基于蚁群算法的道路选取模型研究

在制图综合中,道路选取是非常重要的内容之一,研究道路选取的智能化方法是非常必要的。文中在研究道路语义、几何特征、拓扑关系和结构特征的基础上,充分考虑居民点对道路选取过程的影响,建立道路选取的蚁群算法模型。通过实验证明该模型算法的可行性和有效性。     

基于蚁群算法在实际动态路网中搜索最佳路径的应用

最佳路径是实际动态路网中备受关注的话题之一,为了提高出行的效率、缓解交通拥堵的状况,本文对动态路网进行分析研究。通过分析实际动态路网的可通行性及影响因素,针对在理论研究中未结合实际路网中的影响因素而得出的最佳路线不符实际路线中的最优情况,在蚁群算法的基础上,结合实际路况,笔者对其进行改进,该算法可实现计算出一条从起始点到终点的最佳路径,并在Visual Studio 2010中用C#语言设计并验证了该算法,证明了它的正确性和有效性。     

改进蚁群算法的无人机三维环境路径规划

针对传统蚁群算法在进行无人机三维环境路径规划时存在规划速度慢、容易陷入局部最优等问题,本文提出了用引导函数改变状态转移规则、初始信息素先验分配、时变信息素更新方式3个改进策略,充分挖掘路径规划先验信息。通过增加引导函数进行路径增强,增大最优路径的选择概率;同时根据与先验路径的距离赋予信息素不同的初始浓度,使算法在搜索初期具有明确的方向性,基于优胜劣汰的思想进行信息素更新,并将信息素挥发因子设定为服从Laplace分布的波动因子,避免搜索过程陷入局部最优,最大化提升路径搜索效率,实现三维环境下的无人机路径规划。仿真试验结果表明,改进后的蚁群算法在规划最优路径长度和最优路径搜索效率上明显优于传统蚁群算法。     

基于蚁群算法的地图矢量化算法研究

蚁群算法是一种模拟进化的在图中寻找优化路径的几率型算法,能有效地解决一系列组合优化问题。将蚁群算法应用于森林资源地图矢量化过程中,提出一种基于蚁群算法的新的地图矢量化算法。详细讨论该算法,并与传统算法作比较。该算法在实际应用中取得了良好效果。     

基于蚁群算法的边缘检测

蚁群算法是近些年发展起来的一种群体智能优化算法,它利用生物信息激素作为蚂蚁选择后续行为的依据,并通过蚂蚁间的协同与交互来完成全局寻优搜索过程。本文将该算法用于边缘检测,建立图像边缘与信息场之间的联系。提出了基于像素邻域的8个启发信息检测算子,指导蚂蚁选择最优边缘路径,并能自动确定分割阈值。对灰度图像进行模拟实验与经典分割算子进行对比,结果表明,该算法可以精确提取边缘特征,细节特征更为清晰。     

改进蚁群算法的三维激光点云聚类方法

为了提高点云聚类方法的效率和精度,本文提出了一种蚁群优化投影寻踪算法。试验采用机载LiDAR点云数据,通过构建蚁群算法中信息素系数更新的对数反正切函数模型来减少所需的信息素更新系数的迭代次数,不断优化的投影寻踪方向投影,提高寻找最佳投影方向的连续空间的效率,实现了树木和建筑的分割。试验使用人工方法对比评估树木和建筑物的位置和数量的准确性。     

越野机动路线选择算法的改进

首先介绍了最短路径算法的距离优化和方向优化思想,然后针对越野机动路线分析范围的特点,集成距离和方向优化思想,提出了方向基础上的障碍物避让算法,形成了改进算法的基本思想和基本原理,并对该算法的具体实现过程和作业流程进行阐述,最后实验证明该算法在一定程度上减少了访问节点,提高了计算效率。     

遥感图像蚁群算法和加权图像到类距离检索法

遥感图像检索目的是从遥感图像库中寻找出与查询图像相关的图像,但在检索过程中一般只考虑查询图像与待检索图像的相似度,通常忽略了遥感图像库中图像之间的语义相似度.针对该问题,本文提出一种基于蚁群算法和改进的加权图像到类距离的遥感图像检索算法.首先利用信息素浓度描述遥感图像库中图像之间的语义相似度,然后采用蚁群算法更新信息素...     

改进Dijkstra算法的城市道路最短路径仿真研究

本文在分析Dijkstra算法基础上,考虑城市路网的特点及该算法在路径优化中的不足,提出一种基于双向搜索的Dijkstra改进算法,它可以减少路网节点的搜索范围和计算复杂度.仿真结果表明,改进算法在最短路径搜索中可使候选节点数减少15％～25％,当节点越多这种减少越明显,可提高搜索路径的实时性.     

