Page 75 - 基于深度学习的人工智能技术研究

第二章 人工智能核心技术

变性上增加了模型优势。尚冠宇将蚁群算法引入水下无人军事平台航路规划，将
转弯机动、航行深度、上浮间隔等约束条件加入空间环境模型，实现在短时间内
找到最优水下无人平台航路规划方案，成功率、规划平均时间均优于遗传算法、
格扩展法、动态规划法和序列规划法。

3. 优化信息素浓度更新模型
为了解决由于信息素挥发而造成的陷入局部寻优问题，研究人员会采取设置
动态参数、加入分时段的挥发因子等优化信息素浓度更新模型的方式，进而实现
求解寻优范围最大化。黄钦龙等针对无人艇编队火力分配问题，采用时变的挥发

因子动态调整不同搜索阶段中的信息素，得到的火力分配最优解要优于固定参数
的经典蚁群算法，且收敛速度更快。梁洁雅等针对飞机作战任务航路规划问题、
局部和整体搜索过程分别启用不同的信息素浓度机制帮助增加算法的搜索空间，
改进后的蚁群算法能够更好地跟随地形规划航线，在适应度和规划时间方面都优

于传统蚁群算法，且航线起伏较小。
4. 调整转移概率模型
研究人员还通过调整选择节点时的转移概率模型来抵消由于信息素正反馈
机制导致的误差增大问题。孟小玲等针对战后军事物资回收车辆路径优化问题，

根据回收点之间信息素浓度和路径长度两个因素共同计算选择下一个回收点的概
率，并引入信息素减少系数提高循环信息利用率，改进后的蚁群算法，在稳定性、
可行性和有效性方面均优于传统算法。
5. 融合应用

在上述应用策略的基础上，研究人员将其他算法与蚁群算法进行局部融合，
进而提高蚁群算法整体适用性能。例如：薛杨针对基层部队常见多发的车辆路径
问题，基于蚁群信息素对 K-means 聚类方法进行改进，并结合欧氏距离、曼哈顿
距离计算方法设计路径优化模型。辛建霖等针对无人机作战航迹规划问题，结合

Dijkstra 算法和 Logistic 混沌映射的启发式信息优化蚁群算法的初始设置，采用
多航迹选择策略的状态转移规则增加求解多样性，并应用模拟退火机制提升全局
搜索能力，提出一种改进的蚁群算法。整体来看，蚁群算法在决策控制系统的作
战车辆规划、军事物流调度、编队火力分配、无人机作战方案等问题中广泛应用。

（二）粒子群算法在决策系统控制中的应用
粒子群算法是在模拟鸟群自组织聚集飞行过程基础上提出的，算法核心是确

67