基于改进蚁群优化算法与子图演化，提出了一种新型非监督社交网络链路预测（SE-ACO）方法。该方法首先在社交网络图中确定特殊子图；然后研究子图演化以预测图中的新链接，并用蚁群优化算法定位特殊子图；最后针对所提方法使用不同网络拓扑环境与数据集进行检验。结果表明，与其他无监督社交网络预测算法相比，所提SE-ACO方法在多数数据集上的评估结果较好，且运行时间较短，这表明图形结构在链路预测算法中起重要作用。

针对Stewart平台的奇异性分析，以雅可比矩阵行列式为目标函数，将奇异性分析问题转化为在并联机构可达工作空间内的连续优化问题。通过对基本蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的调整，构成了更加适用于连续优化问题求解的改进蚁群算法。采用该算法进行了Stewart平台的奇异性分析，结果证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度，从而为解决并联机构奇异性分析这一类问题提供了有价值的参考。

【路径规划】基于蚁群的三维路径规划matlab源码

在最大最小蚂蚁的基础上，加上动态信息素分配的规则，构成动态蚁群算法。

%%清空环境? clear all; clc; %%参数设置? w=0.6;%惯性因子? c1=2;%加速常数 c2=2;%加速常数? Dim=3;%维数 SwarmSize=50;%粒子群规模? ObjFun=@PIDcl;%待优化函数句柄? MaxIter=100;%最大迭代次数? MinFit=-Inf;%最小适应值 Vmax=1; Vmin=-1; Ub=[10 10 10]; Lb=[0 0 0]; %%粒子群初始化? Range=ones(SwarmSize,1)*(Ub-Lb); Swarm=rand(SwarmSize,Dim).*Range+ones(SwarmSize,1)*Lb;%初始化粒子群 VStep=rand(SwarmSize,Dim)*(Vmax-Vmin)+Vmin;%初始化速度 fSwarm=zeros(SwarmSize,1); for i=1:SwarmSize fSwarm(i,:)=feval(ObjFun,Swarm(i,:));%粒子群的适应值计算 end %%个体极值和群体极值 [bestfbestindex]=min(fSwarm); zbest=Swarm(bestindex,:);%全局最佳 gbest=Swarm;%个体最佳 fgbest=fSwarm;%个体最佳适应值 fzbest=bestf;%全局最佳适应值 %%迭代寻优 iter=0; y_fitness=zeros(1,MaxIter);%预先产生4个空矩阵? K_p=zeros(1,MaxIter); K_i=zeros(1,MaxIter); K_d=zeros(1,MaxIter); while ((iterMinFit)) for j=1:SwarmSize %速度更新 VStep(j,:)=w*VStep(j,:)+c1*rand*(gbest(j,:)-Swarm(j,:))+c2*rand*(zbest-Swarm(j,:)); if VStep(j,:)>Vmax,VStep(j,:)=Vmax; end if VStep(j,:)Ub(k),Swarm(j,k)=Ub(k); end if Swarm(j,k)

2023-03-02 19:29:21 1.83MB MTALAB Simulink 蚁群算法 PID