CN112819211A - 一种基于蚁群迭代算法的多区域调度航线规划方法 - Google Patents

一种基于蚁群迭代算法的多区域调度航线规划方法 Download PDF

Info

Publication number
CN112819211A
CN112819211A CN202110083277.5A CN202110083277A CN112819211A CN 112819211 A CN112819211 A CN 112819211A CN 202110083277 A CN202110083277 A CN 202110083277A CN 112819211 A CN112819211 A CN 112819211A
Authority
CN
China
Prior art keywords
route
ants
ant
access
application area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110083277.5A
Other languages
English (en)
Inventor
刘洋洋
伍德林
张春岭
房浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202110083277.5A priority Critical patent/CN112819211A/zh
Publication of CN112819211A publication Critical patent/CN112819211A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于蚁群迭代算法的多区域调度航线规划方法，包括以下步骤：S1、获取各个施药区域重心位置的地理坐标信息；S2、对各个影响参数进行设定；S3、设定循环次数；S4、设置蚂蚁访问区域禁忌表；S5、设置蚂蚁只数；S6、对蚂蚁将要访问的下一施药区域进行选择；S7、把蚂蚁访问过的施药区域加入到蚂蚁访问区域禁忌表中；S8、检测是否完成所有施药区域的访问，若未完成，则跳转到步骤S5；若已完成所有施药区域的访问，则执行下一步操作；S9、更新每条航线上的信息素；S10、检测循环次数是否达到要求；若未达到要求，则清空蚂蚁访问区域禁忌表并跳转到步骤S3；若达到要求，则将信息素最多的航线作为最优航线并输出。

