基于动态反馈A~*蚁群算法的平滑路径规划方法

针对移动机器人提出了一种基于动态反馈A~*蚁群算法的平滑路径规划方法。首先,为了克服蚁群算法收敛速度慢的缺点,提出了简化A~*算法来优化初始信息素设置以解决初次搜索的盲目性,并借鉴多策略进化机制加强算法的全局搜索能力。其次,为了进一步提高算法在路径规划中的适应能力,解决陷入局部极小和停滞问题,引入闭环反馈思想来实现参数的动态自适应调节。最后,结合三次B样条曲线对所规划的路径进行平滑处理,以满足移动机器人实际运动路径的要求。通过仿真表明:与原蚁群算法相比,动态反馈A~*蚁群算法平均可减少10.4%的路径成本和65.8%的计算时长。同时,该算法在动态和静态环境中,均能快速规划出一条光滑优质路径。

一种求解连续空间优化问题的改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。

蚁群聚类算法研究及应用

聚类作为数据挖掘技术的重要组成部分,在很多领域有着广泛应用。蚁群算法是近几年研究的一种新算法,该算法采用分布式并行计算和正反馈机制,具有易于与其它方法相结合的优点。根据蚁群算法在聚类中的应用及改进型式的不同,文章主要介绍了几种基本的流行的蚁群聚类算法,分析了它们的不同之处,并对蚁群聚类算法今后的研究方向作了展望。

蚁群算法的研究现状及其展望

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化系统,该算法采用分布式并行计算和正反馈机制,易于与其他方法结合,目前已经在众多组合优化领域中得到广泛应用。在介绍基本蚁群算法数学模型的基础上,列举了进入21世纪以来部分具有代表性的蚁群算法改进模型及其应用情况,然后重点从算法的模型改进、理论分析、并行实现、应用领域、硬件实现、智能融合等角度对蚁群算法在今后的研究方向作了系统分析与展望。

蚁群算法的研究进展评述

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化系统,该算法采用分布式并行计算和正反馈机制,易于与其他方法结合,目前已经在众多组合优化领域中得到广泛应用。本文在介绍回顾蚁群算法发展历史的基础上,简要评述了部分具有代表性的蚁群算法改进模型及其应用情况,最后对蚁群算法在今后的研究方向作了展望。

地震波阻抗反演的蚁群算法实现

波阻抗反演属于求解最优化问题,其优化目标函数可能包含多个在一定范围上的连续变量,传统的优化手段存在有些函数难以优化,容易陷入局部解,收敛速度较慢等问题。蚁群算法具有正反馈性、分布式计算和贪婪式启发搜索的特点,克服了传统优化算法的缺陷。通过分析蚁群算法的原理,提出了地震道非线性反演中蚁群算法的实现方法。利用模型对该方法进行了检验,在无噪情况下,反演结果与模型一致;在加入5%,10%和30%噪声的情况下,反演结果与模型的相似系数分别为98.76%,97.85%和86.42%。

无线传感器网络多目标路由的改进蚁群算法

提出一种集能耗、时延、鲁棒性和传输效率等于一体的多目标路由,且各目标的权重可以根据实际情况进行调节,具有较强的灵活性,提出一种正反馈和负反馈并存机制的蚁群算法,其主要思想是,若前路径比以往求得的最好路径性能更优,则当前路径信息素将加强,同时用当前路径取代最好路径,否则当前路径信息素减弱.用该改进的蚁群算法求解无线传感器网络多目标路由问题,实验数据表明:改进的蚁群算法的路由各方面性能良好,并优于目前其他典型路由.

