导读:本文包含了自适应蚁群论文开题报告文献综述及选题提纲参考文献，主要关键词:自适应,蚁群算法,快速位移,图像定位
自适应蚁群论文文献综述
高斌[1]（2019）在《基于自适应蚁群算法的快速位移图像精准定位方法》一文中研究指出经过长时间的研究发现,传统的图像定位方法可以精准的定位静态图像,但当用来定位快速位移图像时,存在着精准度低的问题.为此在传统图像定义方法的基础上,引入自适应蚁群算法,从而设计出针对快速位移图像的精准定位方法.首先利用图像采集设备获得快速位移原始图像,并从数学形态学变换、图像灰度化以及图像增强叁个方面,得到图像的预处理结果.使用蚁群算法检测图像边缘,利用估计图像的运动轨迹来提取更新的动态自适应信息素,通过信息素配准输出快速图像的精准定位结果.对比实验分析,与传统定位方法相比,自适应蚁群算法的快速位移图像精准定位方法的精准率提高了15.96%.(本文来源于《菏泽学院学报》期刊2019年05期）
冯志雨,游晓明,刘升[2]（2019）在《基于自适应更新策略的蚁群算法在TSP上的应用》一文中研究指出针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法(Adaptive Update-Ant Colony System,AU-ACS),有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题(Travelling Salesman Problem,TSP)中对比表明,改进后算法求解的精度更高、稳定性增强。(本文来源于《测控技术》期刊2019年10期）
徐玉琼,娄柯,李婷婷,高文根[3]（2019）在《改进自适应蚁群算法的移动机器人路径规划》一文中研究指出为了改善传统蚁群算法在路径规划中缺乏足够鲁棒性的问题,采用改进自适应蚁群算法,根据解的分布情况自适应地进行信息素的更新,在多种步长选择机制下选择最优步长,提高全局搜索能力。在MATLAB中对本文算法、传统蚁群算法以及自适应蚁群算法分别进行了仿真实验对比。在相同的环境模型下,该算法的迭代次数为2次,比自适应蚁群算法提升了93%,最小路径长度为27.67,比自适应蚁群算法提升了3.4%;在给定的复杂环境模型下进行路径规划时,该算法的迭代次数为2次,最小路径长度为28.88,传统蚁群算法对应的迭代次数和路径长度分别为166和29.8。仿真结果表明,改进后的蚁群算法较传统蚁群算法相比,能够快速找到最短路径,并具有更好的稳定性和收敛性。(本文来源于《电子测量与仪器学报》期刊2019年10期）
李晓静,余东满[4]（2019）在《基于自适应蚁群算法的农用智能机器人路径规划》一文中研究指出针对田间农用智能机器人路径规划问题,结合蚁群算法特点,提出一种基于自适应蚁群算法的路径规划方法,目的是在信息采集、田间巡检、果蔬采摘及作物搬运等操作中,利用所提方法为农用智能机器人搜索出一条距离最短的优化路径,确保其能沿着该优化路径顺利达到指定作物种植区,完成指定工作任务。该方法通过引入自适应调整信息素挥发系数、更改信息素更新机制和限定信息素阈值等策略,对传统蚁群算法进行了优化改进。仿真结果显示,在100 m×100 m作物种植区模型内,改进算法能有效解决农用智能机器人路径规划问题;改进算法规划的最佳路径长度较传统蚁群算法和禁忌搜索算法分别减少3.745 1 m和16.387 6 m;改进算法规划最佳路径所需程序迭代次数较传统蚁群算法和禁忌搜索算法分别减少13代和31代,结果表明,与传统蚁群算法和禁忌搜索算法相比,改进算法具有较强的全局搜索能力和较好的收敛性能。(本文来源于《中国农机化学报》期刊2019年09期）
杨康,游晓明,刘升[5]（2019）在《引入熵的自适应双种群蚁群算法》一文中研究指出为了克服蚁群算法解决旅行商问题(TSP)存在的收敛速度慢和解的质量不高等问题,提出了一种新的引入熵的自适应双种群蚁群算法RBAC。将蚁群划分为红蚁群和黑蚁群,红蚁群在路径选择中引入反馈算子优化解的质量,黑蚁群在信息素更新规则引入负荷算子和反馈算子加快收敛速度并防止陷入局部最优。运用信息熵调控红黑蚁群的划分,当熵值达到目标数值时使红蚁群失活并复制相应数量黑蚂蚁,从而前期提高解的质量,后期加速收敛速度。应用RBAC求解TSP问题,并与经典ACS算法进行比较,结果表明RBAC算法在解的质量和收敛速度之间达到良好的平衡,尤其在大规模城市问题中效果更好。(本文来源于《计算机工程与应用》期刊2019年19期）
封声飞,雷琦,吴文烈,宋豫川[6]（2019）在《自适应蚁群算法的移动机器人路径规划》一文中研究指出针对传统蚁群算法在路径规划中存在收敛速度和寻优能力不平衡,算法易陷入局部最优等问题,提出一种自适应改进蚁群算法。为了提高算法收敛速度,在栅格环境下,根据最优路径的特点以及实际环境地图的基本参数,对初始信息素进行差异化分配;为了提高蚂蚁搜索效率,在状态转移概率中引入转角启发信息并对路径启发信息进行改进;重新制定信息素更新策略,设定迭代阈值,调整信息素挥发系数和信息素浓度,使算法在迭代后期依然具有较强的搜索最优解能力;采用分段叁阶贝塞尔曲线对最优路径进行平滑处理以满足机器人实际运动要求。通过实验仿真与其他算法进行对比分析,验证了改进算法的可行性、有效性和优越性。(本文来源于《计算机工程与应用》期刊2019年17期）
