基于统计分析的自适应蚁群算法及应用

路径规划是机器人关键技术之一。利用改进的蚁群算法进行机器人的路径规划。针对传统蚁群算法收敛速度慢且易陷入局部最优解的缺陷,在Ant Colony System算法基础上,对每代蚁群动态随机统计分析,提取最优、平均和最差的蚂蚁信息,构成自适应算子用于局部信息素的自适应更新。仿真实验结果证明该自适应算子在平衡增加收敛速度和陷入局部最优解矛盾的问题中是有效的。     

基于MapReduce的混合蚁群算法研究

传统的蚁群算法在收敛速度上较慢且容易导致局部最优解,本文提出一种基于双模式的混合蚁群算法,即在算法的每次迭代中有比例地选择其中一种模式来获得蚂蚁的最优路径,可以实现在相对较少的时间内寻找出最优路径,且避免陷入局部最优解。由于蚁群算法天然具有并行化的特性,本文将混合蚁群算法与MapReduce结合,大大缩短了算法的执行时间。实验结果表明,基于MapReduce的混合蚁群算法可以实现在相对较少的时间内寻找出较优的路径。     

基于改进蚁群算法的机器人路径规划方法

根据传统蚁群算法在机器人的路线规划中具有收敛速度慢、容易陷入局部最优解的缺陷,提供了一个经过改进的蚁群算法。使用栅格法建立路径矩阵,建立一种转角启发函数,增加选择指定路径的概率,提高算法的搜索速度;将A^*算法与改进蚁群算法结合,提出一种改进的距离启发函数,避免了陷入局部最优解;并提出一种可根据迭代次数而改变的信息素挥发因子,增强了全域搜寻能力。根据相关数据分析,与Ant Colony Algorithm with Multiple Inspired Factor(ACAM)算法相比,改进的蚁群算法对于解决算法收敛速度慢、防止进入局部最优解等方面效果更好。     

基于改进蚁群算法的机器人路径规划研究

机器人自主移动导航是近年来研究的热点.针对蚁群优化(ACO)算法存在收敛速度慢以及易陷入局部最优的问题,提出了一种改进的ACO算法来解决机器人路径规划问题.上述算法将改进的人工势场(APF)算法和蚁群算法相结合,采用改进APF算法进行初始地图规划,减少了ACO算法初始规划的盲目性.算法利用A*算法的评估函数以及路径转折角度来改进启发函数,引入启发信息递增函数,免于局部最优的同时保证收敛速度.改进算法的信息素更新机制和路径评价函数,提高了算法的全局最优性,使得到的路径更符合实际需求.通过改进该算法的信息素更新机制和路径评价函数,提高了算法的全局最优性,得到的路径更符合实际需求.仿真结果表明,改进算法能提升收敛速度和最优解.     

基于改进蚁群算法的机器人路径规划

为了解决蚁群算法易陷入局部最优及收敛速度慢等问题,研究提出一种改进的蚁群算法,通过改变方向因子的计算方式来减少寻优所需时间;通过改变信息素的更新方式避免陷入局部最优解。在栅格地图中进行仿真模拟实验,综合结果表明,改进算法与传统蚁群算法及其他相关算法相比,具有得到路径更短、收敛速度更快且路径拐点更少等优点。     

信息素增量动态更新的改进蚁群算法

蚁群算法是一种优秀的拟生态启发式算法,具有较强的鲁棒性,易与其它拟生态算法结合等特点.不过,它也存在着容易陷入局部最优、收敛速度慢等问题.通过分析蚁群算法的运行机制,得出了蚁群算法易陷入局部最优、收敛速度慢等不足产生的原因,针对这些不足,通过侈改基本蚁群算法中信息素的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,以加快收敛;同时引进了路径信息素平滑机制以平衡路径上的信息量.对TSP问题的仿真实验结果表明,改进后的算法加快了收敛速度,提高了全局搜索能力.     

