一种改进蚁群算法在机器人路径规划中的应用

在基本蚁群算法的路径规划中,存在容易陷入局部最优解和搜索时间长等缺点,针对这些问题,提出了一种改进蚁群算法。初始时刻为了使蚂蚁扩大搜索范围,避免陷入局部最优,引入了分段函数,采用状态转移概率和分段的组合优化方法平衡各路径信息,而在搜索一定区域后,为了加快收敛速度引入导引函数。并针对边界障碍提出了回退策略。仿真结果表明,在栅格地图模型中,该算法能迅速地避开障碍,找到最优路径。     

一种改进的免疫算法的研究

针对免疫克隆算法中存在的算法精度低,全局收敛速度快问题,本文提出了一种改进的免疫克隆算法,通过基本免疫算法中的疫苗策略和局部搜索中采用的高斯变异,使得算法的精度提高,降低了全局收敛速度,提高了局部最优解的范围,通过3个测试函数说明本文算法相比基本免疫克隆算法提高了算法的性能,提高了算法精度。     

基于蚁群优化的协作学习模式研究

蚁群算法是一种求解复杂组合优化问题的启发式算法,但收敛速度慢且搜索时盲目性大。在协作学习模式中为了进行合理分组和提升学生的协作学习能力,提出了一种在外加信息素的干扰下改进型的蚁群算法,并实现两者的有效融合。实验结果表明,蚁群优化在学生的协作学习中表现出较强的优越性,能较好地求解非线问题,并能达到全局最优的解。     

基于自适应变异的动态粒子群优化算法

提出了一种新的基于自适应变异的动态粒子群优化算法。该算法除了采用动态惯性权重外，还引入了自适应学习因子和新的变异算子。该算法在运行过程中，根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率，采用新的变异算子变异增强了该算法跳出局部最优解的能力。对几种典型函数的测试结果表明：新算法具有很强的全局搜索能力。收敛速度和收敛精度也有所提高，并且能有效避免早熟收敛问题。     

引进特殊因子回溯算法寻找最优解

蚁群算法具有收敛速度慢,易陷于局部最优解等缺点。本文以最大-最小蚁群算法和基于变异蚁群算法思想为基础,在通过蚁群算法得到局部最优解后,引入特殊因子回溯的算法来寻找位于局部最优解附近的最优解。仿真实验证明,特殊因子回溯算法应用于寻找最优解问题是有效的。     

基于改进蚁群算法的移动机器人路径规划研究

针对基本蚁群算法在机器人路径规划中盲目性大、效率低以及易陷入局部最优等缺陷,提出一种在蚁群算法中修改信息素初始值、改进全局信息素更新方式以及改进状态转移规则的移动机器人路径规划方案,在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明该方案能缩小最优路径的查询范围,降低发现最优路径所需的循环次数,有效提高最优路径的搜索效率,整体性能优于普通蚁群算法。     

基于求解TSP问题的ACA-GA-PSO算法

为了有效求解TSP问题,提出一种融合蚁群算法、遗传算法、粒子群优化算法思想的混合算法。该算法基于最大-最小蚁群系统框架,在选择下一个城市时采用局部搜索策略避免陷入局部最优,在每次循环结束时用演化交叉策略优化得到的全局最短路径,从而提高求解TSP问题的求解精度及收敛速度。TSPLIB中不同规模的TSP问题的仿真实验结果表明了该算法的有效性与可行性。     

一种改进的自适应蚁群算法求解TSP问题

针对基本蚁群算法存在收敛速度慢,易陷于局部最优解等缺点,提出了一种求解旅行商（TSP）问题的改进的自适应蚁群算法。     

一种基于遗传蚁群算法的海量案例检索方法

针对传统的蚁群算法在海量案例检索应用中,由于冗余案例数据的干扰,算法易陷入局部最优解而不能对解空间进行全面搜索的缺陷,将具有快速良好的全局搜索能力的遗传算法加入到蚁群系统的每一次迭代过程中,提出了一种融合遗传算法和蚁群算法的案例检索算法,对案例进行聚类处理,建立案例映射模型,克服了蚁群算法的缺陷.实验结果表明,利用本文提出的遗传蚁群算法进行案例检索,能够有效地提高案例检索的效率,取得了令人满意的效果.     

基于模拟退火-蚁群算法的机器人路径规划

针对蚁群算法在机器人路径规划中易陷入局部最优问题,提出首先利用蚁群算法寻找移动路径,然后采用模拟退火算法进行迭代,并加入回火机制消除局部最优,有效提高蚁群算法的全局搜索能力。仿真研究表明,模拟退火-蚁群算法在机器人路径搜索上可得到较短路径。     

蚁群算法在高校物品配送路径优化中的应用

在分析高校物流特点的基础上,对高校物流路径优化问题做出合理假设并构造目标函数,鉴于蚁群算法具有良好的正反馈性和并行性,运用该算法求出近似最优解。此算法能快速收敛于全局最优解,可有效地解决带有时间窗约束下的高校物流配送路径优化问题。     