基于蚁群优化-蛙跳算法的云计算资源调度算法

针对云计算资源调度存在效率低的问题,提出了基于服务质量(QoS)的云计算资源调度算法。首先,在蚁群优化(ACO)算法中采用质量函数和收敛因子来保证信息素更新的有效性,设置反馈因子来提高概率的选择;其次,在蛙跳算法(SFLA)中通过交叉因子和变异因子来提高SFLA的局部搜索效率;最后,在ACO算法的每一次迭代中通过引入SFLA的局部搜索和全局搜索进行更新,提高了算法的效率。云计算的仿真实验结果表明,与基本的ACO算法、SFLA、改进后的粒子群优化(IPSO)算法、改进的人工蜂群算法(IABC)相比,所提算法在QoS的4个指标中有最少的完成时间、最低的消耗成本、最高的满意度和最低的异常数值,表明所提算法能够有效地运用在云计算资源调度中。

基于“蚁群”算法的混凝土温度场反分析及温控措施模拟

通过现场温度监测获得大体积混凝土构件内部温度数据,基于瞬态温度场有限元理论和"蚁群"算法,建立了高铁墩身施工期热学参数反分析模型,利用数值模拟获得了与实际接近的计算结果,能满足工程对温度控制的需要.运用"蚁群"算法可以在形成的离散解空间进行多宗量参数同时反演,该方法具有良好的计算精度和稳定性.

利用蚁群算法的记忆式图像检索方法

如何有效利用用户的相关反馈信息来进行基于语义的图像检索,是一个具有重要意义并且极具挑战性的问题。介绍了一种基于蚁群算法的记忆式图像检索方法,它是传统记忆式图像检索方法的一种改进。用蚁群算法的思想,利用用户的反馈信息建立图像的语义网络,并依据该语义网络用迭代的方法来检索图像。实验表明,该方法不仅有效,而且存储量小、计算量少。

双种群改进蚁群算法

基本蚁群优化(Basic Ant Colony Optimization,BACO)算法在进化中容易出现停滞,其根源是蚁群算法中信息的正反馈．在大量蚂蚁选择相同路径后,该路径上的信息素浓度远高于其他路径,算法很难再搜索到邻域空间中的其他优良解．对此,提出一种双种群改进蚁群(Dual Population Ant colony Optimization,DPACO)算法．借鉴遗传算法中个体多样性特点,将蚁群算法中的蚂蚁分成两个群体分别独立进行进化,并定期进行信息交换．这一方法缓解了因信息素浓度失衡而造成的局部收敛,有效改进算法的搜索性能,实验结果表明该算法有效可行．

一种改进的动态信任信息聚合算法

随着分布式应用系统的发展,系统形态正从相对静态的形式向开放的、动态的服务模式转变。在这动态环境中,基于证书的静态信任机制就不再适应,就出现了动态信息机制管理问题。其中,核心问题之一是动态反馈信息的聚合。而现有的动态信任聚合算法基本都采用基于信任链或广播方式,这样往往导致了系统运算收敛慢、可扩展性差等问题。文中提出一种改进的动态信任信息聚合算法。首先,利用一种反馈信任值聚合方法获得反馈信任值;接着,在此基础上,基于蚁群算法通过多次循环寻找出多条较优的独立信任路径,并获得最终的反馈信任值。实验结果表明,该算法效率较高,可扩展性较好,可以获得较合理的反馈信任值,而且可在一定程度上有效防止联合欺诈行为。

基于反馈寻优的旅游物流线路优化模型

针对旅游物流线路分析了旅游用品供应链中的运输线路,详细阐述了供应链中旅游用品制造商、旅游用品批发商之间进行物流线路优化的意义,提出了一种基于蚁群反馈寻优模型的旅游物流线路优化方法。利用蚁群方法,对采集的旅游用品物流路径进行反馈,从而为旅游物流线路优化提供准确的数据基础。根据上述数据,建立粒子群寻优物流运输模型,选取最优的旅游物流线路,从而实现旅游物流线路优化。实验结果表明,利用本文模型进行旅游物流线路优化,能够提高旅游物流的运输效率,降低旅游物流的运输成本,取得了令人满意的经济效益,在实际的运输过程中,具有较强的可操作性。

基于蚁群正反馈的Agent联盟形成策略

联盟形成是多agent系统中的一个核心问题,由于系统的计算资源有限,因此设计一种能有效缓解计算瓶颈和信息拥塞的联盟形成策略是关键。基于蚁群算法的正反馈思想,以熟悉度表示agent之间的相互关系,提出了一种具有"正反馈"特性的联盟形成策略。仿真实验的测试及分析说明了该策略能在一定程度上降低整个系统的通信代价和资源开销,提高了系统的可靠程度。

