改进蚁群算法求解移动机器人路径规划

在全局静态环境下,提出一种改进蚁群算法,解决传统蚁群算法用于路径规划出现的收敛速性差、局部最优和求解质量差等不足。该算法引入障碍物排斥权重和新的启发因子到路径选择概率中,提高避障能力,增加路径选择的多样性;然后,设置局部信息素的阈值和限定范围更新局部信息素,采用交叉操作获取新路径,引入最优解和最差解,改变全局信息素的更新方式,提高全局搜索能力和解的质量,避免算法陷入局部最优。仿真结果表明,该算法能有效获得最优路径,在长度上比蚁群算法及其他算法分别减少了18%、5.7%和11%,算法迭代次数及运行时间都有所降低,提高了收敛速度和搜索能力。     

改进变步长蚁群算法的移动机器人路径规划

针对移动机器人在蚁群算法路径规划中存在陷入局部收敛且无法做到路径最优的问题,提出了改进变步长蚁群算法, 使其能够在收敛迭代次数较少的情况下做到路径最优。 针对蚁群算法应用在路径规划中的相关特性,优化信息素分配,降低局 部信息素含量对算法的影响,避免蚁群在搜索路径时陷入局部最优,在转移概率公式中增加权重因子,提高移动机器人朝着终 点方向移动的概率,有效减少蚁群收敛迭代次数,改变移动机器人移动步长,使其能在 360°内自由无碰撞移动,有效缩短路径 长度。 仿真结果表明,在简单环境下,改进变步长蚁群算法的收敛迭代次数及最优路径长度分别为 2 次及 28. 042 m,传统蚁群 算法的收敛迭代次数及最优路径长度分别为 25 次及 29. 213 m;在复杂环境下,改进变步长蚁群算法的收敛迭代次数及最优路 径长度分别为 2 次及 43. 960 2 m,改进势场蚁群算法的收敛迭代次数及最优路径长度分别为 16 次及 45. 112 7 m。 仿真结果验 证了改进变步长蚁群算法的有效性和优越性。     

改进蚁群算法在配电网规划中的应用

为了克服蚁群算法解决配电网规划问题时存在容易陷入局部最优解的缺点,在蚁群算法和云模型基础上,提出了一种改进蚁群算法。该算法利用云模型对蚁群算法的信息素强度参数和信息素挥发系数进行调整,提高配电网规划过程中的收敛速度和全局搜索能力,并利用分层前推回代算法进行潮流计算。通过算例分析,证明了该方法的可行性和有效性。     

改进蚁群算法在配电网规划中的应用

为了克服蚁群算法解决配电网规划问题时存在容易陷入局部最优解的缺点,在蚁群算法和云模型基础上,提出了一种改进蚁群算法.该算法利用云模型对蚁群算法的信息素强度参数和信息素挥发系数进行调整,提高配电网规划过程中的收敛速度和全局搜索能力,并利用分层前推回代算法进行潮流计算.通过算例分析,证明了该方法的可行性和有效性.     

基于自适应蚁群算法的AGV路径规划优化

针对传统蚁群算法在AGV路径规划中存在拐点数目较多，运行能耗较高等问题，提出一种改进的自适应蚁群算法。首先采用自适应参数调整方法，在迭代过程中不断调整信息素浓度和启发式信息的相对重要性，以增强蚂蚁搜索的目的性；其次引入多目标路径性能评价指标，在路径长度的单一指标基础上引入路径风险指标和拐点数目，以实现AGV路径规划的全局综合优化；然后提出一种奖惩机制更新信息素增量，针对不同程度评价指标的路径提供不同的信息素更新规则，避免算法陷入早熟；最后引入准均匀三次B样条平滑策略，进一步优化最优解。在20×20和30×30不同复杂程度的环境下进行仿真实验，本文改进算法相比传统蚁群算法在转弯次数上减少了113%～382%，在收敛速度上提升了798%～879%，验证了本文改进算法的有效性、可行性和优越性。     

