蚂蚁算法应用(一)

1.A path planning method using adaptive polymorphic ant colony algorithm for smart wheelchairs

一种利用自适应多态蚁群的路径规划方法

1.1 背景

蚁群优化是一种解决计算问题的概率技术，简化为通过图来寻找好的路径，蚂蚁算法在运输、物流配送、网络分析、管道等领域得到广泛的应用。
问题：使用智能轮椅的用户在日常操作任务中遇到困难
方法：本文提出了一种自适应多态蚁群算法作为智能轮椅的路径规划方法

1.2 国内外研究现状

1.3 创新点

解决局部最优：
引入了自适应信息更新策略，自适应地更新搜索过程中的信息量，避免了信息素残留在路径上的不足，从而避免了随着迭代次数的增多而信息素的减少。
解决死锁状态：
路径状况复杂时，可能陷入死锁状态。
前人：让陷入死锁转态的蚂蚁死亡 缺点：不利于全局最优搜索，也降低了路径解的多样性。
本文：当一只蚂蚁陷入死锁时，不要让它死掉，而是让它退一步继续搜索。
采用确定方向法：提高了全局搜索算法的能力，降低了其他蚂蚁陷入死锁的可能性。

1.4具体算法步骤

1.5 实验

TSP主要关注最优路径选择，本文所述问题不仅包括最优路径选择，还包括智能轮椅的避障问题。故本文做了有障碍和无障碍实验。
实验准备：
我们设置了15个items，每个item代表一个点。 智能轮椅上的人从一个点开始拾取每个item，最终目标是找到轮椅拾取所有物品的最短路径。
十五项的位置坐标（以m为单位）为A（2,8），B（0,4），C（1,6），D（3,5），E（4,2），F（6） ，2），G（3,0），H（10,4），I（4,3），J（2,1），K（7,0），L（9,4），M（11， 3），N（13,2）,O（5,1）
实验参数设置如下：蚂蚁数量m = 120，迭代次数N = 200，信息启发式因子= 1，期望启发式因子art = 5，信息素蒸发系数= 0.9，常数Q = 100 在初始时间C = 3的每条路径上的信息量.
注：改进的蚁群算法（IACA），一般多态蚁集落算法（GPACA），自适应多态蚁群算法（APACA）
实验效果：

无障碍实验：
总结果图：

各个算法的路径距离演化曲线：

各个算法的最短搜索路径

有障碍实验
总效果图：

各个算法的收敛曲线：

各个算法的路径优化曲线：

1.6 总结

本文提出了自适应多态蚁群算法作为智能轮椅的路径规划方法。该搜索蚂蚁可以确定最佳组合参数根据实际情况，搜索过程有效防止搜索蚂蚁在一定程度上陷入局部最优。确定方向方法也用于加速收敛，改善搜索全局最优解的算法效率。
我们的方法在这个具有挑战性的问题中实现了卓越的性能甚至超越了最近开发的最先进的解决方案 。此外，这项研究揭示了使用它的可行性未来医疗保健的有效可行规划路径工具系统。