自动化码头多AGV路径冲突的优化控制研究

针对自动引导车(AGV)在自动化码头水平运输过程中可能发生的路径冲突问题,提出一种将AGV路径容量、安全距离、行驶时间及行驶速度相结合的多参数优化控制模型.Dijkstra算法规划多条AGV路径,位向量交集运算法检测路径冲突,改进的速度控制策略通过控制AGV在冲突节点处的行驶速度,解决冲突问题.对某自动化码头的AGV路网进行仿真实验和分析.比较停车策略、速度控制策略和改进的速度控制策略的结果,验证了改进速度控制策略在AGV路径冲突问题中的可行性及有效性.     

双向蚁群算法在无人驾驶车辆路径规划中的应用

针对传统蚁群算法在无人驾驶车辆路径规划中收敛速度慢、易陷入局部最优等问题,提出一种全局路径规划的双向蚁群算法。通过双向搜索策略改进蚁群算法,设计相遇机制求解更多可行路径,提高算法全局搜索能力;引入奖惩因子分别扩大和减小双向搜索后的较优路径和较差路径对信息素浓度的影响,加快求解最优路径的速度;最后在Matlab中模拟无人驾驶车环境,随机生成不同地图面积和障碍物出现率的车辆仿真栅格地图,比对传统蚁群算法和双向蚁群算法的实验效果。结果表明:双向蚁群算法的迭代次数和求解时间明显减少,在加快收敛速度、提高全局搜索能力以及避免局部最优方面有较大改进。     

一种改进的蚁群算法及其在TSP中的应用

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发式算法,算法中参数的设置一直是依靠经验和试验来确定的,造成试验工作量大而且收敛速度慢;研究中提出了一种基于自适应调整信息素的改进蚁群算法,从路径的实际信息出发,动态地分配信息素,从而使算法能较快地收敛到最优解;通过仿真试验结果表明:改进的蚁群算法在收敛速度和收敛精度方面相对于原算法都具有较好的改进效果.     

基于贪心策略下混合蚁群算法的无人机航迹规划

针对复杂环境下无人机航迹规划中航行误差的校正问题,提出一种改进的蚁群算法.该算法在蚁群算法的基础上,首先将粒子群算法中的适应度作为启发值引入信息素更新中,改进了原始的信息素更新模型;其次使用贪心策略在选择校正点时进行剪枝运算,优化了算法的选择策略;最后使用A*算法替代原始算法的随机初始化,修改了信息素的更新方式,优化了生成路径的质量.对规划路径,使用Dubins曲线对航迹进行光滑,光滑后航迹既能满足航迹约束,也能满足飞行器的性能约束.研究结果表明:在参数设置上,当蚁群数量较大时,设置较小的启发值常数能获得更好的结果;对贪心蚁群算法使用A*算法进行初始化,能有效加速蚁群算法收敛速度,提高解的质量,实验显示改进后航迹长度减少了约6％,时间减少了约25％.     

基于Ant-agent 的自动化码头AGV 控制算法

为解决自动化码头水平运输区存在的自动导引车(AGV)路径冲突和道路死锁问题，提高运输效率，将AGV视为蚂蚁智能体(Ant-agent)，设定其携带负反馈机制的信息素进入运输路网. 引入拥挤度及拥挤度阈值q ，建立新的状态转移规则；针对节点冲突和路径拥堵，构建解决机制；提出基于Ant-agent 的AGV控制算法，采用两阶段均匀设计试验法确定算法最优参数组合. 仿真结果表明，与传统动态路径规划算法对比，所提算法在各运输任务量下的避碰性能、解锁性能和运输效率均有较大提高，可有效地解决AGV路径冲突和道路死锁，提高运输效率.     

一种改进蚁群优化算法的仿真研究

针对蚁群优化算法存在容易陷入局部最优、收敛速度慢、参数设置复杂等缺点,提出了一种改进的蚁群优化算法,研究了伪随机比例转移规则中参数 的取值方法,并对信息素的取值方式和信息素的更新规则进行了改进。最后以中国31个城市的旅行商问题和路径规划问题为实例,分别运用改进前后的蚁群算法进行了仿真研究。仿真结果表明：改进之后的算法不仅能够得到更好的解,更能显著地提高算法的收敛速度。     

不确定环境下多式联运路径多目标优化

针对不确定环境下的多式联运网络,考虑转运成本、时间及运输方式班期等影响因素,构建运输总成本最小和运输总时间最小的双目标优化模型.通过蒙特卡洛方法处理网络中的不确定性,设计结合非支配排序的多目标蚁群算法求解Pareto解.为解决基本蚁群算法收敛过慢、过早收敛带来的求解质量低等问题,在状态转移策略中加入方向启发因子,在信息素更新策略引入"最大-最小蚂蚁系统",从而提高解的质量.最后通过算例检验改进蚁群算法的优化效率,并为决策人提供5个充分满足其对不同目标要求的决策路径.     

