蚁群算法的改进及其在路径规划中的应用研究
发布时间：2021-12-08 20:56
随着科技的快速发展,各个领域对路径规划技术的要求不断提高,然而传统的智能算法在路径规划技术的应用中大都存在着一定的局限性,因此如何改进传统智能算法的性能并将其应用到路径规划技术中是一个研究重点。蚁群算法作为常见的智能算法不仅具有并行性、自组织性、正反馈性和鲁棒性等特点,还具有良好的优化能力,因此被广泛应用于数据聚类分析、路径规划问题和车辆调度等实际问题求解。但传统蚁群算法也有一些明显不足,如易陷入局部最优和搜索效率低等。因此改进传统蚁群算法的缺点,并将其应用到路径规划问题中的研究具有重要意义。本文针对传统蚁群算法容易陷入局部最优、搜索效率低等问题进行了改进。并将改进的蚁群算法应用到二维和三维环境中,通过算法仿真验证了改进蚁群算法在二维和三维环境中的有效性。主要工作安排如下:1.详细介绍了路径规划的研究现状和常见的路径规划算法,着重对蚁群算法的发展现状进行了介绍。2.详细介绍了蚁群算法的基本原理和几种经典的改进蚁群算法,并对蚁群算法中各个参数设置对算法性能的影响进行了讨论分析。此外,详细介绍了蚁群算法的特征。3.在二维路径规划中,针对蚁群算法容易陷入局部最优和搜索效率低的问题,对原始蚁群...
【文章来源】：重庆邮电大学重庆市
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
蚂蚁觅食
重庆邮电大学硕士学位论文第2章蚁群算法概述12(a)8个时间单位后路径1、2的信息素分布情况(b)16个时间单位后路径1、2信息素分布情况图2.1蚂蚁觅食过程图如图2.1所示，假设蚁群从蚁巢出发并沿着不同的路径寻找食物。同时规定，在蚂蚁觅食的过程中，每只蚂蚁在单位时间内得到的信息素浓度是相同的且蚂蚁的搜索速度相同，图中小黑点表示信息素。从图中可以看出，从巢穴到食物有两条不同的路径，分别是路径1和路径2。开始时刻，蚂蚁随机选择路径，假设经过8个时间单位以后，选择路径1的蚂蚁到达了食物点，而选择了路径2的蚂蚁还未到达食物点。此时，选择路径1到达食物点的蚂蚁开始返回时，将继续选择路径1，因为此时路径2的上的蚂蚁还没到达食物点，显然，此刻对于准备返回蚁巢的蚂蚁来说，路径1的信息素浓度高于路径2。当路径1上的蚂蚁到达巢穴时，此时路径2上的蚂蚁才刚从食物点出发开始进行返回。当蚁巢新出来蚂蚁进行路径选择时将选择路径1。因为相比于路径2，路径1的信息素浓度更高，蚂蚁倾向于选择信息素浓度高的路径。蚁群算法作为一种群体智能算法，它的成立需要建立在以下三种情况下。首先，单个蚂蚁的行为是无序和随机的，但是通过蚁群算法的自组织性，最终实现群体一致。其次，每个蚂蚁都是独立的个体，在进行路径选择的时候，由当前蚂蚁自身做决定，这保证了算法求解过程中的多样性，避免算法陷入局部最优。最后，蚂蚁之间是可以进行相互交流的，但是这种交流是依靠路径上的信息素进行交流。同时单只蚂蚁只能对局部环境产生影响，即只能对当前蚂蚁搜索过的路径产生影响。不难看出，蚁群算法正是依靠算法本身的鲁棒性、正反馈性和自组织性，才使得蚁群算法在求解组合优化等问题时显得得心应手。在蚁群算法求解组合优化
重庆邮电大学硕士学位论文第2章蚁群算法概述13等问题的过程中，蚂蚁的行为可以看作是一个动态的从无序到有序的过程。蚁群算法的逻辑图如图2.2所示。图2.2蚁群算法逻辑图2.1.2蚁群算法的数学模型蚁群算法作为一种通过观察蚂蚁的觅食过程，并从中获得启发，进而提出的群智能算法。它最早用于解决TSP，现在已经在多个领域得到了广泛的应用，如负载平衡问题、图着色问题、车辆调度问题等。该算法具有良好的鲁棒性、并行性、正反馈性，且易与其他算法相结合。其数学模型包括以下几个部分。（1）状态转移函数路径规划过程中，假设在起始位置有K只蚂蚁，每一只蚂蚁都代表着一条路径。每只蚂蚁都从起始位置出发，通过公式（2.1）所示的状态概率函数进行下一个路径节点的选择。值得注意的是，在蚂蚁k进行节点选择时，它主要利用路径之间的能见度（即节点之间的距离）和路径之间信息素的不同来对下一个节点的选择做出判断。在t时刻蚂蚁从位置i前进到另一个位置j的概率转移公式如下所示：,0,kijijkkisisijsallowedttjallowedttpothers(2.1)在公式（2.1）中，是信息素启发因子，表示轨迹的相对重要性，即表示算法在进行路径搜索过程中信息素浓度对蚂蚁搜索的重要性；是期望启发因子，
