一种遗传蚁群算法的机器人路径规划方法

研究遗传算法和蚁群算法可作为新兴的智能优化算法,在解决多目标、非线性的组合优化问题上表现出了传统优化算法无可比拟的优越性。基于将两种智能优化算法动态融合的思想提出了一种新的遗传蚁群算法(GA-ACO)。与已有的将遗传算子引入蚁群算法的结合方式不同之处在于,GA-ACO算法第一阶段采用了遗传算法生成初始信息素分布,在第二阶段采用蚁群算法求出最优解,从而有效地结合了遗传算法的快速收敛性和蚁群算法的信息正反馈机制。仿真结果表明,在具有深度陷阱的特殊障碍物环境下,应用GA-ACO算法求解机器人路径规划问题可以得到较好的的结果。     

遗传混合算法路径规划研究

遗传算法和蚁群算法被广泛应用于路径规划,但遗传算法收敛速度慢,蚁群算法易陷入局部最优,在求解旅行商问题上都有一定的缺陷。本文采用遗传与蚁群混合算法,充分利用遗传算法的快速全局搜索能力和蚁群算法的智能性,用蚁群算法迭代每只蚂蚁走过的路径序列作为遗传算法的初始种群,克服随机选择的盲目性,从而提高算法的性能。仿真计算结果表明,该算法可以找到最优解或近似最优解,并提高了求解效率。     

基于DNA-蚁群算法的车辆路径优化问题求解

蚁群算法在解决车辆路径问题(VRP)时存在过早收敛于局部最优解、收敛速度慢等问题,并且由于蚁群算法的参数选择没有严格规定,如果参数选择不当,将影响其寻找最优解的效率。为解决上述问题,将DNA算法中的交叉变异思想应用于基本蚁群算法中,提出一种新的DNA-蚁群算法,将基本蚁群算法中的参数进行DNA交叉变异,有效控制蚁群算法的参数选择,从而得到一组最优参数来求解VRP模型。实验结果表明,DNA-蚁群算法能有效解决车辆路径优化问题,更快寻找到全局最优解或较优解,提高了基本蚁群算法的寻优能力和效率。     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.     

一种新的动态物流配送路径问题的研究*

通过对物流公司配送特点的认真分析,将人工免疫算法与蚁群算法结合起来,提出基于免疫疫苗的蚁群优化（ACOIV）,设计并实现了一种解决动态物流配送路径问题的方法。首先对初始抗体接种疫苗,产生较优解;然后蚁群根据此较优解初始化信息素,进而找出全局最优解。实验表明,接种疫苗的蚁群算法能更快更准确地找到最优解。     

基于遗传蚁群算法的QoS路由算法研究

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,引入遗传蚁群算法（Genetic Algorithm Ant Colony algorithm）GAAC来解决QoS路由问题。算法设计的基本思想是首先由遗传算法产生较优解,较优的路径留下信息素,其他路径不改变,然后在有一定初始信息素分布的情况下,用蚁群算法求精解。仿真表明算法比单一采用遗传算法和蚁群算法进行路由选择具有更好的性能,且更适合于动态网络环境下的QoS路由选择。     

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。     

混合算法在车辆路径优化问题中的应用

研究车辆路径优化问题,物流配送不仅要求配送及时,而且要求运输成本低,且路径最优。车辆路径优化是解决物流配送效率的关键,传统优化方法寻优效率低,耗时长,难以得到车辆路径最优解,导致物流配送成本过高。为了提高车辆路径寻优效率,降低物流配送成本,提出一种混合算法的车辆路径优化方法。首先建立车辆路径优化数学模型,然后用遗传算法快速找到问题可行解,再将可行解转换成蚁群算法的初始信息素,最后采用蚁群算法从可行解中找到最优车辆路径。仿真结果表明,混合方法提高车辆路径寻优效率,有效地降低物流配送成本。     

蚁群优化自适应遗传算法物流车辆调度实现

研究了使用蚁群算法优化遗传算法解决物流车辆调度问题;针对遗传算法在求解车辆调度问题时容易出现早熟,导致求解质量不高的问题;首先,定义了车辆调度问题的数学模型,在此基础上提出了一种对遗传算法中的交叉和变异概率进行自适应调整的方法,通过自适应遗传算法获得最优解;为了实现对其进一步的优化,使用蚁群算法提出一种对遗传算法最优解的进行优化的算法,将从遗传算法获得的最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得到了进一步优化的最优路径;仿真实验得到平均最小配送距离仅为40.72,时间为2.11,计算效率较高,且与标准遗传算法、自适应遗传算法和蚁群算法相比,文中方法在最小配送距离、迭代数以及时间都具有较大优越性。     

改进蚁群算法求解两地间时间最优路径

研究两地间时间最优路径的问题。针对基本蚁群算法搜索的盲目性,迭代时间长,易陷局部最优解的问题,造成寻找最优路径困难。为提高寻优效率,提出一种改进的蚁群算法来求解问题。在方案中引入阀值排序算法对搜索路径进行优化,解决了蚁群算法前期搜索路径的盲目性问题。改进的蚁群算法加快了收敛速度,并提高了稳定性。经仿真证明:改进蚁群算法性在减少算法的迭代次数和提高解的稳定性方面有了较大的提高,并且能很好的用于求解路径时间最优问题。     

DEM中基于遗传与蚁群的混合路径规划算法

现有启发式算法在DEM路径规划中因数据量巨大,效率较低。针对该问题,提出一种基于遗传和蚁群的混合路径规划算法。该算法在遗传过程中,通过在初始群体生成阶段构建选择因子,使得在节点搜索时更加倾向于终点方向,提高初始群体生成效率;对变异过程中变异节点的变异区间进行限制,避免产生路径断点;在蚁群寻优过程中,根据遗传过程产生的路径信息,采用自适应信息素初始化与更新策略,提高算法搜索效率。测试结果表明,混合算法能够在规则网格DEM数据下搜索出符合条件的路径,并具有较好的效率。     

