|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于改进蚁群算法的多目标路径规划研究显示文摘传统蚁群算法因在复杂环境中容易产生死锁,导致部分蚂蚁失效,造成效率低下,迭代次数增多。为此,提出了一种利用环境信息引入环境因子来调整启发函数的方法从而降低死锁情况的发生,增加了有效蚂蚁的数量,从整体上提高了蚁群的搜索速度,扩大了搜索范围。同时,传统蚁群算法在路径规划中仅在理想地域内寻求最短路径,而多因素环境中最短路径往往并非最优解。为解决此问题通过在不同环境中对转移概率进行加权优化在追求路径最短的基础上提出多目标路径规划,丰富了蚁群算法的实用性和现实意义。最后经仿真实验对优化算法进行验证,证明了上述优化的可行性。 | 马小铭 靳伍银 | 2020 | 计算技术与自动化2020，39，4： | 22 |
| 2 | 基于改进蚁群算法的三维航迹规划显示文摘针对蚁群算法在无人机(UAV)三维航迹规划中存在的收敛速度慢、空间复杂度高的缺点,提出了一种基于改进蚁群算法的无人机(UAV)三维航迹规划方法。该方法改进了局部搜索策略、初始信息素调整因子并在启发函数中加入了路径偏移因子,从而降低了航迹搜索空间的复杂度,提高了算法的搜索效率和收敛速度。在利用DEM数字高程数据建立的搜索空间中,该算法与现有算法相比,规划航迹缩短约24.08%,运行时间减少约11.56%,表明改进蚁群算法在无人机(UAV)三维航迹规划中的可行性和有效性。 | 魏江 王建军 王健 秦春霞 梅少辉 | 2020 | 计算机工程与应用2020，56，17： | 12 |
| 3 | 改进蚁群算法的BRBP神经网络功放逆向建模方法显示文摘针对BP(back propagation)神经网络直接逆向模型精度低、耗时长、易振荡等缺点,提出一种联合改进蚁群算法(IACO)与贝叶斯正则化算法(BR)的BP神经网络逆向建模方法。通过改进蚁群算法,根据搜索阶段设置挥发因子、路径优劣程度更新信息素,并在启发式因子中考虑出发点、终点与各节点的间距等,优化正向模型的权值,提高整体模型精度;之后使用L1/2范数的贝叶斯正则化算法逆向迭代正向模型的输入,达到提高网络稳定性的目的。将本文方法应用于可重构功率放大器中,实验结果表明:相比于直接逆向建模方法和自适应η逆向建模方法,本文方法的建模精度分别提高99.77%、90.70%,平均运行时间分别减少35.76%、2.05%;本文方法可降低功放设计的复杂度,提高其设计速度。 | 南敬昌 臧净 高明明 | 2020 | 激光与光电子学进展2020，57，1： | 9 |
| 4 | 双向蚁群算法的智能消防疏散图路径规划显示文摘当前我国正处在城市发展高速时期,综合建筑不断涌现,这时可根据火灾实时信息自动调整疏散路径的智能消防疏散图应运而生。路径规划算法是智能消防疏散图的重点研究方向之一。针对智能消防疏散图需结合火场信息动态规划路径等问题,提出了一种改进双向蚁群算法。添加了双向搜索策略,提高了算法全局搜索能力;结合A*算法改进了初始信息素分布,减小了算法初期搜索盲目性;改进了信息素更新策略,提高了算法收敛速度;结合火场信息和转向惩罚系数对算法蒸发系数、启发函数和转移概率进行改进,降低了陷入局部最优风险,提高了算法搜索效率和路径平滑性,并有效避开了火灾影响区域。通过仿真验证了算法有效性。 | 张苏英 郭宝樑 陈灵芝 刘慧贤 | 2021 | 计算机工程与应用2021，57，14： | 8 |
| 5 | 改进蚁群算法在TSP问题中的应用显示文摘针对蚁群算法求解TSP问题易陷入局部最优,求解结果精度低的问题,提出一种蚁群算法的改进方案以更有效地避免算法陷入局部最优,进而提高算法搜索最优路径的能力。将TSP问题中点与点之间的距离信息引入初始各路径信息素残留量的赋值中,使得算法迭代初期各路径信息素残留量对算法的收敛更具导向性;在算法收敛到一定程度时,加快路径残留信息素的挥发速度,并减小蚂蚁走过路径所留下的信息素量,从而提高算法整体的全局搜索能力,增加探寻到潜在更优路径的可能性;当算法收敛到可能陷入局部最优的情况时,重置各路径信息素残留量,重新探寻最优路径,减小算法陷入局部收敛的概率。通过MATLAB 2018b对多个TSP实例问题进行编程求解,最终的仿真实验结果表明改进后蚁群算法能有效提高算法的正确收敛率和求解结果精确度。 | 徐书扬 王海江 | 2020 | 现代计算机2020，26，25： | 5 |