基于蚁群算法的干扰源优化设计技术

在电子对抗新形式的战争中,对卫星导航实施有效的干扰将会极大程度地削弱敌方作战能力。若要对特定区域实施有效的干扰,干扰源的部署方案选择至关重要。为取得理想的干扰效果,本文结合压制式和欺骗式干扰原理以及现代战争的特点,对卫星导航干扰源部署问题进行建模,在干扰源部署方案中选取任务区域干扰效益和平均危险指数作为衡量特定部署方案下干扰能力的指标,建立多目标组合优化模型,并运用蚁群算法优化部署方案。通过仿真分析表明,混沌蚁群算法能有效对干扰源部署方案进行优化,实现对卫星导航的有效干扰。      

利用蚁群遗传算法改进高程异常拟合模型

针对多面函数在拟合高程异常中难以选取中心节点及光滑因子的问题,该文提出了蚁群-遗传算法改进高程异常拟合模型的方法。为拟合模型构建提供可靠的参数,使选择的中心节点更加合理,加入蚁群算法能够快速获取地形复杂区域的特征点。光滑因子是多面函数拟合法的重要参数,参数值影响了拟合模型精度的高低。采用了遗传算法优化光滑因子,将光滑因子作为种群的染色体进行遗传运算,求得了拟合模型的光滑因子最优值为0.452。利用蚁群-遗传算法改进后的多面函数构建的拟合模型精度为8.6mm,比传统多面函数法拟合结果精度提高了48%。实验研究表明,蚁群-遗传算法改进的多面函数在很大程度上提高了拟合模型的精度,充分验证了改进方法有效可行,为特殊地形的高程拟合提供了重要的参考依据。     

自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

基于蚁群算法的点状注记智能化配置

地图注记是为待定位注记求取注记位置的过程,它是自动地图制图中的一个重要的难题,其中点状注记问题可以看作是一个组合优化问题。目前,模拟退火法,遗传算法和神经网络优化算法已经被用来优化点状注记的配置问题。本文将引入蚁群算法在点状注记配置中的应用,经实验证明该方法有更高的搜索效率,得到的注记结果基本上解决了冲突问题。     

蚁群算法在 InSAR 相位解缠中的应用

相位解缠是InSAR信号处理的关键过程,针对传统的枝切法存在枝切线整体长度过长和容易产生解缠"孤岛"现象等问题,基于蚁群算法提出一种改进的枝切法,通过对传统的枝切线进行优化,有效地减少枝切线长度。采用伊朗Bam地区的InSAR图像数据对算法进行实验计算与分析,表明本文算法所需设置的枝切线整体长度较短,能获得更好的相位解缠效果。     

基于角锥体原理的空间后方交会改进算法

在摄影测量中,空间后方交会是一个很重要的概念,通过空间后方交会可以确定像片的外方位元素,从而确定像片在物方空间坐标系中的位置和姿态。本文在文献[1][2]的基础上,对其中部分复杂公式进行改进,得到了表达形式简单,且易于理解和解算的实用公式,并通过实例证明改进算法的正确性。     

基于改进的最大类间方差法的遥感影像变化检测

变化检测技术被广泛应用于灾情估计、环境监测、农作物生长、森林覆盖等多个领域.为了自动获取变化检测的阈值,本文仔细分析了最大类间方差的方法和原理,改进了二维最大类间方差方法在变化检测中的应用,并利用多套遥感影像数据进行了实验,实验表明了该方法的可行性和有效性.     

脉冲耦合神经网络支持下的网络Voronoi图构建

针对网络Voronoi图中点与点之间通过实际路径距离而非传统欧式距离相连,在实际应用中较平面Voronoi图更加合理,该文提出了一种基于改进脉冲耦合神经网络的网络Voronoi图构建算法。借助模型的自动波发放及并行处理特性,较好地实现了基于路网的网络空间剖分,顾及了道路网及其点群自身属性对其服务范围的影响。实验表明,该算法实现了点群网络Voronoi图的构建,最短路径思想的引入使得构建的网络Voronoi图符合Voronoi图基本特征,可以用来表示点群的服务范围,不仅如此,算法的并行特性保证了算法的高效率。     

人工蜂群算法优化的SVM遥感影像分类

SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。     

改进的自适应遗传算法支持下点云与BIM模型配准

在钢结构数字化检测中,点云与设计模型的配准是进行数字化检测的关键步骤,配准的精确度决定了检测分析的准确度。传统配准方法一般先进行粗配准再进行精确配准,计算量大且收敛速度缓慢。针对精确配准存在的问题,本文提出了基于改进的自适应遗传算法用于点云与设计模型的配准方法,自适应地调整交叉概率与变异概率的执行顺序及概率值的大小,提高了种群的多样性及收敛速度。试验证明,改进后的自适应遗传算法极大地提高了点云与模型配准精度和收敛速度。