基于蚁群算法的高速公路人口匝道控制

提出一种具有普适性的蚁群算法,该算法对参数的转移概率和信息素的计算方法进行了改进,提高了算法的全局性能,将其用于高速公路入口匝道控制器的参数寻优。建立了高速公路交通流模型,结合非线性反馈理论设计了蚁群算法优化的入口匝道PI控制器,给出了蚁群算法优化的步骤,并用Matlab软件对控制器进行了仿真研究。仿真结果表明,基于蚁群算法优化的匝道控制器响应速度快,计算效率高,具有良好的动态和稳态性能。将该方法用于高速公路入口匝道控制中,效果良好。

基于负反馈机制的蚁群算法及其在机器人路径规划中的应用

蚁群优化算法是解决机器人路径规划问题的有效方式。首先,利用栅格法对场景进行建模,然后再利用蚁群算法寻找简单环境或复杂环境下的最优路径。针对增强的蚁群算法易陷入局部最优解的问题,本文设计了具有负反馈机制的改进的蚁群算法,并以此来解决机器人路径规划问题。该算法利用搜索的历史信息,并通过获得失败经验,指导蚁群在优化过程中探索未知空间。该算法旨在利用负反馈来改善解的多样性,从而获得最优路径。实验结果验证所提改进算法在路径规划问题上有明显优势。

双向反馈蚁群算法在网络负载均衡问题的研究

针对网络资源管理中的负载均衡与优化问题,提出一种双向反馈蚁群算法,用蚂蚁数量代表网络资源流量,通过蚂蚁间信息素的相互作用和动态控制来实现网络流量分担到多条可用路径。将蚁群算法扩展为双向反馈的蚁群算法,蚂蚁判断各条路径上的信息素浓度的同时,考虑可选链路的负载情况,决定选择要走路径,使得蚂蚁相对均衡地分布在可选链路上。仿真实验结果表明,双向反馈蚁群算法比原蚁群算法在缩短自适应时间,减少丢包率,提高负载均衡效率方面都具有更好的性能。

基于自适应蚁群算法的模糊聚类算法

将自适应蚁群优化算法与FCM(Fuzzy C-Means)算法相结合,提出了一种模糊聚类分析的新算法.该算法通过把FCM算法中的目标函数降维,将其转化为自适应蚁群优化算法中的优化函数,通过对各个节点的路径连接数的衡量,根据蚂蚁在搜索过程中所得解的分布状况,动态调节蚂蚁的路径选择和信息量更新,从而得到目标函数的最优解.结果表明,该方法比FCM算法具有更好的收敛效果和更高的聚类准确率.

具有负反馈机制的改进的蚁群算法在机器人路径规划中的应用

蚁群优化算法是一种可以有效解决机器人路径规划问题的方法,为加快收敛速度,部分学者从正反馈方面做出一些改进,但这些改进方式在复杂环境中依旧容易陷入局部最优解。为解决上述问题,运用栅格法对场景实施建模,并通过蚁群算法找出简单及其复杂条件下的最优路径,之后,设计具有负反馈机制的改进蚁群算法,用于解决机器人规划方面的问题。实验表明,该算法能够通过负反馈有效改善解多样性问题,有利于迅速获取最优解。

引入熵的自适应双种群蚁群算法

为了克服蚁群算法解决旅行商问题(TSP)存在的收敛速度慢和解的质量不高等问题,提出了一种新的引入熵的自适应双种群蚁群算法RBAC。将蚁群划分为红蚁群和黑蚁群,红蚁群在路径选择中引入反馈算子优化解的质量,黑蚁群在信息素更新规则引入负荷算子和反馈算子加快收敛速度并防止陷入局部最优。运用信息熵调控红黑蚁群的划分,当熵值达到目标数值时使红蚁群失活并复制相应数量黑蚂蚁,从而前期提高解的质量,后期加速收敛速度。应用RBAC求解TSP问题,并与经典ACS算法进行比较,结果表明RBAC算法在解的质量和收敛速度之间达到良好的平衡,尤其在大规模城市问题中效果更好。