Description

一种基于蚁群迭代算法的多区域调度航线规划方法
技术领域
本发明涉及林区施药领域，尤其涉及一种基于蚁群迭代算法的多区域调度航线规划方法。
背景技术
我国林区地形非常复杂，既有集中的大面积林区，也有分散的小面积林地。例如东北地区、西南地区的林地多为大面积林区，而东部地区的林地以道路、村庄以及农田等地区的防护林为主，多为面积较小的片林，在航空施药的过程中，常出现施药区域为多个较小的林区，因此，对多作业区域的调度航线规划尤为重要。目前对航空多区域施药作业时调度航线的研究较少，难以满足林业航空多区域施药作业的使用需求，给林区施药操作带来了一定的困扰。
发明内容
本发明目的是针对上述问题，提供一种提高运算速率的基于蚁群迭代算法的多区域调度航线规划方法。
为了实现上述目的，本发明的技术方案是：
一种基于蚁群迭代算法的多区域调度航线规划方法，包括以下步骤：
S1、获取各个施药区域重心位置的地理坐标信息；
S2、对各个影响参数进行设定；
S3、设定循环次数；
S4、设置蚂蚁访问区域禁忌表；
S5、设置蚂蚁只数；
S6、对蚂蚁将要访问的下一施药区域进行选择；
S7、把蚂蚁访问过的施药区域加入到蚂蚁访问区域禁忌表中；
S8、检测是否完成所有施药区域的访问，若未完成，则跳转到步骤S5；若已完成所有施药区域的访问，则执行下一步操作；
S9、更新每条航线上的信息素；
S10、检测循环次数是否达到要求；若未达到要求，则清空蚂蚁访问区域禁忌表并跳转到步骤S3；若达到要求，则将信息素最多的航线作为最优航线并输出。
进一步的，所述步骤S2中的影响参数包括蚂蚁总数目、信息启发式因子、期望启发式因子、信息挥发系数、最大循环次数、循环次数、每条航线的初始化信息量、每条航线的初始时刻。
进一步的，所述步骤S6中对蚂蚁将要访问的下一施药区域进行选择时，首先计算蚂蚁所在位置访问另一个施药区域的访问概率，然后根据最大的访问概率确定将要访问的下一个施药区域；访问概率的计算公式为：
Figure RE-GDA0002998190800000021
式中，τij(t)为(i,j)航线上的信息素；ηij为从区域i转移到区域j的启发式因子；allowedk＝{c-tabuk}为蚂蚁k下一步被允许访问的施药区域集合；m为蚂蚁总数量；dij(i,j＝0,1,···,n-1)为施药区域i和施药区域j之间的距离；α为信息启发式因子；β为期望启发式因子。
进一步的，所述步骤S9中更新每条航线上的信息素的计算公式为：
Figure RE-GDA0002998190800000022
式中，τij为航线(i,j)的信息素；常数ρ∈(0，,1)为信息素挥发系数；
Figure RE-GDA0002998190800000023
为第k只蚂蚁经过的航线释放的信息素；e为给予路径Tbs的权值；
Figure RE-GDA0002998190800000024
为最短航线t时刻增加的信息素；
Figure RE-GDA0002998190800000031
式中，τmax为信息素的最大值；τmin为信息素的最小值。
与现有技术相比，本发明具有的优点和积极效果是：
本发明公开了一种基于蚁群迭代算法的多区域调度航线规划方法，其可以加快初始信息素累积速度，提高蚁群算法初期的搜索速度，提高蚁群算法的搜索效率，与传统蚁群算法相比在搜索时间上大幅度缩短，同时其规划的航线航程最短，可适用于较为复杂的调度航线规划；本发明可以缩短多区域施药操作的调度航程，节约了多区域施药操作的工作时间，提高了林区施药的施药效率，并且其有效减小了航空燃油的使用量，节约了林区施药作业的经济成本，给多区域林区施药操作带来了便利。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的框架流程图；
图2为实施例的规划结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
如图1、图2所示，本发明提出了一种基于蚁群迭代算法的多区域调度航线规划方法来求解多区域调度航线问题。
所述的蚁群迭代算法是在传统蚁群算法的基础上，引入迭代周期概念，并且结合最大-最小蚂蚁系统和精英蚂蚁系统设计出的算法。该算法可以加快初始信息素累积速度，增强算法的鲁棒性，提高算法的搜索效率，使解收敛于最优解。
蚁群迭代算法搜索原理，蚂蚁在寻找食物过程中，在其经过的航线上释放信息素，该物质可使一定范围内蚂蚁朝该物质方向移动。信息素越强烈，越容易吸引蚂蚁经过，经过蚂蚁越多，留下的信息素又会越多，由此形成正反馈现象。但是信息素会随时间的推移而消散。如果某一条路线较短，蚂蚁达到终点的速度越快，该蚂蚁返程时，路线上信息素残留越多，由于该蚂蚁最先返程，致使航线信息素最先被更新，形成信息素较多的航线，由此会吸引更多的蚂蚁，一直会持续到所有的蚂蚁最终都选择了最短的航线为止。
航线从施药区域i转移到施药区域j的概率，如式(1)所示：
Figure RE-GDA0002998190800000041
其中，τij(t)为(i,j)航线上的信息素；ηij为从区域i转移到区域j的启发式因子；allowedk＝{c-tabuk}为蚂蚁k下一步被允许访问的施药区域集合；m为蚂蚁总数量；dij(i,j＝0,1,···,n-1)为施药区域i和施药区域j之间的距离；α为信息启发式因子；β为期望启发式因子。
为了避免在路上残留过多的信息素而使启发信息被淹没，在每只蚂蚁遍历完成后，要对残留信息进行更新处理，增加信息素挥发系数。挥发系数表示航线上信息量的损耗程度，挥发系数的大小关系到算法的全局搜索能力和收敛速度。
本发明先引入迭代周期概念，即每次迭代之后只保留至今前一半的蚂蚁释放信息素，并且对最优航线用附加信息素的方式来强化该航线，航线上信息素更新方式如式(2)所示：
Figure RE-GDA0002998190800000051
式中，τij为航线(i,j)的信息素；常数ρ∈(0，,1)为信息素挥发系数；
Figure RE-GDA0002998190800000052
为第 k只蚂蚁向它经过的航线释放的信息素；e为给予路径Tbs的权值大小；
Figure RE-GDA0002998190800000053
为最短航线t时刻增加得信息素。
本发明结合最大-最小蚂蚁系统(MMAS)将各条航线可能的信息素浓度限制在一定范围之内，若信息素大于等于信息素的最大值时，则把信息素通过式 (3)设为最大值τmax；若信息素小于等于信息素的最小值时，则把信息素通过式(3)设为最小值τmin。该方法可以有效地避免某条航线上的信息量远大于其余航线，避免所有蚂蚁都集中到同一条航线上。精英蚂蚁系统是对算法每次循环之后给予最优航线额外的信息素量。
Figure RE-GDA0002998190800000054
以标准TSPLIB数据库中的Eil76典型TSP问题为例。该多区域调度航线规划方法的操作流程为：
(1)在系统中输入76个施药区域的地理坐标信息，或直接调用。
(2)参数初始化。蚁群迭代算法的各个参数设置为：蚂蚁总数目m＝100，信息启发式因子α＝1，期望启发式因子β＝5，信息挥发系数ρ＝0.1，最大循环次数Ncmax＝100，时间t＝0，循环次数Nc＝0，每条边(i,j)的初始化信息量τ ij(t)＝0，初始时刻Δτ(0)＝0。
(3)设置循环次数Nc←Nc+1。
(4)设置蚂蚁的禁忌表索引号k＝1。
(5)设置蚂蚁只数k←k+1；例如第K只蚂蚁；M表示蚂蚁的总数，k表示第几个蚂蚁。例如有100个蚂蚁，m＝100，第5个蚂蚁，k＝5。
(6)蚂蚁根据式(1)选择下一施药区域j，j∈{76-tabuk}。
(7)更新该蚂蚁的禁忌表，即把该蚂蚁刚访问过的施药区域加入禁忌表中。
(8)若所有施药区域未遍历完，即k<m，则跳转到第(5)步，否则执行第(9)步。
(9)根据式(2)和(3)更新每条航线上的信息素。
(10)若循环次数Nc≥Ncmax则循环结束并输出运行结果，否则清空禁忌表并跳转到第(3)步。
该调度航线规划方法可以加快初始信息素累积速度，提高算法初期的搜索速度，提高算法的搜索效率，使解收敛于最优解。与传统蚁群算法相比在搜索时间上大幅度缩短，并且规划的航线航程较短，可适用于较为复杂的调度航线规划。

