求解函数优化问题的混合连续优化算法*

用蚁群算法进行函数优化时,存在收敛速度慢且易于陷入局部最优解的问题。针对这一现状,提出了一种微粒群和蚂蚁算法相结合的混合连续优化算法,该算法引入微粒群优化操作进行全局搜索牵引,采用网格法进行细密度的蚂蚁局部搜索,从而能很好地应用于求解连续对象优化问题。对若干典型复杂连续函数的实验测试结果表明,该混合算法跳出局部最优解的能力较强,能较快地收敛到全局最优解,并能适于高维空间的优化问题。与最新的有关研究成果相比,该算法不仅寻优精度高,而且收敛速度大幅提高,效果十分令人满意。     

基于混合行为的蚁群算法

针对基本蚁群算法易出现停滞、收敛速度慢的问题,在最大最小蚁群算法的基础上提出了一种基于混合行为的蚁群(HBAC)算法,通过引入停止蚂蚁来构造局部路线方式和增加全局调优策略,提高了算法的搜索能力和收敛速度,同时将蚂蚁所寻找的各条路径的信息素限定在一个可动态调整的范围之内,避免了算法过早陷于局部最优解.通过HBAC算法同其他蚁群算法在求解旅行商问题上的实验比较,发现该算法拥有较快的收敛速度,提高了全局最优解搜索能力,在性能上有了较大的提高.     

基于信息素强度的改进蚁群算法

现有的基本蚁群算法和MMAS算法都存在收敛速度慢、易陷于局部最优解等缺点,为了提高算法搜索效率,提出了一种求解旅行商问题的改进蚁群算法.在基本蚁群算法和MMAS算法的基础上,通过对蚂蚁进行区分,直接控制信息素的浓度,并进行有选择的更新,有效地抑制了算法收敛过程中的停滞和早熟现象,提高了全局搜索能力和解的质量.最后通过经典的CTSP31实例验证了该改进算法的有效性,仿真实验结果表明,它在最优解、平均解和最优迭代次数等性能上比经典蚁群算法都有较大的改善.     

遗传算法与蚂蚁算法的融合

遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，当求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低．蚂蚁算法是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度慢，算法是将遗传算法与蚂蚁算法融合，采用遗传算法生成信息素分布，利用蚂蚁算法求精确解，优势互补，仿真表明取得了非常好的效果。     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

基于免疫蚂蚁算法的Job-shop调度问题

描述了作业调度问题，借鉴生物免疫机理提出了求解车间调度问题的免疫蚁群算法，该方法在蚂蚁搜索程中，运用免疫机理提取疫苗，并对进化种群进行免疫操作，从而有效地抑制了蚁群算法的“早熟”和搜索效率低下的问题，显著地提高了蚁群算法对全局最优解的搜索能力和收敛速度，给出了免疫蚁群算法的具体步骤，并对算法进行了实例验证。     

基于模拟退火算法的多道逆向蚁群算法

为克服现有蚁群算法运算过程中易出现停滞现象、收敛速度慢等缺点,提出了一种基于模拟退火策略的多道逆向蚁群算法。通过向原始蚁群中引入逆向蚂蚁,并结合模拟退火思想确定蚁群中逆向蚂蚁的数目,来提高算法全局寻优能力。在算法执行过程中一组蚂蚁分成几群并行运算,通过交换策略,有效地利用了当前最优解,提高了算法收敛速度。将该算法应用于旅行商问题的求解,仿真实验结果表明该算法的全局寻优能力和收敛速度都得到了很大改善。     

一种启发式动态信息素更新策略的蚁群算法

针对蚁群系统（ACS）在解决TSP问题上存在易陷入局部最优和收敛速度较慢的问题,提出了一种改进的启发式蚁群算法。在迭代前期赋予伪随机因子较小的阈值,从而使蚂蚁能以较大的概率选择轮盘赌方式完成解的构建,扩大了解的搜索范围;同时通过引入迭代最优蚂蚁进行全局信息素更新,来进一步增加了解的多样性,使算法避免陷入局部最优。在迭代后期随着伪随机因子参数值变化幅度的加快,则用至今最优蚂蚁来取代迭代最优蚂蚁,以促进搜索进程很快的向最优解附近收敛,加快了收敛的速度。实验仿真结果表明改进后的算法在前期能够有效地跳出局部最优,并且在后期能够明显提升收敛速度。     