【参考文献】：
期刊论文
[1]Path planning for mobile robot using self-adaptive learning particle swarm optimization[J]. Guangsheng LI,Wusheng CHOU. Science China（Information Sciences）. 2018(05)
[2]“互联网+”时代大数据在智能交通系统的应用研究[J]. 付轶欣. 科技经济导刊. 2018(01)
[3]浅谈大数据在城市交通管理中的运用[J]. 江萍珍. 科技经济导刊. 2017(30)
[4]基于改进势场蚁群算法的机器人路径规划[J]. 王晓燕,杨乐,张宇,孟帅. 控制与决策. 2018(10)
[5]粒子群优化的移动机器人路径规划算法[J]. 韩明,刘教民,吴朔媚,王敬涛. 计算机应用. 2017(08)
[6]交通运输促进物流业降本增效的路径[J]. 刘凌. 铁路采购与物流. 2016(12)
[7]基于改进蜘蛛群居算法的移动机器人路径规划方法研究[J]. 李杨,战艺,李岩舟. 科学技术与工程. 2016(35)
[8]改进蚁群算法求解移动机器人路径规划[J]. 张成,凌有铸,陈孟元. 电子测量与仪器学报. 2016(11)
[9]一种改进的移动机器人三维路径规划方法[J]. 吴玉香,王超. 华南理工大学学报(自然科学版). 2016(09)
[10]基于复杂环境非均匀建模的蚁群路径规划[J]. 卜新苹,苏虎,邹伟,王鹏,周海. 机器人. 2016(03)
博士论文
[1]基于智能优化与RRT算法的无人机任务规划方法研究[D]. 李猛.南京航空航天大学 2012
硕士论文
[1]基于势场蚁群算法的室内机器人路径规划研究[D]. 杨乐.西安建筑科技大学 2018
[2]基于稀疏A*算法与进化算法的无人机动态航迹规划研究[D]. 刘群芳.南昌航空大学 2016
[3]我国城市道路交通拥堵的成本测算及对策研究[D]. 李琳.大连海事大学 2013
本文编号：3529229
【文章来源】：重庆邮电大学重庆市
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
蚂蚁觅食
重庆邮电大学硕士学位论文第2章蚁群算法概述12(a)8个时间单位后路径1、2的信息素分布情况(b)16个时间单位后路径1、2信息素分布情况图2.1蚂蚁觅食过程图如图2.1所示，假设蚁群从蚁巢出发并沿着不同的路径寻找食物。同时规定，在蚂蚁觅食的过程中，每只蚂蚁在单位时间内得到的信息素浓度是相同的且蚂蚁的搜索速度相同，图中小黑点表示信息素。从图中可以看出，从巢穴到食物有两条不同的路径，分别是路径1和路径2。开始时刻，蚂蚁随机选择路径，假设经过8个时间单位以后，选择路径1的蚂蚁到达了食物点，而选择了路径2的蚂蚁还未到达食物点。此时，选择路径1到达食物点的蚂蚁开始返回时，将继续选择路径1，因为此时路径2的上的蚂蚁还没到达食物点，显然，此刻对于准备返回蚁巢的蚂蚁来说，路径1的信息素浓度高于路径2。当路径1上的蚂蚁到达巢穴时，此时路径2上的蚂蚁才刚从食物点出发开始进行返回。当蚁巢新出来蚂蚁进行路径选择时将选择路径1。因为相比于路径2，路径1的信息素浓度更高，蚂蚁倾向于选择信息素浓度高的路径。蚁群算法作为一种群体智能算法，它的成立需要建立在以下三种情况下。首先，单个蚂蚁的行为是无序和随机的，但是通过蚁群算法的自组织性，最终实现群体一致。其次，每个蚂蚁都是独立的个体，在进行路径选择的时候，由当前蚂蚁自身做决定，这保证了算法求解过程中的多样性，避免算法陷入局部最优。最后，蚂蚁之间是可以进行相互交流的，但是这种交流是依靠路径上的信息素进行交流。同时单只蚂蚁只能对局部环境产生影响，即只能对当前蚂蚁搜索过的路径产生影响。不难看出，蚁群算法正是依靠算法本身的鲁棒性、正反馈性和自组织性，才使得蚁群算法在求解组合优化等问题时显得得心应手。在蚁群算法求解组合优化
