《表7 三种算法运行结果：基于几何规则的异类蚁群优化算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于几何规则的异类蚁群优化算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为验证GR-HFACO算法在Sci-ACO算法基础上改进的有效性，将该算法、Sci-ACO算法与目前流行的HHACO算法在全局已知与算法迭代过程中有静态障碍物干扰的两种环境下进行仿真比较，仿真参数如表2所示，起点与目标点分别用绿色与红色填充。通过观察图23和24全局已知环境下三种算法的路径轨迹与迭代曲线（见电子版），GR-HFACO与HHFACO算法寻优精度最好，但GR-HFACO算法由于在初期几何规则的非均匀分配信息素的设置，较Sci-ACO算法收敛速度快，而Sci-ACO算法寻优能力最差。当三种算法迭代到第五次时，在环境中加入静态障碍物作为干扰，如图25中灰色填充栅格所示。通过观察图25和26得出，在第五次加入静态障碍物后，路径长度发生变化，但由于对观点采择能力的个体进行了有效改进，使GR-HFACO算法能够较快地收敛到原来的最优解。三种算法的统计结果如表7所示。从表7中可以看出，不管是在全局已知还是有静态障碍物干扰的环境下，GR-HFACO算法能够以最快的速度收敛到最优解，运行时间较短；尤其体现在有静态障碍物干扰情况下，HHFACO算法搜索到最优解的成功率较差，而本文改进算法具有较强的鲁棒性，且收敛的最优解优于其他两种算法。综上所述GR-HFACO算法较好地平衡了快速性与全局性。