Claims (4)

1.一种基于蚁群迭代算法的多区域调度航线规划方法，其特征在于：包括以下步骤：
S1、获取各个施药区域重心位置的地理坐标信息；
S2、对各个影响参数进行设定；
S3、设定循环次数；
S4、设置蚂蚁访问区域禁忌表；
S5、设置蚂蚁只数；
S6、对蚂蚁将要访问的下一施药区域进行选择；
S7、把蚂蚁访问过的施药区域加入到蚂蚁访问区域禁忌表中；
S8、检测是否完成所有施药区域的访问，若未完成，则跳转到步骤S5；若已完成所有施药区域的访问，则执行下一步操作；
S9、更新每条航线上的信息素；
S10、检测循环次数是否达到要求；若未达到要求，则清空蚂蚁访问区域禁忌表并跳转到步骤S3；若达到要求，则将信息素最多的航线作为最优航线并输出。
2.如权利要求1所述的基于蚁群迭代算法的多区域调度航线规划方法，其特征在于：所述步骤S2中的影响参数包括蚂蚁总数目、信息启发式因子、期望启发式因子、信息挥发系数、最大循环次数、循环次数、每条航线的初始化信息量、每条航线的初始时刻。
3.如权利要求2所述的基于蚁群迭代算法的多区域调度航线规划方法，其特征在于：所述步骤S6中对蚂蚁将要访问的下一施药区域进行选择时，首先计算蚂蚁所在位置访问另一个施药区域的访问概率，然后根据最大的访问概率确定将要访问的下一个施药区域；访问概率的计算公式为：
Figure RE-FDA0002998190790000021
式中，τij(t)为(i,j)航线上的信息素；ηij为从区域i转移到区域j的启发式因子；allowedk＝{c-tabuk}为蚂蚁k下一步被允许访问的施药区域集合；m为蚂蚁总数量；dij(i,j＝0,1,···,n-1)为施药区域i和施药区域j之间的距离；α为信息启发式因子；β为期望启发式因子。
4.如权利要求3所述的基于蚁群迭代算法的多区域调度航线规划方法，其特征在于：所述步骤S9中更新每条航线上的信息素的计算公式为：
Figure RE-FDA0002998190790000022
式中，τij为航线(i,j)的信息素；常数ρ∈(0，,1)为信息素挥发系数；
Figure RE-FDA0002998190790000023
为第k只蚂蚁经过的航线释放的信息素；e为给予路径Tbs的权值；
Figure RE-FDA0002998190790000024
为最短航线t时刻增加的信息素；
Figure RE-FDA0002998190790000025
式中，τmax为信息素的最大值；τmin为信息素的最小值。
CN202110083277.5A 2021-01-21 2021-01-21 一种基于蚁群迭代算法的多区域调度航线规划方法 Pending CN112819211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110083277.5A CN112819211A (zh) 2021-01-21 2021-01-21 一种基于蚁群迭代算法的多区域调度航线规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110083277.5A CN112819211A (zh) 2021-01-21 2021-01-21 一种基于蚁群迭代算法的多区域调度航线规划方法

