短时间内获得较佳的布局方案。

三种现代优化算法的比较研究

现代最优化算法比较常见的有遗传算法、蚁群算法、微粒群算法、人工鱼群算法等。本文主要对前三种算法优化性能进行比较研究。首先介绍了三种算法的基本原理,然后总结了各自的优缺点并从原理和参数两个方面对三种算法进行了对比分析,最后以经典TSP问题为例进行了仿真研究并得出了一些指导算法适用范围的结论。