基于ACO-PSO算法的变电站巡检机器人路径规划研究

针对机器人路径规划的传统ACO(蚁群)算法存在迭代次数多、收敛速度慢、容易陷入局部最优和出现死锁状态等问题,提出一种改进的ACO算法。结合PSO(粒子群优化)算法对传统ACO算法进行改进,减少迭代次数,提高收敛速度;通过增加随机性来扩大搜索范围,避免局部最优;利用蚂蚁回退策略解决死锁状态问题。仿真实验结果表明:改进ACO算法可以快速准确地搜索到最优路径,具有很好的寻优与避障能力。     

基于改进蚁群算法求解最优路径方法的研究

为保障电力系统供电可靠性,快速确定故障点到物资点最短路径是电力线路管理的一项重要功能.传统蚁群算法存在着收敛速度慢,易陷入局部最优解等缺点.文章针对其缺点,提出了一种结合最大最小蚁群算法,采用基于角度和信息素混合因素进行局部搜索并从起点和目标点双向搜索的改进蚁群算法.通过实验仿真表明,改进算法能有效地解决最短路径问题,...     

基于搜索集中度和动态信息素更新的蚁群算法

蚁群算法是一种启发式搜索算法，被广泛应用于求解复杂的组合优化问题。基本蚁群算法存在收敛速度慢和早熟停滞等问题，针对这些问题，提出了一种基于搜索集中度和动态信息素更新的蚁群算法。通过在选择策略中引入“搜索集中度”因子，让算法可以自适应的调节蚂蚁选择城市的范围，在此基础上采用动态改变信息素增量和信息素回滚的机制，缩短了搜索时间，也使算法更容易跳出局部极值。仿真实验结果表明，改进后的算法算法具有较快的收敛速度，提高了解的全局性，有效避免了算法陷入局部最优。     

具有方向感知功能蚁群算法的路径规划设计

传统蚁群算法在进行路径规划时收敛速度较慢,容易陷入停滞现象等缺点。为此,文章通过模拟蚂蚁的自然生理特征,给每只蚂蚁人工添加上感知能力,提出了一种具有方向感知适应能力的蚁群算法,并将其应用到路径规划中。经过大量实验测试结果表明,该算法具有较强的搜索能力,不易陷入局部最优,且能快速搜索到一条全局优化的路径。     

动态环境下基于改进蚁群算法的路径规划研究

近年来,路径规划作为移动机器人技术研究中的一个重要领域而备受关注。针对传统蚁群算法在搜索过程中存在容易陷入局部最优并且收敛速度慢的缺陷,借鉴狼群分配原则改进信息素的更新方式,加快了算法的收敛速度。随后,针对传统蚁群算法对动态路径适应性低的问题,基于预测控制理论,在路径规划过程中加入滚动窗口,能使移动机器人更好地避开环境中的动态障碍物。仿真结果表明,改进后的算法更加适合移动机器人实际所处环境的路径规划。     

多层优化蚁群算法的移动机器人路径规划研究

针对地图环境建模以及蚁群算法存在的问题,提出了一种移动机器人路径规划的多层优化方法.首先对U型陷阱栅格区域进行凸化处理,避免前期搜索混乱;设计新的状态转移规则,解决常规蚁群规划的路径过于紧贴障碍物的问题;改进距离启发式函数,有效提高算法收敛速度;设计平滑启发函数,增加蚂蚁局部探索时直行的机率,提升初始路径平滑性;提出按路程长度和平滑程度分配信息素的更新原则,利用优质蚂蚁进行全局信息素更新,进一步提高算法收敛速度;利用最大最小蚂蚁策略,防止蚁群陷入局部最优;通过二次路径优化策略,去除多余冗余点,进一步提升路径平滑性.仿真及实验结果表明,该方法能为移动机器人规划出一条安全且综合性能较好的路径,为路径规划的求解提供了一种切实可行的方法.     

基于风险度评价和改进蚁群算法的配电网网架规划

提出一种基于风险度评价和改进蚁群算法的配电网灵活规划方法.将规划年的预测负荷、电价及导线价格等参数的变化由原来的离散状态转变为多场景区间,从而将电网规划中的单一不确定性问题转化为多个确定性问题.在求解不确定性问题时,提出一种基于云模型的改进蚁群算法,通过定性关联规则推理对蚁群算法中信息素参数ρ和信息素强度Q进行定性控制和动态选取,根据算法进化情况自适应更新支路信息素,有效克服了传统蚁群算法易陷入局部最优解及收敛速度慢的问题.应用改进蚁群算法,依次获得各个场景的规划方案,并以风险度最小为标准确定鲁棒性最优的规划方案,实现电网的灵活规划.算例分析验证了所提方法的有效性.     

