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。

通过对人工势场法与蚁群算法进行融合, 给出了一种融合人工势场蚁群算法的移动机器人路径规划算法。一方面, 引入目标点距离影响因子, 改善势场力对移动机器人路径搜索的影响, 通过改进斥力场函数, 避免移动机器人因受到较大的斥力而无法规划出最优路径; 另一方面, 构造势场力启发函数, 同时考虑距离启发信息和势场启发信息, 初始化信息素的差异化分配方式有利于提高算法的收敛速度。实验结果表明, 融合人工势场蚁群算法相比于文献［15］算法, 在最优路径长度、路径转折次数、收敛速度三方面分别提高了2.6%,25%和66.7%, 表明了该算法在路径规划方面的优越性。

针对已知起点和终点、而环境信息未知情况下的探索航迹规划问题, 提出了融合生物信息素的改进稀疏A*无人机探索航迹规划算法。以激光雷达获取的局部地图信息为基础, 通过引入生物信息素, 对稀疏A*算法中的代价函数进行优化, 实现未知环境下自主规避障碍物, 并避免环境重复探索。在此基础上, 提出了基于机器人操作系统(ROS)的物理实施途径。通过“回”字形场景下的仿真实验对比, 验证了所提算法可避免环境重复探索的有效性。此外, 在“回”字形基础上, 将所提算法推广应用于柱状障碍物场景。实验结果表明: 所提出的融合生物信息素的改进稀疏A*探索航迹规划算法能有效实现未知环境探索航迹规划。

为解决基于蚁群优化的图像边缘检测算法中信息素的作用不明显，难以获得全局最优解，从而降低目标边缘的检测精确度与效率等问题，提出一种基于细菌趋化性 (BC)耦合蚁群优化 (ACO)的边缘检测算法。通过细菌趋化性找到最佳解决方案，用于产生信息素的初值；将 BC得到的信息素初值作为 ACO的初始信息素，计算每只蚂蚁的行走概率，从而选择最佳的行走路径。当蚂蚁每经历一个像素点时，更新局部信息素。全部的蚂蚁完成迭代后，进行全局信息素更新，搜寻全局最优解；最后，根据信息素最优解与阈值的关系，得到目标的边缘与非边缘，完成边缘检测。测试表明：与其他边缘检测算法相比，所提算法具有更好的边缘连续性和清晰性，能准确检测图像中的微小边缘，同时呈现出理想的收敛速度。

提出了一种基于蚁群的新型按能需求路由算法（ARADE），针对移动网络节点剩余能量分布不均而导致网络生命周期短和蚁群算法收敛速度慢这两种缺陷做了相应的改进。存有路由信息的反向信息素表的引入简化了路由请求数据包的数据结构，将节点剩余能量、路径消耗能量以及跳数通过相应的影响因子归一化成一个参数作为路由性能评价值，以此来达到均衡整个网络节点剩余能量的目的。此外，迭代过程中信息素的最大值Γhigh可以当作参数进行一次自我迭代，使得当前节点维护在反向信息素表中的信息素值得到正反馈变化，从而加快整个算法的收敛速度。整个实验仿真是在NS2平台上进行，随着数据包的传输速率的增加，它的生命周期、平均能量消耗和端到端延迟都会优于AODV。

针对光传输网络中由于光纤和波长资源有限而导致的RWA(路由波长分配)问题, 基于ACO(蚁群算法)框架提出了一种优化算法SS-ACO(服务选择ACO), 在蚁群探索方案空间过程中增加了业务选择机制, 改进了蚂蚁转移概率和信息素更新方法, 有利于提高算法的寻优能力, 能有效降低网络业务阻塞率。结合网格网络和实际网络进行了仿真实现。

提出了一种改进的蚁群聚类分析算法, 通过改进LF算法中群体相似度函数, 加入参数的自适应调整策略, 利用短期记忆和网格信息素的局部分布控制蚂蚁的随机移动, 并结合蚂蚁速度动态变化、半径递增、强制放下等特性。采用测试数据和不同的算法进行了对比实验分析, 仿真实验结果表明, 该算法显示出了较高的稳定性和准确率。

单克隆菌落挑选仪是集光学成像、图像识别和自动控制等技术于一身, 应用于生物工程领域的一种高端仪器。对12×8阵列挑选针和无序排列的菌落目标, 只有对挑选路径和顺序进行优化, 才能有效提高挑选通量。针对这一需求, 利用蚁群算法的基本原理, 对单克隆菌落挑选仪挑选路径进行了优化。仿真实验结果表明, 该算法可以有效提高挑选效率。

Ad hoc(自组织)网络中包含延迟、延迟抖动、带宽和丢包率等约束条件在内的QoS(服务质量)路由问题，是一个NP完全问题，传统的平面QoS蚂蚁路由算法难以解决提高算法全局搜索能力和加快收敛速度之间的矛盾。针对以上问题，提出了HQAC(分级QoS蚁群)算法，在分级的基础上对蚁群算法的路由搜寻过程进行了改进，同时对信息素更新公式进行了优化。仿真结果表明，与传统的QoS路由算法相比，HQAC算法在搜索全局最优解，尤其是收敛速度等性能上有了很大的提高。

基于人工蚁群的红外图像分割方法利用模糊非线性增强算子作为启发信息, 与信息素共同指导蚂蚁的行为。通过蚂蚁行走路径上的信息素分布进行更新, 使得分布在目标路径上的信息素逐渐增大, 逐渐向分割图像收敛, 最后根据信息素分布提取分割结果。仿真和实验表明, 该算法对真实图像得到了理想的分割结果。