基于改进型蚁群算法的车辆导航路径规划研究

在分析车辆路径规划问题(VLD)特点的基础上,提出了VLD的数学模型以及适用于求解VLD的蚁群算法。详细分析了蚁群算法的参数对算法收敛速度和计算结果精确度的影响,提出了一种能够提高算法的收敛速度和全局搜索能力的参数自适应调整的策略,并对原有基本蚁群算法进行了改进。随后进行了仿真试验,根据所得仿真结果将改进蚁群算法与基本蚁群算法从全局收敛能力、计算稳定性以及计算速度等方面进行了全面比较,结论表明改进蚁群算法各方面均优于基本蚁群算法,证明了改进算法的可行性及有效性。     

基于蚁群算法的EPS系统仿真研究

针对车辆电动助力转向系统(EPS)的特点,提出了基于蚁群算法的电动助力转向系统控制策略,将蚁群算法与模糊PID控制器相结合,根据车辆不同运行工况,通过实时在线优化模糊PID控制器中的控制参数,进一步提高EPS系统的控制精度与收敛速度,通过Matlab/Simulink进行了各种运行工况下整车EPS系统的仿真实验。实验结果表明,与常规PID控制相比,采用基于蚁群算法的控制策略,EPS系统的控制精度高、超调量小、调整时间短,该控制策略具有蚁群算法收敛响应速度快和PID控制精度高的优点,适合应用于车辆EPS系统。     

改进节约蚁群算法求解物流配送车辆路径问题

针对节约蚁群算法在求解车辆路径问题易陷入局部极值的不足,提出一种基于连接表扰动策略和吸引力因子局部搜索的改进节约蚁群算法.该算法在陷入局部最优后,引入连接表扰动策略以帮助算法跳出局部最优,该策略在每只蚂蚁进行解构建之前,随机禁忌若干条吸引力因子较大的边以增加算法的勘探能力;同时采用吸引力因子局部搜索优化每只蚂蚁的解,该局部搜索利用吸引力因子引导局部搜索.实验结果表明,改进节约蚁群算法求解车辆路径问题时优于原有节约蚁群算法以及多种已有算法.      

基于蚁群算法的自适应车路协作消息传输方法研究

为解决车辆因高速运动在路侧单元（RSU）覆盖范围内通行时间较短导致下载数据量有限的问题，提出了一种基于蚁群算法的车路协作消息传输策略。依据RSU间能够进行车辆数据等信息共享的特性，设计了相应的启发式函数与对应路径信息素更新规则，形成多个车路协作通信组，在增加网络中数据传输量和种类的同时避免了陷入局部最优解。通过SUMO仿真平台进行验证，结果表明，相对于非协作、联盟博弈（CGS）方案与多级联盟划分（MHEMs）方案，所提出策略在信息传输量、路网收益和运行时间等方面结果均更优，证明了该策略的有效性。     

基于改进蚁群算法的运输调度规划

在运输调度等组合优化问题的最优路线的搜索中,传统蚁群算法ACA(Ant Colony Algorithm)存在搜索时间长、收敛速度慢、易陷于局部最优解等缺点。为了克服这些缺点提出了一种改进的蚁群算法,该算法将遗传算法和蚁群算法结合起来,在蚁群算法的每一次迭代过程中,首先采用自适应策略控制它的收敛速度,然后使用变异操作来确定解值,从而提高它的搜索性能。再结合建立的运输调度性能指标,利用遗传算法、蚁群算法和改进蚁群算法3种方法分别进行运输规划,通过比较其时间花费和运输费用,验证了改进蚁群算法的有效性。实践证明,改进后的蚁群算法基本上克服了传统算法自身的不足,提高了算法性能。     