面向业务优先级的宽带卫星ATDM前向链路资源调度算法

研究了宽带卫星通信系统中异步时分复用(ATDM)前向链路资源受限条件下的资源调度问题。以优先传输实时业务、兼顾用户优先级以及系统吞吐量为优化目标，以调制编码模式、复帧数量和优先级等为约束，建立了资源调度目标函数。提出了以初始解集构造、增强全局搜索为核心的改进蚁群优化算法(ACO),求解该资源调度问题，避免了传统的蚁群优化算法存在初始阶段信息素匮乏导致的搜索速度过慢、局部搜索能力较弱以及易陷入局部最优等缺点，提高了算法在实时性、高效性需求较强的卫星调度过程中的应用。仿真实验表明，所提算法可以准确求得最优解，准确率高达99.8%,其收敛速度较传统算法提高了55.6%,与传统算法相比，所提算法已调度业务的目标函数f、综合权重y、系统吞吐量分别提高了8.4%、6.6%、12.1%,在资源调度方面具有良好的准确性、敛散性和优化性能，且与同类型优化算法相比具有更高的调度效率，适用于ATDM卫星通信系统资源调度。     

结合蚁群算法和萤火虫算法的无人船路径规划

为提高无人船在执行水质采样任务时的路径规划效率，提出一种结合蚁群算法和萤火虫算法的路径规划算法。首先，在构建最短采水路径网络时，将转向角代价启发函数引入传统蚁群算法，减少路径搜索结果中的频繁转向；其次，剔除搜索结果中的冗余结点，进一步减少无人船转向次数，使所求得路径更适用于无人船实际航行。最后，在求解最优采样顺序时，基于随机修正的方式设计了一种改进的萤火虫算法，提升了算法的收敛速度。仿真实验结果表明，本文所设计算法能够完成水质采样任务路径规划任务，相比传统算法，搜索效率更高，有效缩短了总路径长度。     

跳点优化蚁群算法的移动机器人路径规划

传统的蚁群算法（ACA）在路径规划中难以克服路径次优及收敛慢等问题。针对这些问题，提出一种跳点优化蚁群算法（JPOACA）。通过引入跳点搜索（JPS）算法价值函数，筛选出低成本的邻域节点，然后运用ACA的多邻域性扩展JPS算法的邻域，扩大JPOACA的视野，增加低成本邻域数量，在低成本的JPS算法邻域内设计夹角启发信息函数和步长启发信息函数，提高算法的路径寻优能力，最后采用在跳点处补充信息素，最优路径的跳点处额外增加信息素的信息素补充方式，提高融合算法的收敛速度。仿真结果表明，JPOACA规划出的路径光滑更好性，且收敛速度、对复杂地形的适应能力均有显著提升。     

蚁群算法在无人驾驶智能车中的应用及改进

无人驾驶智能车的最优路径问题是路径规划的核心问题,而算法的选择是其关键.选用的是模拟仿生类蚁群算法,针对传统的蚁群算法在搜索时间和运算速度上还有待提高,我们从信息素的更新方式及局部搜索策略方面进行了改进,并且将虚拟路径这一概念应用于动态路径规划中.在考虑了多种状态参数后,我们得出结论是实际路径最短的不一定就是最优路径,还需要取决于各状态参数的取值,这样的改进满足了车载系统的一些实时性和可行性要求.     

基于改进蜂群算法的工业机器人路径规划研究

针对工业机器人在复杂环境中运动的避障及路径优化问题,提出基于改进人工蜂群算法的工业机器人避障路径规划策略。首先针对传统人工蜂群算法搜索能力不足且容易陷入局部最优的问题,将禁忌搜索思想引入到人工蜂群算法最优解搜索过程中,形成了基于禁忌搜索的改进型人工蜂群算法,然后将其应用到工业机器人的路径规划问题中,并进行了仿真实验。结果表明,改进后的方法能够得到最优的路径,且寻优速度快、过程稳定。该方法可用于解决工业机器人路径规划问题。