个体速度差异的蚁群算法设计及仿真

针对如何提高蚁群算法搜索速度及防止算法停滞问题,提出一种改进的蚁群优化算法VACO(ACO algorithm based on ant velocity),通过构造与局部路径和蚂蚁个体速度相关的时间函数,并建立与时间函数相关的动态信息素释放机制,加快信息素在较优路径上正反馈过程,从而提高了算法的收敛速度;采取一种连续小区间变异策略,在加快局部搜索过程的同时可有效防止算法陷入局部最优.对典型TSP问题的仿真研究结果表明,改进后的算法在收敛性和对较好解的探索性能得到一定程度的提高.     

基于禁忌搜索和蚁群算法的广义分配问题研究

广义分配问题是典型的组合优化问题.蚁群算法在求解该类问题时,存在着求解时间长和容易陷入局部最优的问题.为有效地解决该问题,将禁忌搜索算法作为蚁群算法的局部搜索策略,在蚁群算法求得的优化解的基础上进行局部搜索,增快算法的收敛速度,避免陷入局部最优;在解没有得到明显改善时,采取多样化操作,强迫算法采取新的解的结构,从全新方法求解.实验结果表明,该算法与其它算法相比,具有收敛速度快、不易陷入局部最优、求解精度高的特点,能够有效地解决广义分配问题.     

改进蚁群算法的机器人路径规划研究

针对基本蚁群算法收敛速度慢,易陷入局部最优解等问题,提出一种静态障碍环境下的改进蚁群算法.利用A*算法来设定信息素初始值,提高算法初始阶段搜索效率;采用新的信息素更新规则,并且动态调整启发函数和信息素挥发速率,加快算法的收敛速度,扩大搜索空间.仿真实验表明,与其他算法在相同情况下比较,改进算法在路径相同的情况下拥有较快的收敛速度以及较高的稳定性,且在不同复杂度的环境中均能得到最优路径,验证了其有效性和可靠性.     

适用于寻源导热逆问题的混沌-蚁群算法

为克服蚁群算法应用于寻源导热逆问题求解时容易陷入局部最优解和收敛速度慢的不足,利用混沌算法的遍历性和对初值的敏感性,将其融入到蚁群算法中,建立了基于混沌路径选择机制和局部混沌搜索机制的混沌-蚁群算法。计算结果表明,建立的混沌-蚁群算法可以很好地解决寻源导热逆问题,较蚁群算法而言,提高了计算精度和计算速度。     

改进的蚁群算法在机器人路径规划上的应用

为了克服传统蚁群算法易陷入局部最优且收敛速度慢的影响,采用栅格地图建立机器人实验环境仿真模型。针对蚁群算法进行改进并将其应用到机器人路径规划上。考虑到从路径规划起点到目标点的方向性、前期存在的易陷入局部最优解以及蚂蚁收敛速度的问题,提出了添加双向搜索方向机制和比例系数引导因子的启发函数,避免了算法在搜索过程中选择与终点方向相背的区域行走或者走回路的弊端。根据不同路段被选择次数不同,设置不同信息素权重,强化了不同路段的重要性,加快算法收敛速度。在matlab软件平台上进行算法仿真,仿真结果验证了该方法的有效性。     

基于改进蚁群算法的机器人路径规划问题研究

针对蚁群算法收敛速度慢,容易陷入局部最优的问题,结合A*算法和蚁群算法提出了一种解决机器人路径规划问题的改进蚁群算法。自适应调整启发函数,在路径的后程借鉴启发式A*算法的估价函数,在ACS算法的启发函数中引入方向信息,提高算法的搜索效率,同时动态调整权重系数改变目标点的方向信息在蚂蚁移动过程中的影响,以平衡ACS算法解的多样性和收敛速度慢之间的关系。仿真实验表明,该算法不但可以提高收敛速度,而且在改善解的质量方面也取得了较好的效果。     

基于信息素初始分配和动态更新的蚁群算法

针对蚁群算法搜索初期收敛速度慢和容易陷入局部最优的问题,对蚁群算法进行改进.在初始化阶段,采用贪心策略构造次优路径并增加该路径上的信息素浓度,实现不同路径上信息素的初始分配,使信息素在搜索初期就能发挥指导性作用,让蚂蚁更快地趋向于最优解的附近;在迭代寻优过程中,引入遗传变异操作,对每次迭代后的最优路径作变异操作,尝试寻...     