基于改进蚁群算法的山区无人机路径规划方法

对无人机在山区执行应急物资运输任务时的飞行路径规划问题进行研究.基于对无人机的性能分析与比选,探讨了路径规划的约束条件,提出了一种考虑路径安全度的改进蚁群算法.首先,基于高海拔山峰的位置构造泰森多边形,获取无人机在山区避障飞行条件下的路径可行解;其次,为避开山峰密集区域,建立路径安全度约束,缩小可行解范围;进而,利用蚁群算法搜索最短路径;最后,消除路径中不必要的障碍点以进一步缩短距离,并综合考虑无人机性能参数对拐角进行平滑处理,获得最终可用于实际飞行的最优安全路径.算例分析表明,改进的蚁群算法较传统算法收敛速度更快,且生成的路径更短.     

不确定环境下多式联运路径多目标优化

针对不确定环境下的多式联运网络,考虑转运成本、时间及运输方式班期等影响因素,构建运输总成本最小和运输总时间最小的双目标优化模型.通过蒙特卡洛方法处理网络中的不确定性,设计结合非支配排序的多目标蚁群算法求解Pareto解.为解决基本蚁群算法收敛过慢、过早收敛带来的求解质量低等问题,在状态转移策略中加入方向启发因子,在信息素更新策略引入"最大-最小蚂蚁系统",从而提高解的质量.最后通过算例检验改进蚁群算法的优化效率,并为决策人提供5个充分满足其对不同目标要求的决策路径.     

蚁群算法在城市交通路径选择中的应用

针对城市交通路径选择问题,引入蚁群算法并将其改进为可同时满足对路程和时间最优的路径搜索算法,设计了相关的搜索规则和流程.在大量试验的基础上,讨论了算法中各种参数对路径搜索算法收敛性(包括收敛速度和准确度)的影响,并获得了一纽最优的经验参数.分析了搜索中产生伪最优解路径的规律,并通过控制收敛速度和加快趋向最优路径对蚁群算法进行了优化.结果显示,所进行的优化能有效抑制伪最优路径的产生,在2个周期内即可完成搜索.     

一种改进的求解QoS多播路由问题的蚂蚁算法(英文)

为了克服基本蚂蚁算法收敛速度慢、容易早熟和陷入局部最优解的缺陷,提出了一种求解QoS多播路由问题的改进型蚂蚁算法.该算法采用相遇蚂蚁策略来加快搜索速度,采用最优解更新和信息素自适应控制策略来避免出现停滞现象.仿真结果验证了该算法的可行性和有效性.     

考虑匹配优先级的共享混合停车位租用与分配问题研究

为充分利用混合停车场的停车和充电资源，本文依据出行者需求的差异性设置匹配优先级，在此基础上以共享平台接受并出租车位的收益扣除拒绝请求的惩罚成本的总收益最大化为目标，以充电量不超过停车场负荷为约束条件，建立考虑匹配优先级的共享混合停车位租用与分 配(MPRA)模型。基于匹配优先级原则和模型特征改进蚁群算法，设置分块冲突矩阵，根据分块冲突矩阵设计蚂蚁信息素更新策略和路径选择策略并进行求解。最后算例证实了考虑匹配优先级的必要性，并分析了问题规模对MPRA分配方案的影响。研究结果表明：在充电需求匹配率方面，MPRA方案高于利润最大化方案，平均提升率为28.96%，这一优势与出行者数量或车位数量成反比，且利润提升率随着问题规模的增加而增加；车位数量有限时，MPRA方案相较于先到先停方案可以极大化提升车位利用率和充电需求匹配率，平均提升率分别为17.87%和113.96%。     

变权值加快收敛的路径寻优实时算法

为获得满意解为目标的最优路径选择问题，给出了一种加权的LRTA^*(Learning Real-TimeA^*)算法，通过改变估价函数值更新规则与解时间和解质量的相对折中，加快算法收敛速度。实例应用表明，该方法比LRTA^*算法更快地收敛于满意解，是一种求解大城市稠密路网两点间最优路径的有效方法。     

具有粒子群特征的并行蚁群算法在输电网络规划中的应用

输电网络规划是一个复杂的多变量非线性整数规划问题,针对蚁群算法计算时间长、易陷入局部最优解等问题,本文提出一种新的具有粒子群特征的并行蚁群算法,并应用于输电网络规划.实验结果证明了该算法在输电网络规划优化中应用的可行性和有效性.