基于二进制蚁群模拟退火算法的认知引擎

在认知无线电系统中,认知引擎依据通信环境的变化和用户需求动态配置无线电工作参数。针对认知引擎中的智能优化问题,提出一种二进制蚁群模拟退火（BAC&SA）算法用于认知无线电参数优化。该算法在二进制蚁群优化（BACO）算法中引入模拟退火（SA）算法,融合了BACO的快速寻优能力和SA的概率突跳特性,能有效避免BACO容易陷入局部最优解的缺陷。仿真实验结果表明,与遗传算法（GA）和BACO算法相比,基于BAC&SA算法的认知引擎在全局搜索能力和平均适应度等方面具有明显的优势。     

基于检测区策略的自适应蚁群优化算法

为了弥补蚁群算法搜索时间长,容易出现停滞的缺点,本文在前人研究的基础上,提出建立检测区的策略,算法在检测区内每迭代m次,就检测一次算法是否陷入局部最优。在停滞发生的情况下,自适应改变q0的大小,并在整个寻找过程中自适应改变全局信息素挥发系数及信息素的最大、最小值,以此实现信息素的动态更新和搜索路径的自动改变,从而达到提高算法的搜索能力的目的,同时又能很好地避免收敛过程中出现的停滞现象。实验验证了理论的正确性和算法的有效性。     

基于信息熵调整的自适应蚁群算法

针对基本蚁群算法在求解大规模旅行商问题进易导致搜索时间过长或陷入停滞的问题,提出一种基于信息熵调整的自适应蚁群算法.该算法通过优化过程中种群的信息熵来衡量演化的程度,自适应地调整路径选择策略和信息素更新策略.信息熵的计算以某条路径边上的信息素占总信息素量的比例为基础.对大规模城市数旅行商问题进行实验,实验结果表明,提出的基于信息熵调整的自适应蚁群算法能获得比基本蚁群算法更好的解,并且增加了算法的稳定性.     

基于优化成熟度的自适应蚁群优化算法

分析了蚁群算法局部信息素更新系数与全局信息素更新系数对算法寻优能力与收敛速度的关系,定义平均路径相似度(ATS)来表征寻优过程的成熟程度,并据此自适应调整信息素更新系数,提高算法收敛速度并避免陷入局部最优.经过与典型蚁群算法在多个旅行商问题测试用例上进行比较,表明该算法效果更好.     

一种动态自适应蚁群算法

针对传统蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种动态自适应蚁群算法。该算法对传统的MMAS蚁群算法中的信息素进行自适应调整。实验结果表明,该算法比传统的蚁群算法和传统的MMAS蚁群算法具有更好的搜索全局最优解的能力,并具有更好的稳定性和收敛性。     

基于贪心策略的自适应蚁群算法在TSP中的应用

目前,蚁群算法已被广泛应用于解决大量的组合优化问题,但基本蚁群算法搜索时间较长,容易陷入局部最优解的缺点比较突出。该文在基本蚁群算法模型的基础上,将贪心算法融入其动态转移过程中,提出一种基于贪心策略的动态自适应改进方法,并将改进后的算法应用于TSP问题。最后通过对比仿真,证明改进算法的可行性和有效性。     

基于蚁群优化的WSN功率自适应路由算法

为节省节点能量开销,延长无线传感器网络(WSN)的生命周期,在研究蚁群优化算法的基础上,提出一种基于蚁群优化的功率自适应路由算法。在蚂蚁寻路时考虑节点的传输方向、剩余能量和节点间距离。寻找到一条最优路径后,根据相邻两节点间的距离调整节点的发射功率,避免功率过大造成能量浪费。仿真实验结果表明,在节点非均匀分布的情况下,该算法能够有效节省网络开销,延长网络生命周期。     

基于自适应转移概率的蚁群优化算法

为避免蚁群优化算法容易早熟的缺点,在转移概率公式中引入一个新的自适应因子。随着迭代次数的增加,该因子有利于蚂蚁探索有较弱信息素浓度的边而避免一些边上信息素的过度积累。该特点使蚂蚁在迭代后期仍能以较高概率搜索到更好的解从而避免早熟。仿真实验结果表明,该算法对解决旅行商问题具有更优的全局搜索能力。     

基于自适应蚁群算法的公交查询算法设计

公交查询系统的设计可以解决在庞大的公交网络中公交路线选择的问题。该文将利用蚁群算法设计公交查询系统的核心算法．即如何搜索出一条从起始站点到目的站点的最优路径。该文将公交网络按直达关系抽象成有向图,用蚂蚁在各个节点之间的行走代表公交线路的选择。针对基本蚁群算法收敛速度和早熟之间的矛盾,提出了自适应信息素更新的蚁群算法,并设计了迟滞更新信息素的方法．使得运算量大大减少。     

