基于改进蚁群算法的飞机低空突防航路规划

蚁群算法是一种新型的基于群体的仿生算法。采用蚁群算法实现了飞机低空突防的航路规划,为航路规划问题提供了新的解决思路。并对原始蚁群算法进行了改进,提出了保留最优解、自适应选择策略和自适应信息素调整准则,有效地提高了算法的收敛速度和解的性能。最后用计算机进行了仿真,取得了较好的结果。     

基于改进蚁群算法的无人机航路规划

为了提高无人机(UAV)的作战效率和生存概率,在执行任务之前必须设计出高效的无人机飞行航路.针对这一问题,采用了蚁群算法进行航路规划,并对蚁群算法进行了改进.提出了保留最优解、自适应状态转换规则和自适应信息激素更新规则,有效的提高了算法算收敛速度和解的性能.最后用改进的蚁群算法对无人机任务航路进行了仿真,仿真结果表明,该算法是一种有效的航路优化算法.     

基于人工势场法优化的蚁群无人机航路规划

针对复杂环境下无人机航路规划问题,提出一种势场法优化的蚁群航路规划算法。为了改善蚁群初始路径搜索过程中的盲目性,将人工势场法的规划结果作为先验知识,对蚁群初始到达的栅格进行邻域信息素的初始化,进而运用改进的蚁群算法完成航路搜索任务。仿真结果表明,新算法具有收敛速度快,规划路径短以及环境自适应的优点。     

基于改进蚁群算法的无人机三维航路规划

针对蚁群算法存在收敛速度慢,容易陷入局部最优而导致三维航路规划过程中出现规划时间过长、航路没有达到最优等问题,通过对蚁群算法进行改进,提出了一种天牛须融合改进蚁群的无人机航路规划优化算法,算法通过对蚁群算法的启发函数优化并进行蚁群择优排序,然后融合天牛须算法进行航路规划;将优化算法应用于无人机的三维航路规划中,使规划算法的运行速度更快,无人机的最优航路更短。同时用改进算法与天牛须、蚁群算法的收敛时间、最优路径长度进行对比。仿真实验结果表明,改进算法与另外两种算法相比,在算法收敛度、运行速度方面有明显的提升。     

基于改进蚁群算法的无人机侦察航路规划研究

蚁群算法是一种新的源于大自然生物界的仿生随机优化方法,在一系列组合优化问题求解中取得了成效。本文将蚁群算法引入无人机侦察航路的规划,对基本蚁群算法提出了改进,提供了一种新的有效的航路优化算法,并对无人机的侦察航路进行了仿真计算。仿真结果表明改进的蚁群算法克服了基本蚁群算法的收敛速度慢、易于过早陷入局部最优的缺点,仿真结果验证了该算法的有效性。     

基于A~*蚁群算法的无人机航路规划

针对低空密集复杂环境,在构建环境模型及无人机模型的基础上,提出了一种综合运用A~*算法与蚁群算法的智能航路规划方法。其中A~*算法用于全局航路规划,蚁群算法用于局部路径重规划,利用A~*算法的导向性克服蚁群算法收敛速度慢的缺点,能够使无人机快速到达目标点。仿真结果表明,A~*蚁群算法不仅可以全局引导蚁群算法快速收敛,使无人机快速飞向目标点,同时也可以在局部环境中规避障碍,保证无人机的飞行安全。     

基于APF导向的蚁群航路规划算法参数优化研究

针对基于APF导向的蚁群航路规划算法中的参数优化问题,提出了算法中的参数优化规则。分析了APFGA算法中参数m、α、β、γ、和ρ等的选取原则,通过合理选择参数,使蚁群的搜索有效地避免陷入局部最优,加快了算法的速度,提高了蚁群的搜索效率。实验结果给出了参数选择依据,通过合理设置算法参数可以有效地改善蚁群算法的性能,有利于APFGA算法在航路规划等方面的应用和推广。     

基于蚁群算法的无人机航路规划

为了提高无人机(UAV)作战任务的成功率，在敌方防御区域内执行攻击任务前必须规划设计出高效的无人机飞行航路，保证无人机能够以最小的被发现概率及可接受的航程到达目标点。针对这一问题，对新近发展的蚁群算法进行了讨论，提出了适用于航路规划的优化方法，并对无人机的攻击任务航路进行了仿真计算。仿真结果表明，该方法是一种有效的航路规划方法。     

基于MAX-MIN自适应蚁群优化的无人作战飞机航路规划

为了保证无人作战飞机(UCAV)以最小的被发现概率和最优的航程到达目标点,在敌方防御区域内执行任务前必须进行航路规划。蚁群优化(ACO)算法的并行实现机制适合于复杂作战环境下的UCAV航路规划,但是基本ACO算法有易陷于局部最优解的缺点。在对基本ACO算法采用精灵策略保留每次迭代最优解的基础上,提出了一种适用于航路规划的MAX-MIN自适应ACO算法,并给出了改进后ACO算法的实现流程,最后采用改进前后的ACO算法对某UCAV的任务态势分别做了仿真实验。实验结果表明改进后的ACO算法可更加有效地应用于UCAV航路规划。     