基于目标函数梯度的模拟退火蚁群算法

根据蚁群算法和模拟退火算法的特点,提出了一种基于目标函数梯度的模拟退火蚁群混合算法。该算法充分考虑了目标函数的梯度,当目标函数的梯度过小时,加强当前最优解对应的信息素,使算法快速收敛;当目标函数的梯度过大时,引入回火策略以提高解的质量。将基于目标函数梯度的模拟退火蚁群混合算法用于旅行商问题,结果表明,与常规模拟退火蚁群算法相比,改进算法的收敛速度和解的质量均有一定程度的改善。     

改进蚁群算法在QoS组播路由中的应用研究

基本蚁群算法直接应用在QoS组播路由时,容易产生局部最优路径,并且收敛速度较慢,本文对基本蚁群算法的状态转移规则和信息素的更新方式进行改进,并把改进的蚁群算法应用到QoS组播路由中,提出了基于改进蚁群算法的QoS组播路由方案,仿真实验表明,改进后蚁群算法的性能明显优于基本蚁群算法。     

基于人工免疫-蚁群混合算法的WSN路径优化研究

人工免疫算法（AIA）是借鉴人体免疫机制提出的一种智能算法,它具有快速随机的全局搜索能力,但不能有效利用系统的正反馈信息,往往会做大量的冗余迭代,降低了求解效率;而蚁群算法具有分布式并行全局搜索能力,但由于初期信息素匮乏,求解速度低。基于这两种智能算法的优劣势,提出的AIAC算法充分利用了AIA的快速性和全局收敛性产生初始解,再利用蚁群算法提高求解效率,在Matlab上取得了较好的仿真效果。     

用来求解TSP问题一种改进后的自适应蚁群算法

为了提高传统的蚂蚁算法求解的质量,本文对传统的蚁群算法中的信息素进行动态的自适应调整,提出了一种新的自适应蚂蚁算法。实验结果表明该算法具有更好的搜索全局最优解的能力,并具有更好的稳定性和收敛性。     

基于遗传算法改进神经网络的电力谐波检测算法

提出了基于遗传算法改进神经网络算法进行电力谐波分析的方案。遗传算法全局搜索能力强,收敛速度快的特点弥补了神经网络算法在进行谐波分析时易陷入局部最优解的缺点,同时对初始权值进行遗传算法进化也大大加强了整个算法模型的泛化能力。针对算法本文借助MATLAB的遗传算法和神经网络算法工具箱进行仿真训练发现使用遗传算法改进神经网络算法收敛速度更快,计算结果准确性更高,具有较好的谐波分析效果。     

一种GA-BP算法的研究及性能分析

遗传算法具有搜索全局最优解的能力,并且有很强的鲁棒性,而BP算法具有很好的泛化能力和非线性映射能力,基于两种算法的特点,设计了一种GA-BP算法,该算法将遗传算法应用到神经网络中权值和阈值的优化中,将最优解的分布范围缩小,然后通过BP算法进行再次优化和精确求解,以防止神经网络陷入局部极小点,从而达到加速收敛、减少训练次数的目的;并且通过对比实验给出该算法的可行性和有效性分析,进一步验证了该算法在收敛速度和误差精度上的优越性。     

基于果蝇优化算法优化Powell的图像配准研究

基于Powell算法的互信息的图像配准方法虽然具有鲁棒性强、配准精度高等优点,但是在搜索最大互信息的过程中涉及大量的浮点运算,容易陷入局部最优。结合果蝇优化算法具有控制参数少,收敛速度快和全局最优的优点,提出一种果蝇优化算法优化Powell算法的图像配准算法。实验结果表明,改进算法可以有效地提高Powell算法的全局最优搜索的速度,限制局部最优,极大地提高配准精度,可以达到亚像素级。     

基于遗传算法和梯度下降法的聚类新算法

基于遗传算法的聚类算法是一种全局优化算法,但是其局部搜索能力较差,而梯度下降法却具有较强的局部搜索能力,本文在通过遗传算法搜索得到近似全局最优解的基础上,采用梯庹下降法进一步搜索全局最优解,得到两者相结合的新算法.     

蚁群算法优化和路径规划问题的应用研究

基于智能仿生计算的蚁群优化算法在路径规划问题中具有较好的应用前景,通过蚁群算法优化,实现机器人路径规划和应急救援的路径规划等。传统的基于蚁群算法的路径规划在信息素转换中容易导致信息丢失,产生局部收敛,提出一种基于信息素多目标Pareto支配的蚁群优化算法实现路径规划,利用信息素多目标Pareto集合序列的均匀遍历特性和逻辑差分变尺度特征,进行变尺度搜索,根据蚁群优化算法一次次地更新搜索空间,结合负反馈机制,通过蚂蚁的信息素转化进行路径分析,采用Pareto支配集记录下最优的食物源,蚁群在寻找食物过程中,避免了局部寻优和局部收敛,仿真结果表明,采用该算法进行蚁群优化后的路径规划避障效果较好,以较快的收敛速度和较少的迭代次数找到最优路径,收敛性好。