求解自适应组合优化蚁群算法的研究

传统的组合优化蚁群算法在求解过程中要消耗大量的时间,极易陷入局部最优化求解等弊端,同时还会产生大量无用的冗余迭代码,运算效率低。对此,提出了自适应组合优化蚁群算法。通过对改变信息素的迭代、参数选择的分析和增加对信息素局部更新方式,提高了整个系统运算速度及收敛速度,扩充了优化的范围,克服了无用迭代码的产生,减少了停滞现象的出现。通过该算法对旅行商问题进行仿真实验,其结果表明了该算法的可行性和有效性。     

基于改进蚁群优化算法的分布式多播路由算法

蚁群优化算法在优化计算特别是在多播路由问题中得到了广泛应用,但在进行大规模优化时,蚁群算法与其它随机优化算法一样,存在着收敛速度慢易于限于局部最小点等缺点。为此,该文提出了一种新的改进蚁群算法。仿真实验表明,应用这种改进型蚁群算法于多播路由问题,可以得到比现有启发式算法更好的结果。     

蚁群优化算法及其应用

蚂蚁算法是由意大利学者M．Dorigo等人提出的一种新型的模拟进化算法。该算法首先应用于旅行商问题并获得了极大的成功,其后,又被用于求解指派问题、Job—shop调度问题、图着色问题和网络路由问题等。实践证明,蚂蚁算法是一种鲁棒性强、收敛性好、实用性广的优化算法,但同时也存在一些不足,如收敛速度慢和容易出现停滞现象等。     

基于多蚁群的并行ACO算法

通过改变蚁群优化(ACO)算法行为,提出一种新的ACO并行化策略——并行多蚁群ACO算法。针对蚁群算法存在停滞现象的缺点,改进选择策略,实现具有自适应并行机制的选择和搜索策略,以加强其全局搜索能力。并行处理采用数据并行的手段,能减少处理器间的通信时间并获得更好的解。以对称TSP测试集为对象进行比较实验,结果表明,该算法相对于串行算法及现有的并行算法具有一定的优势。     

一种求解TSP问题的相遇蚁群算法

蚁群算法是由意大利学者M．Dorigo等人首先提出的一种新型的仿生算法。蚁群算法与其他算法同样存在搜索速度慢,易于陷于局部最优。该文提出一种改进的相遇算法克服了以上的缺陷。通过对TSP问题的仿真结果表明,提出的相遇算法与基本蚁群算法相比搜索速度和性能都有一定的提高。     

移动WSN中基于分簇的自适应MPACO路由算法

为节省能量开销, 延长无线传感网络生存周期, 通过对蚁群算法的研究, 提出了一种无线传感网络中基于蚁群算法的剩余能量自适应优化算法, 并通过仿真研究与无线传感器网络中的EEABR算法进行了网络生存状态比较. 实验结果表明, 本文研究的剩余能量自适应蚁群算法能够达到网络优化从而实现延长网络生命周期的目的.     

基于蚁群优化算法的神经网络训练的研究

在ACO算法原理及框架的基础上，将蚁群优化算法引入神经网络的训练中．提出了ACO训练神经网络的基本原理和方法步骤。并与遗传算法、模拟退火算法、加动量项的BP算法相比，仿真结果表明，用ACO算法训练的神经网络具有较快的收敛速度．能够达到较小的均方误差值。     

基于粗粒度模型的蚁群优化并行算法

为了改进蚁群优化算法的收敛速度,研究了一种基于粗粒度模型的并行蚁群优化算法,该算法将搜索任务划分给q个子群,由这些子群并行地完成搜索,可使搜索速度大幅度提高。实验结果表明,用该算法求解TSP问题,收敛速度比最新的改进算法快百倍以上。     

蚁群优化算法的研究现状及研究展望

本文首先简要地介绍蚁群优化算法的来源、对应的生物原理和算法实现的框架．然后详细地讨论了算法的研究现状以及在各种优化问题中的应用情况，同时也指出了蚁群优化算法在当前应用中的一些不足．针对这些不足提出了解决方法，描述了几种蚁群优化算法的修正策略.最后对蚁群优化算法下一步的研究方向进行了展望．     

基于自适应蚁群算法的多受限网络QoS路由优化

高速多媒体网络中的路由问题是有QoS约束的路由问题，多受限的路由问题是一个NP-完全问题。该文提出了一种解决多受限QoS路由问题的自适应蚁群算法。该算法采用基于目标函数值的信息素分配策略和根据目标函数值自适应调整蚂蚁的搜索行为，从而保证搜索的快速有效性，使多受限QoS路由优化问题得到很好地解决。