基于GA+ACO的交通拥挤及事故规避系统研究

为了减少车辆在行驶过程中产生的交通事故和规避拥挤道路,研究了道路拥挤程度的影响因素和评价指标以及道路事故的理论与模型。提出采用路网的动态路阻对事故的影响程度和道路拥挤程度进行综合评价,并对动态路阻采用模糊理论进行量化。同时研究了遗传算法和蚁群算法在该规避系统中的应用,采用遗传蚁群的混合算法,综合了遗传算法全局搜索和蚁群算法求解精确的特点。用Matlab对该路阻函数和混合算法进行仿真,并进行了实际路网测试,结果表明利用该路阻函数和混合算法能够达到规避拥挤、规避潜在事故和规避已发事故的目的。     

改进混合遗传算法在车辆路线问题中的应用研究

物流配送车辆路线问题,是物流配送优化中不可缺少的环节.针对传统的遗传算法存在收敛速度慢,局部搜索能力差,易早熟的缺点,采用混合遗传算法进行优化求解.即采用二重结构编码,可以使问题变得更简洁,提高遗传法的搜索效率.用个体数量控制选择策略,以保证群体的多样性,用改进的顺序交叉算子避免优良基因片断在顺序交叉时被破坏,保证算法能够收敛到全局最优.结合具体实例,通过实验计算证明了该改进算法的良好性能.     

适用于城市区域航拍的无人机航线规划研究

研究无人机在城市区域航拍过程中的航线规划问题,首先通过分析卫星图像,区分出重点区域与非重点区域;再进行数值图像处理,最终分割获得城市区域航拍的航点位置集合;并将问题转化为约束条件下的无人机抵达全部航点所需的时间最短及航线最优的优化问题。建立蚁群遗传混合算法,求解最终的优化航线。该混合算法具有传统的蚁群算法和遗传算法的优点,也解决了蚁群算法初期信息素的匮乏和遗传算法的冗余迭代,同时利用道路的基本信息来定义每条道路无人机拍摄的权重,以此来确定适应性函数和启发函数,从而避免了主观因素对结果的影响。最后给出实例分析,并以遍历算法结果为基准进行了比较,表明该混合算法能够获得最优航线且收敛速度快、稳定性好。     

基于AMMFO优化的MAFPF车辆跟踪方法

针对粒子滤波算法的在车辆跟踪应用中跟踪精度较差及样本贫化问题,提出了一种利用自适应变异更新策略飞蛾扑火优化的多特征粒子滤波车辆跟踪算法。首先,利用目标纹理与颜色特征的互补性,融合两种特征来提高粒子滤波算法在复杂场景跟踪的稳定性。其次,改进飞蛾扑火算法的更新机制,将自适应权值引入飞蛾的螺旋更新策略,并使随机变异策略与其交替更新,增大算法的搜索空间,使得算法更快速地搜索到全局最优。最后,根据阈值分层样本粒子,并使适应变异更新策略飞蛾扑火优化低权值粒子的分布状态,避免样本贫化现象发生。实验表明,本文算法能够在低样本粒子数下有效地提升粒子滤波算法的性能,并在车辆受到阴影、遮挡、尺度和角度变化等复杂背景下,仍能稳定精确地跟踪目标车辆。     

求解区域公交车辆调度问题的蚁群算法研究

本文待区域公交车辆调度问题为"部分班次被一辆车完成"的集合划分问题,考虑车场容量、允许车辆加油及每辆车任务可靠度不低于某值等现实因素,建立以车辆数、车辆等待和空驶时间最小为目标的混合整数规划模型.根据问题特征,设计求解该问题的蚁群算法,在构建人工蚂蚁随机游走的图基础上定义解构建规则、信息素和启发式信息等.最后,通过一个...     