重庆邮电大学硕士学位论文第2章蚁群算法概述13等问题的过程中，蚂蚁的行为可以看作是一个动态的从无序到有序的过程。蚁群算法的逻辑图如图2.2所示。图2.2蚁群算法逻辑图2.1.2蚁群算法的数学模型蚁群算法作为一种通过观察蚂蚁的觅食过程，并从中获得启发，进而提出的群智能算法。它最早用于解决TSP，现在已经在多个领域得到了广泛的应用，如负载平衡问题、图着色问题、车辆调度问题等。该算法具有良好的鲁棒性、并行性、正反馈性，且易与其他算法相结合。其数学模型包括以下几个部分。（1）状态转移函数路径规划过程中，假设在起始位置有K只蚂蚁，每一只蚂蚁都代表着一条路径。每只蚂蚁都从起始位置出发，通过公式（2.1）所示的状态概率函数进行下一个路径节点的选择。值得注意的是，在蚂蚁k进行节点选择时，它主要利用路径之间的能见度（即节点之间的距离）和路径之间信息素的不同来对下一个节点的选择做出判断。在t时刻蚂蚁从位置i前进到另一个位置j的概率转移公式如下所示：,0,kijijkkisisijsallowedttjallowedttpothers(2.1)在公式（2.1）中，是信息素启发因子，表示轨迹的相对重要性，即表示算法在进行路径搜索过程中信息素浓度对蚂蚁搜索的重要性；是期望启发因子，
【参考文献】：
期刊论文
[1]Path planning for mobile robot using self-adaptive learning particle swarm optimization[J]. Guangsheng LI,Wusheng CHOU. Science China（Information Sciences）. 2018(05)
[2]“互联网+”时代大数据在智能交通系统的应用研究[J]. 付轶欣. 科技经济导刊. 2018(01)
[3]浅谈大数据在城市交通管理中的运用[J]. 江萍珍. 科技经济导刊. 2017(30)
[4]基于改进势场蚁群算法的机器人路径规划[J]. 王晓燕,杨乐,张宇,孟帅. 控制与决策. 2018(10)
[5]粒子群优化的移动机器人路径规划算法[J]. 韩明,刘教民,吴朔媚,王敬涛. 计算机应用. 2017(08)
[6]交通运输促进物流业降本增效的路径[J]. 刘凌. 铁路采购与物流. 2016(12)
[7]基于改进蜘蛛群居算法的移动机器人路径规划方法研究[J]. 李杨,战艺,李岩舟. 科学技术与工程. 2016(35)
[8]改进蚁群算法求解移动机器人路径规划[J]. 张成,凌有铸,陈孟元. 电子测量与仪器学报. 2016(11)
[9]一种改进的移动机器人三维路径规划方法[J]. 吴玉香,王超. 华南理工大学学报(自然科学版). 2016(09)
[10]基于复杂环境非均匀建模的蚁群路径规划[J]. 卜新苹,苏虎,邹伟,王鹏,周海. 机器人. 2016(03)
博士论文
[1]基于智能优化与RRT算法的无人机任务规划方法研究[D]. 李猛.南京航空航天大学 2012
硕士论文
[1]基于势场蚁群算法的室内机器人路径规划研究[D]. 杨乐.西安建筑科技大学 2018
[2]基于稀疏A*算法与进化算法的无人机动态航迹规划研究[D]. 刘群芳.南昌航空大学 2016
[3]我国城市道路交通拥堵的成本测算及对策研究[D]. 李琳.大连海事大学 2013
本文编号：3529229
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3529229.html