改进型蚁群算法的全局路径规划仿真研究

针对传统蚁群算法收敛较慢的问题,提出了一种在复杂环境下全局路径规划的改进型蚁群算法。利用链接图法建立了路径规划的空间模型;借鉴狼群分配原则对信息素进行更新;在缩小搜索区域,提高搜索效率的过程中,引入了启发式概率公式和启发函数;通过参数自适应调整策略,进一步对最优解进行了优化。将基于Dijkstra算法的初始路径规划和改进后蚁群算法的规划结果进行了仿真对比,结果表明,改进后蚁群算法的全局优化性能较好,具有一定的有效性和可行性。     

基于改进启发式蚁群算法的无人机自主航迹规划

无人机自主航迹规划是未来无人机作战使用的关键技术难题。针对传统航迹规划方法存在的求解效率不高、实时性较差、容易陷入局部最优等缺点,提出一种基于改进启发式蚁群算法的无人机航迹规划。算法前期使用Dijkstra 算法进行初始化航迹,引入启发式信息,提高搜索效率;采用Logistic 混沌映射初始化信息素,增加解的多样性,提高算法收敛速度;算法中、后期采用多航迹选择策略和模拟退火机制,提高全局搜索能力,避免因收敛速度过快,陷入局部最优解。对该算法进行仿真分析,结果表明：在存在威胁和障碍的复杂环境中,本文的改进蚁群算法与标准蚁群算法相比,能够有效规划出一条从起点到终点的航迹,并且寻优精度更高,收敛速度更快,具有一定应用价值。     

蚁群算法的改进设计及在航迹规划中的应用

将蚁群算法与人工势场算法相结合，提出了一种新的寻优算法。在算法的设计过程中，首先引入人工势场法进行蚁群算法初始信息素的分配，避免了在迭代初始阶段，信息素太少与启发信息不成比例而使得蚂蚁集中在启发信息最强的路径上，从而陷入局部最优的问题。其次，通过引入势场引导函数改进蚁群算法的状态转移函数，避免了在三维空间中蚂蚁搜索容易忽视节点周围障碍物因素，从而陷入盲目选择导致搜索时间过长的问题。将优化算法应用于无人机三维航迹规划问题的求解，并通过仿真验证了有效性。     

数字化城市交通向导仿真的蚁群优化算法

以求解旅行商问题的蚁群算法为基础,充分考虑交通向导最佳路径的具体要求,对算法的选择机制、更新机制以及协调机制作进一步改进,引入自适应的转移策略,并融入节约法,以克服基本蚁群算法计算时间长、易出现停滞等缺陷。以湖北荆门地区车辆选择路径为研究对象,采用蚁群优化算法建立了车辆最佳路径的模型,并对其进行了仿真分析。仿真实验结果表明,优化算法比基本蚁群算法的路径更优,寻路时间更短。     

基于混合蚁群算法的柔性模糊车间作业调度

采用蚁群算法作为全局搜索算法,提出一种混合搜索策略,用于求解柔性模糊Job Shop调度问题.根据模糊Job Shop调度问题解的特性,提出基于     

基于Voronoi图和蚁群算法的无人机航迹规划

为提高无人机任务环境模拟的真实性,利用改进后的Voronoi图对任务环境进行建模。同时,为了更快地生成一条满足任务需求的最优飞行航迹,提高航迹规划的实战性和高效性,分析了蚁群航迹规划算法的运行原理,以及算法运行机制对算法性能的影响,提出了算法的改进原则,并在此基础上给出了新的信息素更新方式和新的启发式。利用改进后的蚁群算法,在改进型Voronoi图上进行了无人机航迹规划。计算机仿真结果表明,改进后的蚁群航迹规划算法与传统的蚁群航迹规划算法相比,运行时间更短,收敛速度更快,且得到最优航迹的概率更高,验证了算法改进原则的有效性。     

基于改进蚁群算法的结构形状优化

 对TACO算法进行了改进，引入最大最小蚁群算法，并提出正实数编码方法和添加常数项的信息素更新技术，以增大算法搜索范围，简化搜索过程，降低挥发系数、信息素上下限等参数和优化函数值对算法的影响程度，改善算法的性能，提高算法的普遍适应性，并通过3个函数的优化求解，证明了其有效性。对于目标函数为隐式的复杂结构优化问题，提出将改进的蚁群算法与有限元方法相结合的方法，发展用于航空发动机涡轮盘的结构形状优化分析，结果表明所提出的方法是成功的。