高速公路入口匝道模糊神经网络ACO控制

针对入口匝道控制中局部需求大于高速公路主线容量情况下Alinea控制算法不能有效反馈的问题,结合模糊控制和神经网络的优点,通过神经网络来训练模糊控制规则,提出蚁群算法优化的模糊神经网络控制器,并对控制器应用于入口匝道控制进行了详细设计。仿真结果表明,基于蚁群优化算法的模糊神经网络控制器学习次数远小于Alinea控制算法,且收敛速度快,运算效率高,控制品质好,能够更好地稳定主线交通流密度。     

基于扰动收缩粒子群算法的物联网配送车辆调度

为了提高物联网配送车辆的调度效率,采用扰动收缩粒子群算法。首先建立物联网配送车辆优化调度问题的数学模型,考虑到货物品种及数量、需求时间和地点、运输线路以及运输时间的不确定性,包括运输成本、时间惩罚成本、固定成本;接着对基本粒子群算法增设非线性扰动因子用来平衡粒子的全局和局部搜索,在进化前期值比较小,让粒子主要进行局部搜索,而在后期设置值比较大,进行全局搜索,同时增设收缩算子,避免粒子的过度振荡,粒子编码涉及到收货点、车辆编序、行驶顺序,给出了算法流程;最后,仿真试验和实例分析验证了算法的合理性与可行性。结果表明:增设收缩算子对任务目标点寻优地理位置偏差值最小,避免了总成本增加;带有非线性扰动因子调整策略的粒子群优化算法具备更强的跳出局部最优的能力,优化后的算法运行速度加快;对于每次试验的搜索成功率以及违约惩罚成本占总成本比例,与遗传算法、蚁群算法、粒子群算法、混沌量子粒子群算法、模拟退火粒子群算法和柯西变异粒子群算法预测方法相比,扰动收缩粒子群算法预测方法具有更高的搜索成功率和较低的违约惩罚成本,能够满足物联网配送车辆系统对预测精度的需求,对实现实时交通控制具有重要意义。     

基于遗传蚁群算法的履带式混合动力车辆控制策略参数优化

针对控制策略参数优化中存在的问题,提出一种基于遗传蚁群算法的履带式混合动力车辆整车控制策略参数优化的新方法。基于优化设计的思想,以最小燃油消耗量为目标函数,建立控制参数优化问题的数学模型,然后结合遗传算法和蚁群算法各自的优点提出一种遗传蚁群优化算法,并对控制策略参数优化问题进行数值求解。结果表明,优化后车辆燃油消耗减少14.9%,说明该方法可以找到一组全局最优的参数,大大缩短控制参数的实车标定时间。     

基于综合满意度的多式联运路径模型及其算法

针对多式联运各参与者需求偏好不同的实际背景,以提高所有参与者的综合满意度为优化目标,对中欧集装箱多式联运的路径选择问题进行研究.考虑组成列车等待时间的要素,以列车、船舶的固定时刻表和收货人的软时间窗要求,组成的混合时间窗为约束条件,在分析了影响各参与者满意度因素的基础上建立了具有效用值偏好信息的综合满意度模型.为解决货物时、空、量的衔接组合问题,设计双信息素蚁群算法,用以搜索路径与运输方式的组合搭配,并将改进的小生境遗传算法嵌套进蚁群算法.采用由连云港到马德里的实例做对比验算,分别给出不同需求偏好下的运输方案,并与现有研究方案对比,其综合满意度指标可平均提升约6%~10%,采用混合算法后收敛速度平均提升约36.21%,能够为不同参与者在实际运输过程中路径与运输方式的选择提供决策支持.      

基于蚁群算法与海量AIS数据的船舶航线规划

利用船舶AIS轨迹数据,研究了基于蚁群算法和海量AIS数据的航线规划方法.采用Doug-las-Peucker算法对海量轨迹数据进行压缩处理;基于DBSCAN算法对处理后的AIS轨迹点数据进行聚类,提取出航路关键转向点;依据地理边界数据确定关键转向点的连接关系,并对靠近孤立碍航物的航线进行修正,构建出1个无向网络图,同时计算出各条边的船舶航行密度;将各边的密度值作为MMAS蚁群算法的初始信息素浓度,求解港口间的最优安全航线.以2017年黑德兰港到青岛港的散货船AIS轨迹数据为样本,进行航线规划研究.结果表明,规划的航线总航程为3487.21 n mile,推荐航线总里程为3576.9 n mile,传统蚁群算法规划出的航线总里程为3560.42 n mile.与相关推荐航线相比总航程缩短约为3%,与传统蚁群算法相比总航程缩短约2%;另外该方法相较于传统蚁群算法收敛速度更快.      