李娟,游晓明,刘升,陈佳[7]（2019）在《自适应模糊蚁群系统》一文中研究指出针对蚁群系统(Ant Colony System,ACS)容易陷入局部最优和收敛速度较慢的不足,提出了自适应模糊蚁群系统(AF-ACS)用于旅行商问题(TSP)。该算法的核心是引入模糊隶属度和信息熵的概念,AF-ACS将以信息熵为概率,自适应地对ACS引入模糊隶属度,以平衡算法的种群多样性与收敛速度之间的关系。算法早期引入模糊隶属度的概率较小,保证算法的多样性;算法后期引入模糊隶属度的概率较大,提高算法的收敛速度。通过与ACS和ECACS(Entropy-based Adaptive Chaotic Ant Colony Algorithm)进行14种不同规模的TSP测试集实验对比,AFACS以较少的迭代次数取得最优解或较优解。从而证明了AF-ACS的可行性与高效性。(本文来源于《计算机工程与应用》期刊2019年15期）
刘新宇,谭力铭,杨春曦,翟持[8]（2019）在《未知环境下的蚁群-聚类自适应动态路径规划》一文中研究指出针对用于动态环境中的机器人路径规划的蚁群算法存在收敛速度慢,路径累计转折角大,对环境变化适应性低等问题,提出了一种未知环境下的蚁群-聚类自适应动态路径规划方法。依据聚类算法对环境复杂程度的准确判别自动改变寻优半径,达到充分利用机器人有限的计算能力,提高收敛速度的目的;通过识别对角障碍,生成虚拟障碍,确保规划的路径不穿过对角障碍;通过平滑机制对搜索的动态路径做平滑优化处理,有效降低了路径长度,减少了累计转折角。仿真结果表明,提出的算法能够根据障碍的复杂程度自动选择合适的搜索半径,完成路径的动态规划,体现出良好的环境适应能力和较好的综合路径优化性能。(本文来源于《计算机科学与探索》期刊2019年05期）
刘明霞,游晓明,刘升[9]（2019）在《基于聚度的自适应动态混沌蚁群算法》一文中研究指出针对蚁群算法收敛速度慢,容易陷入局部最优的问题,提出了一种基于聚度的自适应动态混沌蚁群算法(A_ACS)。在迭代前期利用聚度来衡量解的多样性,自适应调节局部信息素分布,同时引入混沌算子来增加种群多样性,避免算法陷入局部最优,从而提高解的精度;在迭代后期去掉混沌算子,减少混沌扰动性,来提高算法的收敛速度。将A_ACS用于TSP问题,仿真结果表明,该算法较ACS和MMAS算法减少了搜索时间,并且提高了解的质量,其平衡了多样性与收敛性之间的矛盾,整体性能优于其他两种算法。(本文来源于《计算机工程与应用》期刊2019年03期）
周丽娟[10]（2018）在《混合自适应动态规划和蚁群算法的agent路径规划》一文中研究指出针对agent路径规划算法收敛速度慢和规划效率低的缺点,提出了一种基于自适应动态规划和蚁群算法的agent路径规划算法.首先,利用agent获取的各距离传感器和目标传感器数据来获得系统状态的输入和输出;然后,提出了一种基于蚁群算法的路径各位置信息素更新方法,并用算法收敛后的信息素来初始化值函数;基于初始化的值函数,提出采用自适应的动态规划算法即Q学习算法来更新值函数,实现状态到动作的最优策略.最后,对基于自适应动态规划算法和蚁群算法的agent路径规划算法分别进行了定义和描述.在MATLAB环境下对所提的方法进行了仿真实验,实验结果表明:在固定障碍物和随机障碍物分布两种情况下所提方法均能收敛,而且分别仅需18个和25个时间步就能达到目标,较其它方法具有更高的收敛精度.(本文来源于《中北大学学报(自然科学版)》期刊2018年06期）
自适应蚁群论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法(Adaptive Update-Ant Colony System,AU-ACS),有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题(Travelling Salesman Problem,TSP)中对比表明,改进后算法求解的精度更高、稳定性增强。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应蚁群论文参考文献
[1].高斌.基于自适应蚁群算法的快速位移图像精准定位方法[J].菏泽学院学报.2019
[2].冯志雨,游晓明,刘升.基于自适应更新策略的蚁群算法在TSP上的应用[J].测控技术.2019
[3].徐玉琼,娄柯,李婷婷,高文根.改进自适应蚁群算法的移动机器人路径规划[J].电子测量与仪器学报.2019
[4].李晓静,余东满.基于自适应蚁群算法的农用智能机器人路径规划[J].中国农机化学报.2019
[5].杨康,游晓明,刘升.引入熵的自适应双种群蚁群算法[J].计算机工程与应用.2019
[6].封声飞,雷琦,吴文烈,宋豫川.自适应蚁群算法的移动机器人路径规划[J].计算机工程与应用.2019
[7].李娟,游晓明,刘升,陈佳.自适应模糊蚁群系统[J].计算机工程与应用.2019
[8].刘新宇,谭力铭,杨春曦,翟持.未知环境下的蚁群-聚类自适应动态路径规划[J].计算机科学与探索.2019
[9].刘明霞,游晓明,刘升.基于聚度的自适应动态混沌蚁群算法[J].计算机工程与应用.2019
[10].周丽娟.混合自适应动态规划和蚁群算法的agent路径规划[J].中北大学学报(自然科学版).2018