针对蚁群算法在无人机三维路径规划问题中存在收敛速度慢和容易陷入局部最优的问题, 提出了一种融合改进人工势场的蚁群算法。构造重力势能场, 将改进人工势场的合力作为系数对预搜索可行区域内的信息素进行初始化, 提出一种随机性信息素挥发因子更新机制, 改进蚁群算法的启发函数和信息素更新规则, 引入重力势能来模拟无人机高空飞行, 并将其应用于信息素的更新。最后设置两组对比实验对比4种算法。结果表明, 所提算法有效地解决了蚁群算法存在的问题, 提高了算法搜索路径的效率和能力, 能在不同的环境下最快地收敛到最优值, 证明了该算法的适应性和有效性。

针对单一分类器在森林分类中分类精度低的问题，提出一种改进的蚁群算法结合支持向量机的分类模型（ACO-SVM）。该模型通过在蚁群搜索中加入部分有限搜索避免局部极值，并在信息素更新中引入时变函数，将动态更新策略与支持向量机结合，对径向基核函数参数进行优化。将该模型用于无人机可见光遥感影像森林类型分类，得到的实验结果为：在光谱特征影像分类中，对比ABC-SVM、GA-SVM、单纯的SVM模型，所提ACO-SVM在森林类型分类中效果最优，分类总体精度为81%，Kappa系数为0.7500；引入不同的纹理特征后，基于灰度共生矩阵特征对大兴安岭根河林区进行分类，总体分类精度为85%，Kappa系数为0.8063；引入Gabor纹理特征后，总体分类精度为87.5%，Kappa系数为0.8438。

针对BP(back propagation)神经网络直接逆向模型精度低、耗时长、易振荡等缺点,提出一种联合改进蚁群算法(IACO)与贝叶斯正则化算法(BR)的BP神经网络逆向建模方法。通过改进蚁群算法,根据搜索阶段设置挥发因子、路径优劣程度更新信息素,并在启发式因子中考虑出发点、终点与各节点的间距等,优化正向模型的权值,提高整体模型精度;之后使用L1/2范数的贝叶斯正则化算法逆向迭代正向模型的输入,达到提高网络稳定性的目的。将本文方法应用于可重构功率放大器中,实验结果表明:相比于直接逆向建模方法和自适应η逆向建模方法,本文方法的建模精度分别提高99.77%、90.70%,平均运行时间分别减少35.76%、2.05%;本文方法可降低功放设计的复杂度,提高其设计速度。

针对室内可见光通信(VLC)中接收平面接收光功率和接收光照强度分布不均匀的问题，提出了一种基于改进的蚁群算法对其进行优化。通过建立发射端和接收端的信道模型，对放置在天花板上的4×4的LED阵列发射端配备功率调节因子，并利用改进的蚁群算法对功率调节因子进行优化。针对传统蚁群算法存在的收敛速度慢、容易停滞等问题，提出了采用自适应信息素更新的策略。仿真结果表明，利用所提方法优化后，接收光功率和照明强度的波动范围分别在93.523~50.453μW和367.846~192.798Lux，接收平面上接收到的光功率和照明强度分布不均匀的问题得到了明显改善。

针对非结构场景没有规则形状，传统算法不易识别以及红外图像对比度低很难区分灰度值相近的道路、水、天等目标的难点，提出了一种新的改进蚁群算法；新算法针对复杂背景图像的微弱边缘检测问题，围绕现有蚁群算法的关键步骤，从两个方面对其进行了改进，一是对信息素的表达式进行了改进，二是改进了启发信息值的计算方法；通过实例对新算法进行了验证，结果表明，新算法具有边缘检测位置准确、连续性好且干扰少的优点。