基于最小瞬时等效燃油消耗的液压混合动力车辆能量管理策略

为提高混合动力车辆的燃油经济性和降低尾气排放,根据混合动力车辆2个或2个以上能量流之间的功率分流分配和能量利用情况,提出了最小瞬时等效燃油消耗量策略.通过分析串联式液压混合动力传动能量流关系,以储能元件蓄能器的虚拟等效燃油消耗为准则,建立了液压混合动力车辆最小瞬时等效燃油消耗模型.对液压混合动力车辆能量管理进行了研究,并以某型公共汽车参数为例,运用计算机软件通过城市循环工况第1部分和公路循环工况对使用该策略的液压混合动力车辆燃油经济性进行了仿真计算.仿真结果表明:采用最小瞬时等效燃油消耗策略的液压混合动力车辆的燃油经济性改善率接近30％;采用最小瞬时等效燃油消耗策略在提高车辆节能效果上具有较明显的优势.     

基于遗传算法的工程车辆自动变速神经网络控制

为了提高工程车辆传动系统效率，保持液力变矩器工作在高效区，提出了基于径向基函数神经网络的工程车辆自动变速控制方法，利用车辆传动试验台换挡控制试验的数据作为学习样本，采用遗传算法对径向基网络进行训练，并进行了验证性的仿真试验。仿真结果表明：该算法收敛速度快，能够满足工程车辆对换挡实时性的要求，可以根据车辆运行状态确定最佳挡住，并能够保证液力变矩器经常工作在高效区。     

求解带时间窗车辆路径问题的狼群算法

针对城市物流配送和交通运输中广泛存在的带时间窗车辆路径问题,为寻求最佳路径规划,应用惩罚函数,构建了以总运输成本最小为目标的数学模型。在车辆路径优化求解方面,根据问题具体特征设计了1种二维编码方式,并采用近邻初始化方式构建初始解从而提升寻优速率;随后,结合狼群算法觅食行为中的游走、召唤及围攻3种行为,重新定义其智能行为,设计了一种求解带时间窗车辆路径问题的狼群算法。由于原始狼群算法的召唤行为引入距离判定因子来增大种群搜索空间,但也增加了算法复杂性且易陷入局部最优,故本研究舍弃了距离判定因子,采用猛狼1次奔袭便进入围攻状态来降低算法复杂度,并在算法中进一步增强了种群间信息交互。最后,应用该狼群算法求解多个测试算例。结果表明:狼群算法在求解带时间窗的车辆路径问题时是可行的、有效的;与禁忌搜索算法、遗传算法、改进蚁群算法和混合粒子群算法等常见智能优化算法相比,狼群算法不仅具有收敛速度快和搜索质量高等优点,而且拥有良好的稳定性和求解效果。     

基于无人机航路规划问题的蚁群算法综述

蚁群算法是一种源于生物界的模拟进化算法,是解决优化问题最有效的算法之一。航路规划作为无人机控制研究的重要环节之一,文章以无人机航路规划问题为基础,集中讨论了对航路点的选取、路径点的信息素更新、与其他算法相结合的改进蚁群算法。     

基于LO-EKF算法的分布驱动电动汽车状态估计的研究

本文中对分布式驱动电动汽车的状态估计进行研究。首先利用龙伯格状态观测器实时观测对车辆的状态估计影响较大的路面坡度,接着,提出了采用扩展卡尔曼滤波算法,以车辆ESP传感器所获取的数据信息作为观测值,对分布式驱动电动汽车的动力学状态变量进行估计。最后进行Carsim和MATLAB联合仿真。结果表明,基于扩展卡尔曼滤波和龙伯格观测器的车辆状态估计算法能较好的估算出车辆的相关动力学状态值,算法可行,收敛速度较快。