求解混杂生产调度问题的嵌套混合蚁群算法

蚁群算法作为解决优化问题的有力工具,它的有效性已经得到了证明.由于其生物学背 景,基本蚁群算法被设计来求解复杂的排序类型组合优化问题,在连续空间优化问题的求解方面 研究很少.本文提出一种嵌套混合蚁群算法,用于解决具有混杂变量类型的复杂生产调度问题, 在一种新的最佳路径信息素更新算法的基础上,提高了搜索效率.计算机仿真结果表明,本文提 出的方法在求解此类问题上性能优于另一种基于进化计算的有效方法--遗传算法.     

基于人工免疫改进的搬运机器人蚁群路径规划

针对搬运机器人在障碍环境下的路径寻优问题,提出一种基于人工免疫改进的蚁群路径规划算法(AI-ACA)。蚁群算法(ACA)的规划依赖于信息素挥发系数、期望启发因子和信息启发因子等参数的选取,传统ACA通过经验来设定这三个参数,但路径寻优中的最优参数因障碍环境而异,为解决经验参数对不同环境路径寻优结果的影响,引入人工免疫算法(AIA),对ACA的相关参数进行迭代优化,以此改善路径寻优结果。仿真结果及在自制机器人平台上测试表明,AI-ACA对于不同障碍环境可以准确地进行路径规划,在同样环境下较所参考的定参数蚁群路径规划效果有明显提升,提高了整个系统的运输效率。     

基于改进蚁群算法的机器人路径规划

针对机器人路径规划问题,提出一种改进的蚁群算法.建立栅格地图模型,结合蚁群算法,设置禁忌表,同时针对死锁问题,提出丢弃陷入死锁的蚂蚁;当蚂蚁迭代次数大于60代后,通过减小信息素增强系数Q,达到提高算法收敛速度的目的.实验结果表明,改进后的算法能快速规划出最优路径,同时能避免陷入死锁和局部优化.     

基于改进A*算法的分拣搬运机器人路径规划

为了解决分拣搬运机器人在路径规划过程中,遇到目标点众多的情况时存在路径寻优效率低、容易出错等问题。针对A*算法存在多个最小值时,无法实现路径最优化的问题进行研究,提出一种将蚁群算法与A*算法相结合的改进A*算法。首先使用A*算法筛选出一条最优化的路线来分布信息素,从而简化A*算法在路径规划上的运算。其次以筛选出的路线为基础,针对不同情况结合蚁群算法设计了三种通用方案,以此为基础进行具体的路径规划,从而解决A*算法本身存在的容易带入大量重复数据的问题。通过仿真与实际实验验证了本文提出的改进的A*算法能够满足自动分拣搬运的需求,值得推广与使用。     

动态环境下改进蚁群算法的多Agent路径规划

针对动态环境下的多Agent路径规划问题,提出了一种改进的蚁群算法与烟花算法相结合的动态路径规划方法。通过自适应信息素强度值及信息素缩减因子来加快算法的迭代速度,并利用烟花算法来解决路径规划过程中的死锁问题,避免陷入局部最优。在多Agent动态避碰过程中,根据动态障碍物与多Agent之间的运行轨迹是否相交制定相应的避碰策略,并利用路径转变函数解决多Agent的正面碰撞问题。仿真实验表明,该方法优于经典蚁群算法,能够有效解决多Agent路径规划中的碰撞问题,从而快速找到最优无碰路径。     

融合遗传蚁群算法的Web 服务组合研究

为了提高Web服务组合流程中服务选择技术的收敛性能,提出了一种基于遗传算法与蚁群算法相融合的多目标优化策略,用于解决基于QoS的Web服务组合问题。本文首先将Web服务组合的全局最优化问题转化为寻求一条QoS最优解的路径问题,并通过改进遗传算法得到蚁群算法中初始路径的信息素分布,再通过改进蚁群算法来求得最优解。仿真实验结果表明,该改进算法能在较少的进化代数下得到最优路径,提高了Web服务组合的快速全局搜索能力。     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

基于改进蚁群算法的无人飞行器航迹规划

无人飞行器航迹规划是现代战争中实施远程精确打击,提高飞行器实际作战效能的关键技术。蚁群算法作为一种启发式仿生优化算法,能够有效应用于航迹规划中。针对基本蚁群算法在应用中容易过早陷入局部最优解这一缺点,提出自适应动态双种群蚁群算法的改进策略,通过信息素的震荡变化和挥发系数的自适应调整,扩大搜索空间,提高算法搜索的全局性。并将改进后的算法应用于无人飞行器航迹规划,通过实验仿真,证明了此改进算法在航迹规划应用中的可行性和有效性。     

基于变邻域蚁群算法的自动光学检测路径规划

在确定取像窗口最少数量及其约束移动范围的前提下,为解决蚁群算法用于自动光学检测路径规划存在的问题,提出一种基于变邻域蚁群算法的自动光学检测路径规划方法。针对蚁群算法收敛速度慢、易陷入局部最优解的问题,提出含有3种邻域结构的变邻域路径搜索方法,改进蚁群算法以快速获得质量优异的可优化路径;针对取像窗口位置可调整的问题,提出变邻域窗口位置调整方法,进一步改善可优化路径,获得最短路径。实验结果表明,该算法比基本的蚁群算法具有更高的求解效率和求解质量,有效提升了自动光学检测系统的在线检测效率。