蟻群算法是解決森林防火機器人軌跡尋蹤問題的有效方法,針對傳統(tǒng)蟻群算法收斂速度慢、容易陷入局部最優(yōu)解的不足,本文設計一種自適應的蟻群算法。信息素啟發(fā)因子α與期望啟發(fā)因子β共同起引導螞蟻搜索的作用,動態(tài)調整兩者在搜索過程中的取值,提高收斂速度;基于地圖位置信息設計改進型的啟發(fā)式函數(shù),提高前期搜索效率;依據(jù)螞蟻的行進意圖擴展禁忌表內容,避免路徑交叉,減少螞蟻的迷失數(shù)量;在信息素更新函數(shù)中導入轉角指標,并通過信息素濃度對比試驗確定權重系數(shù)的最優(yōu)取值,使路徑更平滑;基于Matlab平臺搭建林區(qū)仿真地圖,對比測試自適應蟻群算法性能。試驗結果表明,自適應蟻群算法具有自適應調節(jié)能力、不會出現(xiàn)交叉路徑,與傳統(tǒng)蟻群算法相比,在收斂速度與搜索結果方面有著較好的改善。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1 搜索優(yōu)先級示意圖[11]

目標點信息可以快速地引導螞蟻進行搜索,但在搜索前期過早地引入目標點信息反而會減少螞蟻的搜索空間,提高螞蟻陷入局部最優(yōu)的概率。為了改善螞蟻的搜索效率,康冰等[11]提出了基于位置信息的空間劃分法,將起始點和終點的連線區(qū)域視為優(yōu)先搜索區(qū)域,且指出最短路徑大多集中在該區(qū)域,如圖1所示。....

圖5 轉彎情況

圖4直行情況3仿真實驗

圖14 自適應算法的搜索結果

圖13改進算法的搜索結果4結束語

圖2 轉向角示意圖

蟻群算法中,更新信息素的方法[6]主要有:Ant-Cycle模型、Ant-Density模型和Ant-Quantity模型。傳統(tǒng)的蟻群算法常選擇Ant-Cycle模型作為信息素的更新策略,但是Ant-Cycle模型僅考慮路徑的最短距離,忽略了路徑的平滑程度。在機器人的應用領域,需....

本文編號：4037580