自适应蚁群算法的移动机器人路径规划

针对传统蚁群算法在路径规划中存在收敛速度和寻优能力不平衡，算法易陷入局部最优等问题，提出一种自适应改进蚁群算法。为了提高算法收敛速度，在栅格环境下，根据最优路径的特点以及实际环境地图的基本参数，对初始信息素进行差异化分配；为了提高蚂蚁搜索效率，在状态转移概率中引入转角启发信息并对路径启发信息进行改进；重新制定信息素更新策略，设定迭代阈值，调整信息素挥发系数和信息素浓度，使算法在迭代后期依然具有较强的搜索最优解能力；采用分段三阶贝塞尔曲线对最优路径进行平滑处理以满足机器人实际运动要求。通过实验仿真与其他算法进行对比分析，验证了改进算法的可行性、有效性和优越性。     

基于自适应阈值蚁群算法的路径规划算法

为了克服传统蚁群算法容易陷入局部最优的问题,提高环境适应能力和收敛速度,提出了一种基于自适应阈值的蚁群算法．在优化过程早期,通过阈值对蚂蚁寻优过程进行干预避免其陷入局部最优解．随着迭代次数的增加,阈值对蚂蚁寻优过程的影响不断减小,直至完全由信息素和启发信息来指导蚂蚁寻优．仿真实验验证了优化算法的可行性和有效性．与现有蚁群算法进行比较,实验结果表明：在不同的环境下,文中提出的算法都能快速的规划出一条较优的路径,并且收敛速度和环境适应能力令人满意．     

动态信息素更新和路径奖惩的蚁群算法

针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题的情况,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效地平衡算法的多样性和收敛性。在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,跳出局部最优。同时基于最优路径集合,对较优路径进行奖励,对其他路径进行惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度。并且使用三种局部优化方法,从而进一步提高解的精度。经过实验测试,该算法用于解决旅行商问题（traveling salesman problem,TSP）,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾。     

基于改进双层蚁群算法的移动机器人路径规划

为提升移动机器人的路径规划能力,提出一种改进双层蚁群算法,将蚁群划分为引导层蚁群和普通层蚁群.为提升算法的收敛速度和路径的平滑程度,在设计引导层蚁群启发函数时加大终点栅格的吸引力,设计普通层蚁群启发函数的同时考虑起点、终点和转折点的影响;针对复杂环境下蚁群算法死锁严重的问题,为引导层蚁群设计应对死锁问题的自由寻路-剪枝...     

B样条曲线融合蚁群算法的机器人路径规划

针对蚁群算法在静态环境下全局路径规划存在无法找到最短路径、收敛速度慢、路径搜索盲目性大、拐点多等问题,提出一种改进蚁群算法。以栅格地图为机器人运行环境,对初始信息素进行非均匀分布,使路径搜索更倾向于起点和目标点的连线附近;把当前节点、下一节点和目标点的信息加入启发式函数,同时引入动态调节因子,促使启发函数在迭代前期起主导作用,而后期则加强信息素引导;引入伪随机转移策略,以减少路径选择的盲目性,加快找到最短路径;动态调整挥发系数,使得前期挥发系数大,后期较小,从而避免算法陷入早熟;在最优解的基础上,引入B样条曲线平滑策略,以进一步优化最优解,使得到的路径更短且更加平滑。对改进算法的主要参数进行敏感性分析,并对该算法的各改进环节的可行性与有效性进行了实验,而且在20×20和50×50环境下与传统蚁群算法及其他改进蚁群算法进行仿真对比,实验结果验证了改进算法的可行性、有效性和优越性。     

基于改进蚁群优化算法的养殖场机器人路径规划

养殖场巡视机器人路径规划是实现规模化养殖场智能监控的关键所在,针对机器人巡视过程中寻找最优充电路线的问题,提出一种改进的蚁群优化算法IACO。利用工作环境的全局信息建立目标吸引函数,提高蚁群选择最佳路径到达目标点的概率,缩短了算法的迭代时间。通过加入额外的信息素更新项和改进信息素挥发系数增强算法的全局搜索能力,避免算法搜索后期出现过早收敛而陷入局部最优。在简单和复杂环境中的仿真实验结果表明,与经典蚁群优化算法相比,该算法具有更快的收敛速度和良好的稳定性,可快速收敛到最佳路径。