基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式及参数初始值的设置仍需作进一步研究。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。     

基于蚁群算法的智慧旅游路线规划方案分析

为了改善传统的旅游路线规划费时费力、用户体验感较差的现状,基于科技力量的智慧旅游路线规划应运而生,提出一种基于蚁群算法的智慧旅游路线规划方案。首先通过描述蚁群算法的基本原理,改善基本的蚁群算法花费时间长、容易陷入死局的缺点,对基本的蚁群算法进行改进,与基本蚁群算法相比,增加了搜索范围集中化阶段、实时更新信息素阶段、信息素回滚机制阶段。然后以旅游花费更少的钱、得到最大最舒适的旅游体验为目标,将费用目标、体验感目标进行综合,建立了基于蚁群算法的旅游路线规划模型,并利用改进的蚁群算法对规划模型进行求解。最后将模型应用于实际案例中,通过计算分析得到符合要求的最优旅游路径。     

基于改进的粒子群和蚁群算法的高光谱森林聚类研究

高光谱图像分类可分为监督分类与非监督分类,聚类分析进行非监督分类是一种现今比较受研究者广泛关注的技术.粒子群算法具有自适应、自组织性、可同时进行局部和全局搜索等特点;蚁群算法通过智能个体间不断进行信息交流和传递,具有较强的发现最优解的能力.提出一种基于改进的粒子群和蚁群算法的高光谱图像聚类方法,设计其模型并将其应用在森林类型分类问题上,提高分类精度,减少人工干预.以吉林省汪清林业局为研究区,通过修改粒子群的惯性系数,得出最优解集,然后利用蚁群寻优的过程对阔叶林、针叶林、混交林、水体进行聚类分析,区分精度达到85％证明,该方法能较好地识别森林类型.     

一种改进蚁群算法的研究

从基本蚁群算法出发,基于TSP(travelingsalesmanproblem)的邻域结构,提出了一种改进的优化算法,给出了具体的算法步骤。该算法采用2-opt和3-opt作为混合邻域结构,可以有效克服基本蚁群算法收敛速度慢和易于陷入局部最优解的弊病。针对TSPLIB中的krob100,EIis51和CHN144问题的计算结果表明,该改进算法具有良好的效果。     

一种改进蚁群算法的研究

从基本蚁群算法出发,基于 TSP(traveling salesman problem)的邻域结构,提出了一种改进的优化算法,给出了具体的算法步骤。该算法采用2-opt 和3-opt 作为混合邻域结构,可以有效克服基本蚁群算法收敛速度慢和易于陷入局部最优解的弊病。针对 TSPLIB 中的 krob100,Elis51和 CHN144问题的计算结果表明,该改进算法具有良好的效果。     

引入启发式函数蚁群算法的VRP研究

车辆路径问题是一个NP难题,蚁群算法是求解诸如车辆路径安排问题等组合优化问题的有效工具。分析了蚁群算法在VRP中的应用,提出启发式函数对传统的蚁群算法的改进,对传统蚁群算法进行优化。通过实验对该方法进行检验,实验结果显示,本文提出的算法性能优于传统的蚁群算法。     

基于多目标PSO-ACO融合算法的无人艇路径规划

【目的】针对河蟹养殖过程中,水位变化以及无人艇路径规划算法收敛慢、精度低的问题,为提高算法适应性与寻优能力,提出一种多目标粒子群-蚁群融合的无人艇路径规划算法。【方法】首先,分析蟹塘环境及养殖规律等因素,建立静态水深栅格环境模型;其次,针对覆盖遍历式投饵存在局部点投喂不足及路径次优的问题,通过对惯性参数与学习因子的非线性调整,提出基于多目标的改进粒子群算法(Particle swarm optimization, PSO);然后,调整蚁群算法的初始信息素,并对蚁群算法的信息素挥发因子和启发期望函数自适应改进,提出自适应优化蚁群算法(Ant colony optimization, ACO);最后,为解决单一算法寻优不足,利用融合PSO-ACO算法,实现无人艇多目标全局路径规划。【结果】仿真结果表明：不同环境投饵策略下,PSO-ACO算法在对多目标路径寻优时,不仅环境适应性好,而且提高了寻优效率和精度,运行时间节省了32%,路径距离缩短了9.78%,迭代次数降低了62.88%,拐点数目减少了44.45%。【结论】所提出多目标点的路径规划算法适用于环境可变的蟹塘养殖,具有较好的应用价值。     

基于改进蚁群算法的分类规则挖掘

数据分类是数据挖掘中的一个重要课题,研究各种高效的分类算法是数据挖掘的重要问题之一.本文将蚁群算法与分类规则抽取问题相结合,提出了一种基于蚁群算法的具有自适应和变异杂交特征的分类规则挖掘方法,自适应地调整信息素增量,在规则构造中进行杂交变异,有效地节省了计算时间,并优化了生成的分类规则.实验结果表明:该算法可以有效克服停滞,提高搜索效率,有效地挖掘出简洁分类规则.     

