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。

利用蚁群算法辨识PMSM伺服系统负载转矩和转动惯量

提出用蚁群矢量移动算法同时辨识永磁同步电动机(PMSM)伺服系统负载运行时的转动惯量和负载转矩,以便速度环的PI参数整定和转矩补偿。其原理是把蚁群的平面矢量移动正交分解成水平和垂直两个方向,分别和转动惯量及负载转矩对应,每只蚂蚁的位置对应一种转动惯量和负载转矩组合的可能解。运用采样得到的d轴电流和速度序列数据,基于最小方差原理,建立蚂蚁信息素散发模型,使得蚂蚁位置与实际转动惯量和负载转矩越接近,蚂蚁散发的信息素越大。根据蚁群总信息素分布情况,计算蚁群的理想分布期望,与实际蚁群分布比较后,启发蚁群矢量移动,并朝最优方向聚集,收敛点为辨识最优解。精心选择蚁群的规格化分布区间,把动态的蚁群分布区间转化成规格化区间,改善收敛速度。仿真和实验表明,能同时辨识转动惯量和负载转矩,误差小;蚁群规模变大,误差更小,调整后的伺服系统动态性能变好。

基于改进蚁群算法和粒子群算法的云计算资源调度

针对云计算资源分配中存在分配不均、分配效果不好的问题,利用改进后的蚁群算法和粒子群算法进行资源分配.首先针对粒子群算法的惯性权值进行改进,设定适应度函数并选择最佳位置的粒子,然后将该粒子的位置转变为蚁群算法的初始信息素的值,通过狼群算法改进蚁群算法的信息素的选择.仿真实验表明,本文算法与蚁群算法、粒子群算法相比在任务完成时间、能量消耗方面都有了明显的改善.

基于改进型蚁群算法的灭火机器人路径规划研究

在传统蚁群算法基础上,采用随机选择和惯性保持相结合的方式搜寻节点,在获得不同路径的同时提高算法收敛速度。从已获得的路径两端沿惯性方向逼近优化,将无障碍中间节点剔除,减少机器人在最短路径上转弯次数的同时增强算法的搜索性能。通过自适应方式动态调整信息素,改善算法适应能力。仿真结果表明,通过以上改进能有效提升路径质量,可有效降低灭火机器人在室内环境中寻找火源的时间,提高灭火效率。

基于改进蚁群算法的机械手三维操作路径规划

提出一种改进的蚁群算法,实现机械手在三维栅格模型中进行最优操作路径规划。利用该蚁群算法模拟蚂蚁的觅食过程,使蚂蚁在初始点和目标点之间采用"惯性原则"和最大信息素启发策略完成最优操作路径的搜索。仿真实验验证了该方法在机械手操作路径规划应用中的有效性。即使在复杂的操作环境中,该方法也可以迅速地规划出最优操作路径。

基于高斯变异的蚁狮算法及其在组合优化中的应用

针对蚁狮(ant lion optimizer,ALO)算法在寻优后期种群数量减少、精英蚁狮影响权重减小导致算法收敛速度较慢且易陷入局优的问题,提出基于高斯变异的蚁狮(Gaussian mutation based ALO,GALO)算法。首先引用Kent混沌对初始蚂蚁种群进行扰动,提高蚂蚁种群多样性作为蚁狮寻优的基础;其次在精英蚁狮的位置更新方式中引入上一代精英蚁狮,提高算法全局搜索的能力,并通过动态切换概率平衡算法局部和全局探索的能力;最后引入高斯变异的方法,加强后期算法跳出局部最优的能力。通过10个测试函数来评估算法的寻优能力,并将其应用到0-1背包问题、桁架尺寸和动力学优化问题中,验证了GALO算法应用于组合优化问题中收敛速度更快、精度更高,为结构优化提供了一种新的方法。