Publications (1)

Publication Number Publication Date
CN112819211A true CN112819211A (zh) 2021-05-18

Family

ID=75858595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110083277.5A Pending CN112819211A (zh) 2021-01-21 2021-01-21 一种基于蚁群迭代算法的多区域调度航线规划方法

Country Status (1)

Country Link
CN (1) CN112819211A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191567A (zh) * 2021-05-21 2021-07-30 南京林业大学 一种基于双层融合智能算法的多林区航线调度规划方法
CN113326990A (zh) * 2021-06-22 2021-08-31 安徽农业大学 基于动态遗传算法串行融合的直升机调度航线规划方法
CN113554215A (zh) * 2021-06-22 2021-10-26 安徽农业大学 一种基于蚁群-遗传融合算法的直升机调度航线规划方法
CN114355955A (zh) * 2022-03-21 2022-04-15 武汉理工大学 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101118421A (zh) * 2007-09-13 2008-02-06 北京航空航天大学 基于自适应蚁群智能的非线性pid控制参数整定方法
CN101872432A (zh) * 2010-05-21 2010-10-27 杭州电子科技大学 一种引入好奇因子的蚁群优化方法
CN108180914A (zh) * 2018-01-09 2018-06-19 昆明理工大学 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法
CN110160546A (zh) * 2019-05-10 2019-08-23 安徽工程大学 一种移动机器人路径规划方法
CN110705742A (zh) * 2019-08-21 2020-01-17 浙江工业大学 一种基于改进蚁群算法的物流配送方法
CN110989612A (zh) * 2019-12-17 2020-04-10 哈工大机器人（合肥）国际创新研究院 一种基于蚁群算法的机器人路径规划方法及装置
CN111026126A (zh) * 2019-12-27 2020-04-17 哈尔滨工程大学 一种基于改进蚁群算法的无人艇全局路径多目标规划方法
CN111289007A (zh) * 2020-03-23 2020-06-16 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
AU2020102041A4 (en) * 2020-08-28 2020-10-08 Lin, Shudong Mr Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101118421A (zh) * 2007-09-13 2008-02-06 北京航空航天大学 基于自适应蚁群智能的非线性pid控制参数整定方法
CN101872432A (zh) * 2010-05-21 2010-10-27 杭州电子科技大学 一种引入好奇因子的蚁群优化方法
CN108180914A (zh) * 2018-01-09 2018-06-19 昆明理工大学 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法
CN110160546A (zh) * 2019-05-10 2019-08-23 安徽工程大学 一种移动机器人路径规划方法
CN110705742A (zh) * 2019-08-21 2020-01-17 浙江工业大学 一种基于改进蚁群算法的物流配送方法
CN110989612A (zh) * 2019-12-17 2020-04-10 哈工大机器人（合肥）国际创新研究院 一种基于蚁群算法的机器人路径规划方法及装置
CN111026126A (zh) * 2019-12-27 2020-04-17 哈尔滨工程大学 一种基于改进蚁群算法的无人艇全局路径多目标规划方法
CN111289007A (zh) * 2020-03-23 2020-06-16 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
AU2020102041A4 (en) * 2020-08-28 2020-10-08 Lin, Shudong Mr Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DIRK SUDHOLT, CHRISTIAN THYSSEN: "Running time analysis of Ant Colony Optimization for shortest path problems", ELSEVIER/JOURNAL OF DISCRETE ALGORITHMS *
于洋: "基于优化蚁群算法的PDMS电缆敷设设计路径方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, vol. 2021, no. 1, pages 19 - 20 *
李艳冰;徐克林;朱伟;: "多物流配送中心选址及求解", 同济大学学报(自然科学版), no. 05 *
范彬毅;姜同强;: "带有禁忌规则的改进蚂蚁算法", 计算机仿真, no. 01 *
陈孟涛;李志华;邓跃设;杨雪;: "基于混合行为的蚁群算法", 计算机工程与设计, no. 06 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191567A (zh) * 2021-05-21 2021-07-30 南京林业大学 一种基于双层融合智能算法的多林区航线调度规划方法
CN113326990A (zh) * 2021-06-22 2021-08-31 安徽农业大学 基于动态遗传算法串行融合的直升机调度航线规划方法
CN113554215A (zh) * 2021-06-22 2021-10-26 安徽农业大学 一种基于蚁群-遗传融合算法的直升机调度航线规划方法
CN113326990B (zh) * 2021-06-22 2022-11-15 安徽农业大学 基于动态遗传算法串行融合的直升机调度航线规划方法
CN113554215B (zh) * 2021-06-22 2024-03-19 安徽农业大学 一种基于蚁群-遗传融合算法的直升机调度航线规划方法
CN114355955A (zh) * 2022-03-21 2022-04-15 武汉理工大学 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法

