페로몬 기반 개미 군집 최적화 알고리즘을 이용한 경로 계획

Pheromone-Focused Ant Colony Optimization algorithm for path planning

개미 군집 최적화(ACO)는 경로 계획에 널리 사용되는 중요한 군집 지능 알고리즘입니다. 그러나 기존의 ACO 방법은 복잡한 환경에서 무분별한 탐색 행동과 느린 수렴 속도와 같은 단점을 보이는 경우가 많습니다. 이러한 문제점을 해결하기 위해, 본 논문에서는 문제 해결 능력을 향상시키기 위한 세 가지 핵심 전략을 도입한 페로몬 기반 개미 군집 최적화(PFACO) 알고리즘을 제안합니다. 첫째, 노드와 시작 및 종료 지점 간의 유클리드 거리를 기반으로, 더 유망한 영역에 초기 페로몬 분포를 집중시켜 탐색과 활용 간의 균형을 맞춥니다. 둘째, 군집 반복 과정에서 유망한 해를 강화하여 고품질 경로에 페로몬 증착을 가속화하고, 해의 다양성을 유지하면서 수렴 속도를 높입니다. 셋째, 전방향 예측 메커니즘을 구현하여 불필요한 경로 회전을 줄여 더욱 부드럽고 효율적인 해를 도출합니다. 이러한 전략들은 개미 군집의 탐색을 안내하는 데 중요한 역할을 하는 페로몬을 집중적으로 생성하여, PFACO 알고리즘의 전역 최적화 능력을 향상시키고 다양한 최적화 문제에서 수렴 속도와 해의 품질을 크게 개선합니다. 실험 결과는 PFACO가 수렴 속도와 해의 품질 측면에서 기존의 ACO 알고리즘보다 우수한 성능을 보임을 보여줍니다.

Ant Colony Optimization (ACO) is a prominent swarm intelligence algorithm extensively applied to path planning. However, traditional ACO methods often exhibit shortcomings, such as blind search behavior and slow convergence within complex environments. To address these challenges, this paper proposes the Pheromone-Focused Ant Colony Optimization (PFACO) algorithm, which introduces three key strategies to enhance the problem-solving ability of the ant colony. First, the initial pheromone distribution is concentrated in more promising regions based on the Euclidean distances of nodes to the start and end points, balancing the trade-off between exploration and exploitation. Second, promising solutions are reinforced during colony iterations to intensify pheromone deposition along high-quality paths, accelerating convergence while maintaining solution diversity. Third, a forward-looking mechanism is implemented to penalize redundant path turns, promoting smoother and more efficient solutions. These strategies collectively produce the focused pheromones to guide the ant colony's search, which enhances the global optimization capabilities of the PFACO algorithm, significantly improving convergence speed and solution quality across diverse optimization problems. The experimental results demonstrate that PFACO consistently outperforms comparative ACO algorithms in terms of convergence speed and solution quality.