| 6 | DBSCAN聚类处理的改进蚁群算法在车辆路径问题中的应用显示文摘传统的蚁群算法在求解车辆路径问题时迭代速度较慢,且求解精度较低,易陷入局部最优。针对这些问题,利用DBSCAN聚类算法对车辆路径问题中的各个物料配送点进行聚类划分,并根据聚类划分的情况对蚁群算法中的信息素矩阵合理初始化,实现对蚁群算法的改进,使得改进后的蚁群算法能有更高的求解精度和更快的收敛速度。通过MATLAB2019A对实验结果进行仿真测试,并与其他算法横向对比,可得改进后的蚁群算法在求解辆路径问题时有着更高的求解精度和更快的收敛速度,特别是在配送点分布相对密集和各配送点需求量较小时有着明显的效果。 | 徐书扬 俞鸿烽 潘华铮 张宇来 | 2020 | 电脑知识与技术2020，16，19： | 4 |
| 7 | 基于改进蚁群算法的盘点型机器人路径规划显示文摘针对盘点型机器人盘点物品过程中路径规划实时性和稳定性差的问题,以传统的蚁群算法为基础,提出了一种改进型的蚁群算法。改进型的蚁群算法包括三点优化:第一是提出了自适应的挥发系数设置方法,即算法前期设置较小的挥发系数,减小蚂蚁间互相吸引;算法后期,挥发系数设置较大,提高算法收敛速度。第二是对各个路径上的初始浓度做出调整,加大了起始点和终点连线附近的信息素浓度。这样能较大提高前期搜索的速度。第三是全局信息素更新时,按单次迭代出的路径长短,在较短路径上加强信息素浓度,在较长路径上削减信息素浓度。研究结果表明,当对传统算法做出这三点优化后,改进后的算法不仅路径规划收敛的速度更快,效率更高,而且寻得的路径也更优更稳定。经仿真实验验证,在类旅行商问题上,改进后的算法确实有更快的收敛速度,且能避免陷入局部最优解,而得到全局最优路线。 | 马金科 王直 | 2019 | 计算机技术与发展2019，29，7： | 3 |
| 8 | 基于蚁群算法的分区拣货法的改进与实例研究显示文摘互联网为电商提供了更多的销售渠道,传统的拣货方式已不能满足网上订单日益增长的需要。针对网上订单的拣货问题,提出一种新型高效、可操作的拣货模型,通过建立评价模型,验证其在节省时间与成本上的优势。利用建立的评价模型,引入拥挤度因子与熟练度因子,衡量拣货方法的效率。在分析原模型的基础上提出了基于蚁群算法的分区拣货模型,利用蚁群算法的正反馈及强鲁棒性,提高拣货效率,缩短拣货时间。通过不均衡的人员配置,优化该分区拣货模型,提升分拣效率。 | 孟庆岩 王晶晶 | 2021 | 电子设计工程2021，29，11： | 2 |
| 9 | GA-ACO算法优化BP神经网络的重型车排放预测显示文摘为了减少实际行驶排放试验(real driving emission,RDE)受到驾驶行为、车型等干扰的情况,降低试验耗时和测试成本,基于BP神经网络建立了重型车的排放预测模型,引入遗传算法(genetic algorithm,GA)和蚁群算法(ant colony optimization,ACO)进行优化。使用便携式排放测试系统(portable emissions measurement system,PEMS)对某重型车进行RDE试验,并将试验数据划分为训练集、测试集、验证集,通过B型关联度算法提取数据主要成分用于训练与预测。结果表明:瞬时排放水平上,NO_(x)预测结果与样本数据的皮尔逊相关系数为0.9686,线性高度相关;整体误差水平上,NO_(x)排放因子的最大相对误差为2.36%。该模型对重型车的瞬时排放和整体排放特性预测准确性较好,对辅助RDE试验具有参考意义。 | 闻增佳 谭建伟 王怀宇 余浩 常虹 孙文强 | 2022 | 重庆理工大学学报(自然科学)2022，36，12： | 1 |
您所在的机构暂未开通此部分的功能，请联系管理员