Similar Documents

Publication Publication Date Title
CN112819211A (zh) 一种基于蚁群迭代算法的多区域调度航线规划方法
CN109034468B (zh) 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法
CN110609557B (zh) 无人车混合路径规划方法
CN105717926A (zh) 基于改进蚁群算法的移动机器人旅行商优化方法
CN111310999B (zh) 一种基于改进蚁群算法的仓库移动机器人路径规划方法
CN105679102B (zh) 一种全国飞行流量时空分布预测推演系统及方法
CN110705742A (zh) 一种基于改进蚁群算法的物流配送方法
CN105551244B (zh) 一种动态路径规划方法
CN110782086A (zh) 一种用于救援的带无人机车辆配送路径优化方法及系统
CN110319829B (zh) 基于自适应多态融合蚁群算法的无人机航迹规划方法
CN112650229A (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN106228265B (zh) 基于改进粒子群优化的总拖期运输计划调度方法
CN110726408A (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN110531782A (zh) 用于社区配送的无人机航迹路径规划方法
CN115938162A (zh) 一种考虑高空风时变性的冲突最小化航迹协同规划方法
CN115577833A (zh) 应用于求解协同配送的路径规划的粒子群优化方法和系统
CN110245776B (zh) 一种基于多属性蚁群算法的智能交通路径规划方法
CN109840625B (zh) 一种快递员群路径导航的方法
CN109800911B (zh) 一种为多名快递员派件路径统一导航的方法
Ok et al. An ant colony optimization approach for the preference-based shortest path search
CN114217607A (zh) 一种外卖派送路径规划方法、系统及存储介质
CN106295791A (zh) 用于寻找旅行商最优路径的方法
Liu et al. Research on efficient online planning of emergency logistics path based on double-layer ant colony optimization algorithm
CN113554215B (zh) 一种基于蚁群-遗传融合算法的直升机调度航线规划方法
CN114154394B (zh) 一种基于改进蚁群算法的并行时间窗车辆路径规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination