基于改进A^(*)蚁群融合算法的路径规划研究

随着智能化技术的发展,无人车路径规划技术在未来无人战场上将发挥重要的作用。针对A^(*)算法易发生碰撞障碍物的问题,提出通过改进转弯机制进行避碰。针对路径较长和不够平滑的问题,提出一种改进A^(*)蚁群融合算法。仿真结果表明,使用改进A^(*)蚁群融合算法得到的路径长度和平滑度更优,简单地图中路径长度减少2.34%,总转弯角度减小5.62%;复杂地图中路径长度减少2.62%,总转弯角度减小26.3%。因此,该算法在保证无人车避障的基础上,有利于其快速完成相应任务。

多传感器融合下船舶机电系统多发故障信号监测

为了提高船舶维护效率,提出一种多传感器融合下船舶机电系统多发故障信号监测方法。根据故障状态下的信号频率,使用小波变换法提取故障信号特征参数作为蚁群算法优化BP神经网络输入,实现多发故障诊断,并通过DS证据理论完成多传感器数据融合,得出故障诊断结果。实验结果表明,该方法可通过多传感器融合判断出船舶机电系统故障类型,即使一种传感器出现故障也不影响诊断效果,诊断船舶机电系统多发故障平均准确率高达97.02%,能够实现较为精准的船舶机电系统多发故障监测。

三维环境中机器人路径规划算法改进

为解决快速扩展随机树算法(rapid-exploration random tree,RRT*)在三维环境中盲目搜索路径以及缺乏节点扩展记忆性等问题,提出一种融合蚁群算法的双向搜索算法ACO-RRT*。为适应精细化三维建模环境和解决地面起伏不平坦等问题,对RRT*算法进行改进优化。采用双向搜索策略,在起点和终点同时运行改进后的RRT算法和蚁群算法,相向而行,对路径长度和运行时间进行优化。针对生成路径不够平滑等问题,引入B样条曲线平滑策略优化路径。仿真结果表明,所提算法能够有效用于机器人三维路径规划。

IACO-GA-IPSO融合算法AUV三维全局路径规划

为了解决传统蚁群算法收敛速度慢,易陷入局部最优,传统粒子群算法搜索精度差,初始路径不规则等问题,提出一种融合了改进蚁群算法(IACO)、改进粒子群算法(IPSO)和遗传算法(GA)的IACO-GA-IPSO路径规划算法。首先定义三维海洋环境模型,将工作空间沿Z轴方向划分成水平的栅格平面;其次建立多标准的路径优劣评价模型;最后由融合算法规划路径:IACO算法生成次优种群,GA算法优化种群多样性,IPSO算法快速收敛到全局最优。实验结果表明,融合算法能充分发挥每种算法的优点,克服种群规模和收敛速度的矛盾,优化初始种群,提高全局搜索能力、局部搜索精度和算法运行效率,加快收敛速度并避免陷入局部最优路径。

融合改进蚁群算法的应急资源网络重构方法

为解决在突发公共卫生事件中医护人力资源难以快速、合理分配的问题,文中提出了一种融合改进蚁群算法的应急资源网络重构模型设计方案。该模型以蚁群算法为核心,通过引入遗传算法进行改进,避免了算法容易陷入局部最优的问题。同时,对蚁群算法更新规则进行了改进,从而进一步优化了路径规划方案。在公开数据集上进行的实验仿真结果表明,所提算法的计算精度和资源利用率均高于传统算法,且收敛速度提高了20%以上,为解决应急情况下医护资源的合理、有效分配问题提供了参考。

面向废弃物—能源—经济耦合的城市垃圾物流收运系统设计:基于智能体建模的研究

针对城市垃圾运输两阶段设计“废弃物—能源—经济”耦合的城市物流收运系统,以北京市为例,选取128个社区收集点、18个转运站和6个发电厂进行智能体(ABM)建模,基于蚁群融合算法求解收运体系的车辆路径规划问题,通过算例分析对仿真模型进行验证。研究结论表明:(1)在城市垃圾收运全程中使用柴油车辆、汽油车辆等五种车辆收运垃圾进行发电产生的碳排放低于同等电力燃烧标煤产生的碳排放,实现“废弃物—能源”转换。(2)在“收集点—转运站”阶段使用3 t的电动车辆、在“转运站—发电厂”使用8 t的汽油车辆可达到成本及碳排放最优目标,体现“能源—经济”价值在城市交通环境以及垃圾量不确定的情况下该方案亦成立。

面向网络隐私数据融合的蚁群算法优化方法

针对目前方法对网络隐私数据进行融合时,由于未能在数据融合前对数据缺失值进行插补处理,导致该方法在进行数据融合时,存在网络生命周期短和网络延时高的问题,提出面向网络隐私数据融合的蚁群算法优化方法。首先对网络隐私数据缺失值进行插补处理,并标准化插补数据生成网络隐私数据特征集;再依据邻域搜索算法优化蚁群算法,根据获取特征集生成网络连通图;最后使用优化后的蚁群算法搜索连通图,获取最佳数据融合值,实现网络隐私数据的融合。实验结果表明,运用上述方法进行数据融合时,网络生命周期长,网络延时低。