一种求解饲料配方问题的蚁群优化算法

文章分析了饲料配方问题现有的求解策略,在常规蚁群系统基础上,给出了蚂蚁在连续空间寻优时的多种具体移动策略,提出了一种用于求解约束化问题的自适应移动策略连续空间蚁群算法,通过设定的收敛因子,来自动调节蚂蚁的移动策略,加快了收敛的速度,同时也避免了早熟的产生。结果表明,该算法在求解饲料配方问题上具有更强的求解能力。     

一种用于连续寻优的蚁群爬山算法

针对蚁群算法在连续寻优过程初期信息素匮乏、搜索时间长、收敛慢的弱点,对蚁群算法进行改进,并结合爬山算法提出了一种新的蚁群爬山算法.将新的蚁群爬山算法用于求解连续全局优化问题,数值实验证明该算法是可行的、有效的,并且精度和效率优于蚁群算法.     

基于蚁群-BFS算法的复杂环境下农业机器人全区域覆盖研究

目的 以路径重复率为优化目标解决农业机器人在数字生态农场中的全区域覆盖问题。方法 首先,将栅格地图中的障碍物进行膨胀处理,在此基础上进行矩形分区以及分区合并操作;然后,通过改进的蚁群算法规划分区间的遍历顺序、通过改进的广度优先搜索(Breadth first search, BFS)算法规划分区间终点与起点的衔接路径,从而实现机器人全区域覆盖。2种算法的具体改进方案为：分别通过人工免疫算法与粒子群算法改进遗传算法的选择与交叉算子,并将改进后的选择算子、交叉算子、原遗传算法变异算子与蚁群算法相结合改进传统蚁群算法信息素更新方法;建立动态函数以简化BFS算法规划的路径。结果 仿真结果表明,改进蚁群算法收敛时的迭代次数较传统蚁群算法减少了83.1%,路径长度相比减少了4.8%;由改进的蚁群算法与改进的BFS算法规划的机器人遍历路径重复率是传统蚁群算法和BFS算法的56%,且农业机器人能实现对农田区域的100%覆盖。结论 本研究提供了一种农业机器人在复杂环境的数字生态循环农场中进行全遍历覆盖的解决方案。     

基于蚁群算法的配电网络重构模型及其应用

采用一种可用于求解一般形式的非凸、非线性约束优化问题的蚁群算法,以求解配电网络重构问题。该算法运用了正反馈、分布式计算和贪婪式启发搜索,不依赖于各种初始参数,不易陷于局部最优。通过算例分析表明,与现有各种方法相比,该算法具有适应性好、计算效率高、优化效果好的优点。     

名优茶采摘机器人路径规划

提出一种直角坐标系双机械手名优茶采摘机器人。采用积分求和方法,按茶叶个数相等原则将采摘区域按左右两矩形区分配给2个机械手。使用蚁群算法进行机械手的采摘路径规划。以总采摘区域的路径半程作为目标,分别进行了2区和将2区再划分为4区的采摘路径规划和优化。为避免采摘过程中2个机械手的干涉,将每个机械手采摘区域分为2区,并约束各运动路径左下角处茶叶为采摘起点。计算结果表明,使每个机械手按"M"型路线采摘,具有较好效果。改变自适应调节信息素浓度值和迭代终止条件,可改善基本蚁群算法搜索时间较长和易陷入局部最优的缺陷,并提高全局搜索能力和计算效率。仿真结果表明提出的采摘策略和规划路径可提高名优茶采摘效率。     

关于中国旅行商问题的探讨

对中国旅行商问题进行了探讨。首先,我们运用蚁群算法得到了中国旅行商的最短路旅行方案;其次,在最短路旅行方案的基础上,再考虑最经济的旅行花费问题,我们建立了旅行问题的无约束条件优化模型,同时得到了最小花费;最后,综合考虑省钱、省时又方便的约束条件,我们建立了旅行问题的均衡多目标优化模型,并运用Lingo软件编程最终得到了...