共查询到10条相似文献，搜索用时 718 毫秒
1.
为解决无人水面艇(unmanned surface vessel,USV)在地型较复杂小型水域内的全局路径规划问题,提出一种以贪心算法、蚁群算法、栅格法建模为基础,通过加入双向搜索算法来解决传统贪心算法搜索时易陷入局部最优解等问题的贪心蚁群算法。该算法利用贪心算法规划基础路线,利用蚁群算法的信息素机制摆脱局部收敛状态,并通过双向搜索算法降低局部收敛概率。仿真结果表明:该算法搜索时间较传统蚁群算法减少70%以上,迭代次数较传统蚁群算法减少约85%;该算法在处理USV的全局路径规划问题中具有一定的有效性、合理性。 相似文献
2.
为了将微粒群优化(Particle Swarm Optimization, PSO)算法应用到离散领域,并使算法仍具有较佳的搜索性能,以信息素积累为基础,由离散状态的信息素构成微粒编码,重新构造算法的迭代公式.微粒信息素的变化基于信息素原先的情况、个体历史最优及全局历史最优.以信息素为依据进行离散状态的选择,由此提出一种基于信息素的离散PSO算法.将该方法应用于基于时延约束的最小能耗路由优化问题,能获得较好的路由优化结果,表明该算法具有优良的收敛性能. 相似文献
3.
袁桂霞 《长春教育学院学报》2012,28(8):52-53
混合蚁群算法在原有蚁群算法的基础上采用了新的信息素更新规则,把算法的效率和可用性提高了一个层次,通过实验验证混合蚁群算法对解决车间作业调度问题具有很好的性能。 相似文献
4.
文章针对传统蚁群算法在无线传感网中路由收敛速度慢、网络平均能耗大等问题,在已有无线传感网算法的基础上提出了改进的蚁群算法。该算法将相邻节点的能耗作为影响转移概率的一个因素,同时限定所经路径上的最大信息素和最小信息素。实验结果表明,该算法在不损失精确度的情况下,提高了网络传输的实时性,降低了网络的平均能耗,在一定程度上延长了无线传感器网络的生命周期。 相似文献
5.
冯月华 《贵阳金筑大学学报》2014,(1):25-27
在最大最小蚁群算法基础上,利用遗传算法优点对蚁群算法中的参数α、β、ρ、qo进行优化,为参数选择提供一种可靠有效的理论依据。通过对TSP问题的仿真实验,表明改进算法比GA、ACA得出的解更接近最优解,求解的时间效率也更优。 相似文献
6.
针对当前蚁群算法中存在的计算时间长、易出现停滞或局部收敛的缺陷,为大型物流配送系统提出一种新型的基于蚁群智能的车辆线路(Vehicle Routing Problems,VRP)优化算法——AntProber．AntProber算法借鉴选择窗口的思想并加以改进,引入依概率动态自适应调整的候选可行解链表(Candidates List,CL)机制,设计一种新颖的概率转移规则,并在此基础上提出一种智能信息素更新策略．仿真结果表明,AntProber算法具有快速、高效的全局搜索性能和良好的可扩展性,可较好地解决加速收敛与局部停滞之间的矛盾． 相似文献
7.
针对蚁群算法存在停滞现象的缺点,本文提出一种基于动态权重的选择策略以强化其全局搜索能力。改进的初始选择策略以信息素为主,扩大搜索范围,迭代一定次数后则以路径期望为主,从而提高蚁群算法的求解性能。并将改进后的蚁群算法与基本蚁群算法分别应用于旅行商问题(TSP)进行仿真实验。仿真结果表明,改进后的算法具有优良的求解性能,可抑制算法过早收敛于次优解,有效防止了停滞现象。 相似文献
8.
鉴于快时尚企业高频率配送的特性以及国家倡导的低碳环保理念,以服装产品为研究对象,以碳排放成本、车辆运输成本和顾客满意度为优化目标,建立多目标绿色车辆路径问题模型。提出一种改进蚁群算法对模型进行求解,在信息素更新过程中采用最大最小蚂蚁系统和云模型提高自身的全局搜索能力,同时对初始状态转移概率进行优化,并采取局部优化策略提高算法的适应性。仿真结果表明,提出的模型和算法能够充分调用企业资源,帮助快时尚企业科学规划车辆配送方案,降低运输成本和碳排放,实现经济效益与环境效益的最佳平衡。 相似文献
9.
针对PID控制器对配药系统控制过程中常出现不稳定和跃进等现象导致配药浓度误差过大的问题,提出改进的GWO-BP算法优化PID控制器参数在配药系统控制中的仿真应用方案。对于灰狼优化算法在全局寻优能力不足、收敛精度不高和收敛速度不够快等问题,利用改进非线性收敛因子以及改进学习因子来改变位置更新公式,进而改进灰狼优化算法收敛速率,提高寻优能力;利用改进GWO-BP算法优化PID控制器参数解决在实际工程应用中存在鲁棒性低难以得到最优的PID控制器参数等问题。仿真结果显示：IGWO-BP-PID控制器超调量从原来的23.0%降低到10.6%,调节时间从0.76 s减少到0.17s,峰值时间从0.22s减少到0.06s。IGWO-BP-PID控制器的控制效果更优、稳定性更好。 相似文献
10.
DBSCAN算法对输入参数Eps敏感,尤其当数据密度分布不均时,采用全局Eps导致聚类效果差;该算法对高维数据的处理能力也不理想。提出一种改进的DBSCAN算法LF-DBSCAN,结合蚁群聚类算法实现数据集的划分以获取参数Eps的值组,然后根据不同的Eps值分别调用DBSCAN算法,从而实现对非均匀数据集的聚类。实验结果表明,改进后的算法的有效性有所提高。 相似文献