基于遗传-蚁群融合算法的干扰资源分配方法

针对多部干扰机协同干扰多部雷达的干扰资源分配问题,提出一种基于遗传-蚁群融合算法的干扰资源分配算法。首先采用综合集成赋权法结合逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)对目标雷达进行威胁评估,然后建立干扰资源多约束优化分配模型,最后采用遗传-蚁群融合算法对模型进行求解。融合算法利用遗传算法快速寻找出若干组优化解,将这些优化解用于调整蚁群算法中初始信息素的分布,利用蚁群算法对问题进一步优化,从而找到最优解,提升了算法的求解精度和求解时间。仿真结果表明,融合算法的性能在收敛速度和寻优准确性等方面相较于其他算法都有了较大提升。

改进蚁群与遗传融合算法的路径规划

针对传统遗传与蚁群融合算法在路径规划中出现的收敛慢、能耗高的问题,提出一种改进融合算法。改进基于启发函数和自适应挥发因子的蚁群优化算法,结合A*算法提出回溯策略优化死锁问题;优化遗传算法种群初始化模式,提出通信机制交叉,调整适应度函数及交叉变异因子;将蚁群算法得到的次优解放入遗传算法优化后的种群中,形成新种群进行路径规划,采用删除算子对输出路径进行优化。仿真结果表明,改进融合算法对比传统融合算法在简单地图中迭代与转弯次数上优化57%和75%;在复杂地图中迭代与转弯次数优化70%和18%,搜索效率有所提高,改进的融合算法有效。

PRM蚁群融合算法的AGV路径规划研究

针对AGV运货时需一次性取多件货物的路径规划问题,提出一种PRM算法与蚁群算法相结合的融合算法,将问题拆分为路径的选择与TSP问题分布解决,即先利用PRM算法进行AGV路径规划,再利用蚁群算法决策出取货顺序,生成总的路径。最后采用matlab进行仿真实验,并与A*算法进行对比,结果证明了PRM蚁群融合算法比A*算法得出的路径更短、效率更高。

汽车门板焊接路径的多种群自适应融合蚁群优化

为了减少汽车车门焊接路径的长度、提高车门的焊接效率,提出了基于多种群信息素自适应融合蚁群算法的焊接路径规划方法。对车门焊接路径规划问题进行了描述,并建立了其优化模型。将基本蚁群、蚁群系统、最大最小蚂蚁系统组成多种群算法,给出了基于信息熵的子群路径多样性度量方法和基于相对熵的子群间差异性度量方法,参考子群路径多样性自适应确定了子群交流时机,依据子群间差异性自适应确定了子群的交流和融合对象,从而提出了多种群信息素自适应融合蚁群算法。将多种群信息素自适应融合蚁群算法应用于车门焊接路径规划,并于文献[11]的自适应蚁群算法进行对比,这里所提的多种群信息素自适应融合蚁群算法规划路径的最优值、平均值和耗时均小于文献[11]的自适应蚁群算法,验证了多种群信息素自适应融合蚁群算法在车门焊接路径规划中的优越性和适用性。

基于蚁群-改进人工势场法的移动机器人路径规划

针对移动机器人在路径规划中使用蚁群算法存在的算法前期效率低、函数收敛速度慢等问题,结合人工势场法提出一种融合算法.首先,根据传统蚁群算法数学模型,分析各个参数的作用,通过栅格地图建模,在MATLB中仿真分析出最优参数,记录各项数据.其次,通过引入中间点和目标相对距离的方法改进经典人工势场法的无法到达终点和局部锁死无法移动的问题.最后,结合两者算法特点,将改进的人工势场法和传统蚁群算法融合,在移动机器人路径规划初期,使得改进后的人工势场法发挥主要作用,后期随着信息素浓度增高,发挥蚁群算法的主要作用.通过仿真分析,验证蚁群算法和改进人工势场法后的融合算法各项结果要优于传统蚁群算法.

