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。