面向海洋环境的算法融合策略路径规划研究

论文摘要

路径规划及其优化方法是人工智能大数据时代背景下重要的组成部分,而其中有关海洋背景的路径规划研究较少。在当前海洋环境亟待开发和波浪滑翔机多功能海洋作业平台的普及和实践背景下,以往的寻路算法还有较多问题需要解决。鉴于此,本文在引入海洋特性代价函数的A星算法与多策略优化方法的蚁群算法相结合的思想下,针对性的研究了面向海洋环境的算法融合策略路径规划。主要进行了以下研究工作:研究提出了面向海洋环境路径规划的一种多策略优化蚁群算法ACA-Mso（Ant Colony Algorithm based on Multi-strategy optimization）。该算法通过种群的信息素更新、预演变优化策略、状态概率选择公式设计以及对称路径优化等多策略,来改善收敛时间较长、找寻最优解迭代次数较多、对称路径选择规则模糊等缺点。之后将ACA-Mso算法和改进代价函数的A星算法进行融合。新的融合算法中,对蚁群算法前期迭代过程效率进行优化提升。通过实例求解表明,ACA-Mso算法相比其他两种算法效率较高,在收敛时间、路径长度、选择对称路径提高最优解质量等方面效果显著;而与ACA-Mso算法、A星算法相比的融合算法在算法运行时间以及保证最优解质量较高方面有一定改善,证明该算法有较强的实践能力。本文研究贡献主要在于将改进蚁群算法ACA-Mso算法与改进代价函数的A星算法相融合,提出一种面向海洋环境的融合算法,该算法将两种算法的优势相互融合以期达到更好的效果,并将该融合算法其应用于海洋背景下的路径规划问题求解。

论文目录

• 摘要
• abstract
• 第一章 绪论
•   1.1 课题来源
•   1.2 研究背景及意义
•   1.3 研究内容简述
•   1.4 蚁群算法和A星算法研究进展
•   1.5 论文组织结构
• 第二章 课题对象与基础算法介绍
•   2.1 波浪滑翔机简介
•     2.1.1 波浪滑翔机详细介绍
•     2.1.2 小结
•   2.2 蚁群算法与路径规划
•     2.2.1 基本概念
•     2.2.2 蚁群算法的特点
•     2.2.3 基本蚁群算法及其关键参数
•     2.2.4 已有的改进蚁群算法
•   2.3 用于路径搜索的A星算法
•     2.3.1 A星算法介绍
•     2.3.2 A星算法的优势及不足
•   2.4 本章小结
• 第三章 面向海洋环境路径规划的多策略优化蚁群算法
•   3.1 海洋环境下路径规划问题描述
•   3.2 面向海洋环境路径规划的基本蚁群算法
•     3.2.1 算法原理
•     3.2.2 算法描述
•     3.2.3 算法面临的问题
•   3.3 面向海洋环境路径规划的多策略优化蚁群算法
•     3.3.1 算法相关概念
•     3.3.2 改进策略
•     3.3.3 算法流程
•     3.3.4 算法实例
•   3.4 仿真实验及结果
•     3.4.1 实验目标
•     3.4.2 实验环境及数据
•     3.4.3 实验结果及分析
•   3.5 本章小结
• 第四章 A星算法与ACA-Mso算法相融合的算法设计
•   4.1 传统A星算法的寻路特性及相应改进
•   4.2 ACA-Mso算法与A星算法组成的融合算法
•     4.2.1 算法设计思路
•     4.2.2 算法流程
•     4.2.3 算法分析
•   4.3 融合算法的仿真实验及结果
•     4.3.1 实验目标
•     4.3.2 实验环境及数据
•     4.3.3 实验结果及分析
•   4.4 本章小结
• 第五章 总结与展望
• 参考文献
• 攻读硕士学位期间研究成果
• 致谢

文章来源

类型: 硕士论文

作者: 燕翔

导师: 高军伟

关键词: 路径规划,蚁群算法,多策略优化,算法融合

来源: 青岛大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 数学,船舶工业,自动化技术

单位: 青岛大学

基金: 国家863计划项目,项目编号为:2014AA09A0508

分类号: O221;U664.82

DOI: 10.27262/d.cnki.gqdau.2019.001880

总页数: 71

文件大小: 4911K

下载量: 60