基于多策略ABC算法的光伏MPPT控制

光伏阵列受到局部阴影的影响,其P-U特性曲线呈现多峰特性,采用传统最大功率跟踪算法易陷入局部最优。为保证光伏阵列输出最大功率,提出一种多策略融合的人工蜂群算法(MSFABC)。首先,一方面通过均匀化与随机化相结合的初始化策略以保证蜜源的多样性,另一方面执行精英个体引导和自适应权重因子调节的协同搜索策略,以平衡全局和局部搜索能力;其次,引入随机-定向的双变异策略,使蜂群个体根据其种类的角色特性发生相应变异,避免算法陷入局部最优;最后,将MSFABC算法应用于光伏MPPT中,与P&O、PSO和ABC算法对比。结果表明,静态和动态多峰条件下,MSFABC算法在保证较高跟踪精度的同时具有较快的跟踪速度以及较少的功率波动。

Text clustering based on fusion of ant colony and genetic algorithms

Focusing on the problem that the ant colony algorithm gets into stagnation easily and cannot fully search in solution space,a text clustering approach based on the fusion of the ant colony and genetic algorithms is proposed.The four parameters that influence the performance of the ant colony algorithm are encoded as chromosomes,thereby the fitness function,selection,crossover and mutation operator are designed to find the combination of optimal parameters through a number of iteration,and then it is applied to text clustering.The simulation results show that compared with the classical k-means clustering and the basic ant colony clustering algorithm,the proposed algorithm has better performance and the value of F-Measure is enhanced by 5.69%,48.60%and 69.60%,respectively,in 3 test datasets.Therefore,it is more suitable for processing a larger dataset.

蚁群-遗传融合的文本聚类算法

针对蚁群算法容易出现停滞现象而不能对解空间进行全面搜索的问题,提出了一种蚁群-遗传融合的文本聚类算法.该算法将影响蚁群算法性能的4个参数作为遗传算法中的染色体进行编码,基于此又设计出相应的适应度函数以及选择交叉变异算子,通过多次迭代找出最优的参数组合,并将其应用到文本聚类问题上.经与经典的k均值聚类算法、基本的蚁群聚类算法的仿真比较,结果表明所提出算法的聚类效果更好,在3个测试集上的F度量值要比k均值聚类算法分别提高5.69%、48.60%、69.60%,所以更适合于处理较大规模的数据集.

基于分布均匀度的自适应蚁群算法最优PID控制

蚁群算法是一种启发式算法,在解决组合优化类问题方面具有突出的适用特征,但由于蚁群算法按一种固定不变的模式更新信息量,确定每次路径的选择概率,故存在早熟停滞现象,且收敛速度较慢.为了克服这些缺陷,提出了一种基于分布均匀度的自适应蚁群算法优化PID控制的方法,该方法克服了蚁群算法的不足,较好地实现了PID控制参数Kp、Ti、Td的优化,系统单位阶跃响应超调量σ和调整时间ts获得改善,并具有广泛的应用前景.

蚁群前馈神经网络在煤灰熔点预测中的应用

提出了一种蚁群前馈神经网络模型。采用蚁群算法和BP算法相结合的方法训练神经网络,可避免单纯BP算法容易陷入局部最优的不足,降低算法对初值的敏感性。应用蚁群前馈神经网络建立了灰熔点的模型,并对模型的预测性能进行了验证。结果表明,该方法的预测精度比单一的BP神经网络模型有较大提高,训练后的网络模型可以用于煤灰熔点的预报。

基于蚁群神经网络的两级信息融合算法

为了保证地下车库空气质量的同时尽量降低系统能耗,针对地库环境监测系统,提出了一种基于蚁群神经网络的两级数据融合算法TLIFA-ACOBP,该算法将分簇结构与神经网络模型有效结合,设计了一个基于分簇的无线传感器网络两级数据融合模型.首先运用蚁群优化(ACO)算法对BP神经网络的权值进行优化,并将优化后的蚁群神经网络用于无线传感器网络的信息融合.通过对簇成员节点采集到的原始数据进行两级融合处理,只将代表原始数据的少量特征值发送给汇聚节点,大幅度减少节点数据通信量,提高了数据传输效率,同时降低了系统能耗.

基于信息融合的电信客户流失预测研究

针对数据挖掘方法在电信客户流失预测中的局限性,提出将信息融合与数据挖掘相结合,分别从数据层、特征层、决策层构建客户流失预测模型。确定客户流失预测指标;根据客户样本在特征空间分布的差异性对客户进行划分,得到不同特征的客户群;不同客户群采用不同算法构建客户流失预测模型,再通过人工蚁群算法求得模型融合权重,将各模型的预测结果加权得到预测最终结果。实验结果表明,基于信息融合的客户流失预测模型确实比传统模型更优。

求解带时间窗车辆路径问题的动态混合蚁群优化算法

为求解带时间窗车辆路径问题,针对传统蚂蚁遗传混合算法中参数静态设置、冗余迭代及收敛速度慢等缺点,提出一种动态混合蚁群优化算法(DHACO).该算法首先借助最大最小蚁群得到初始解,利用蚁群优化算法求解带时间窗车辆路径问题的基本可行解.然后采用遗传算法交叉和变异操作对局部解和全局最优解进行二次优化,从而得到最优解.最后利用蚂蚁遗传混合算法融合策略,动态交叉调用蚂蚁算法、遗传算法,根据云关联规则自适应控制蚁群算法参数.DHACO有效减少无效迭代次数,加快收敛速度.仿真结果表明,与其他相关的启发式算法相比,DHACO优于某些实例的已知最优解.