移动机器人覆盖路径规划的快速跨度蚁群算法(FaSACO)
本研究提出了一种名为 Focused ACO 的 Ant Colony Optimization 变种,通过控制新构建解与先前选择解之间的差异数,实现了更加集中的搜索,同时与问题特定的局部搜索更有效地集成,这在解决大型 TSP 实例方面比现有的 ACO 更有效。
Mar, 2022
DeepACO 是一个利用深度强化学习来自动化启发式设计的通用框架,用于加强现有 ACO 算法的启发式措施并在未来 ACO 应用中省去繁琐的手动设计。作为一个神经增强元启发式方法,DeepACO 在八个组合优化问题上使用单个神经模型和一组超参数始终优于其 ACO 对应物。作为一种神经元组合优化方法,DeepACO 在经典路由问题上表现优于或与特定问题方法相当。
Sep, 2023
该论文介绍了一种新型的神经引导元启发式算法,Generative Flow Ant Colony Sampler (GFACS),用于组合优化。该算法将生成流网络 (GFlowNets) 与蚁群优化 (ACO) 方法相结合,在组合空间中提供了一个基于输入图实例的决策变量的先验分布,从而增强了 ACO 的功能。此外,本文还引入了一种新的训练技巧组合,包括搜索引导的局部探索、能量归一化和能量塑形,以提高 GFACS 的性能。我们的实验结果表明,在七个组合优化任务中,GFACS 胜过基准 ACO 算法,并且在车辆路径问题上与问题特定的启发式算法相竞争。源代码可在 https://github.com/ai4co/gfacs 上获得。
Mar, 2024
本文提出了一种基于群体智能的方法,用于解决无人机的合作路径规划问题,该问题对于基础设施的自动检查至关重要。该方法使用结构的三维模型生成无人机的视点,并考虑无人机编队模型、相机参数和数据后处理要求的约束,计算视点。然后,将视点作为输入,将路径规划作为扩展的旅行推销员问题,并定义一个新的成本函数。最后使用蚁群优化来解决这个问题,得到最优的检查路径。对真实结构的 3D 模型进行了实验以评估所提出方法的性能。结果表明,与另一种启发式方法相比,我们的系统不仅能够为无人机生成可行的检查路径,而且在复杂结构中可以将路径长度减少 29.47%。该算法的源代码可以在此 https 的 URL 找到。
Feb, 2024
本文提出一种基于蚁群算法的高性能词性标注方法 ACO-tagger,该方法在自然语言处理中的词性标注任务中获得了高准确率,达到了 96.867%,比其他现有方法表现更好,同时速度快,效率高,可用于实际应用。
Mar, 2023
使用 OpenNAS 开源工具结合粒子群优化和蚁群优化算法进行神经网络模型的训练和优化,实验证明粒子群优化算法(PSO)在生成更高模型准确度方面的表现优于蚁群优化算法(ACO),尤其在复杂数据集上效果显著,同时也评估了微调预训练模型的性能作为基准。
Mar, 2024
我们研究基于图的多机器人覆盖路径规划 (MCPP),旨在计算多个机器人覆盖给定 2D 网格图 $G$ 的所有顶点的路径。我们提出了一种新的算法框架 LS-MCPP,利用局部搜索直接在图 $D$ 上操作,通过扩展 STC 实现 MCPP 在任何分解图上的完全覆盖,并结合三种新颖的邻域操作符来引导搜索过程。我们的实验结果表明,LS-MCPP 在优化 makespan 方面显著优于现有算法,并且在运行时间方面具有数量级的优势,对于大规模实际覆盖任务具有重要的好处。
Dec, 2023
开发了一种新的 Ant colony optimization (ACO) 算法的混合版本,使用 Cohort Intelligence (CI) 算法的样本空间约简技术。该算法用于解决 35 个标准基准测试功能和两个机械设计问题,并且相对于其他现有算法,在优化步进式悬臂梁重量和 I 型梁挠度的最小化方面产生了最佳结果。
Mar, 2023
通过混合多智能体路径规划和无信号交叉口有序安排算法,本研究提出了一种性能显著优于现有算法、固定启发式以及基于 ARR 实施的优先规划的优化和完整算法 (OBS-KATS),并在不同车辆到达率、车道长度、交叉速度和控制范围下保持性能,具有直接适用于类似规模的交通和多机器人场景的特点。
Feb, 2024
使用 Ant Colony Optimization 算法解决 Capacitated Arc Routing Problem,使用本地搜索算法进行优化,对大规模实例进行了基准测试,并证明了 Ant Colony 算法可以与 Taboo 搜索方法和遗传算法竞争。
Nov, 2022