基于交税的蚁群算法及其在TSP中的应用

蚁群算法是一种新型的元启发式优化算法,已成功地应用到TSP等多种组合优化问题,但是算法存在一些缺点,如容易早熟,收敛速度慢等,针对这些缺点,提出了一种交税蚁群算法.根据缴纳个人所得税的方式,在进行全局信息素更新的时候,每隔一段时间,当前最优路径再缴纳一定的信息素税,从而提高了算法搜索较好解的能力.通过仿真实验,并与蚂蚁系统和蚁群算法进行比较,试验结果表明,该算法在避免早熟方面和搜索最优解方面具有较好的表现.     

具有感觉适应功能蚁群算法的机器人路径规划

用传统蚁群算法进行机器人路径规划具有收敛速度慢,容易陷入局部最优等缺点。为此,通过模拟蚂蚁的感觉特征,提出了一种具有感觉适应功能的蚁群算法,并应用到机器人路径规划中。算法设置蚂蚁的感觉能力随着在高强度信息素节点上的行走而降低,在快速收敛的同时保证搜索多样性。大量仿真实验表明,该算法有较强的搜索能力,不易陷入局部最优,即使在障碍非常复杂的环境下使用该算法,也能快速收敛到一条全局优化路径。     

变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

The Ant Lion Optimizer

This paper proposes a novel nature-inspired algorithm called Ant Lion Optimizer (ALO). The ALO algorithm mimics the hunting mechanism of antlions in nature. Five main steps of hunting prey such as the random walk of ants, building traps, entrapment of ants in traps, catching preys, and re-building traps are implemented. The proposed algorithm is benchmarked in three phases. Firstly, a set of 19 mathematical functions is employed to test different characteristics of ALO. Secondly, three classical engineering problems (three-bar truss design, cantilever beam design, and gear train design) are solved by ALO. Finally, the shapes of two ship propellers are optimized by ALO as challenging constrained real problems. In the first two test phases, the ALO algorithm is compared with a variety of algorithms in the literature. The results of the test functions prove that the proposed algorithm is able to provide very competitive results in terms of improved exploration, local optima avoidance, exploitation, and convergence. The ALO algorithm also finds superior optimal designs for the majority of classical engineering problems employed, showing that this algorithm has merits in solving constrained problems with diverse search spaces. The optimal shapes obtained for the ship propellers demonstrate the applicability of the proposed algorithm in solving real problems with unknown search spaces as well. Note that the source codes of the proposed ALO algorithm are publicly available at http://www.alimirjalili.com/ALO.html.     

面向智能信息素释放的网格GIS资源查找算法

针对基本蚁群算法中蚂蚁速度无限且信息素同步更新的情况，该文提出了基于智能蚁群信息素释放的资源查找算法。该算法以蚂蚁的速度有限为前提，采用面向信息素更新规则来调整各个蚂蚁的信息素浓度，从而间接地改变蚂蚁间合作方式。根据实际蚁群的寻路过程，该算法具有较好的全局搜索能力，对于查找初始化数据量庞大的网格GIS资源有着高于基本蚁群算法和其他资源搜索算法的效率。     

用于连续域寻优的分组蚁群算法

用蚁群算法进行多模函数优化时,容易陷入局部最优,从而影响了寻优精度和收敛速度。因此提出了一种用于求解连续空间优化问题的分组蚁群算法。该算法将连续空间优化问题的定义域划分成若干个子区域,并给每个子区域分配一组蚂蚁。每组蚂蚁在各自的区域里进行搜索,且在搜索过程采用“精英策略”并利用精英蚂蚁更新普通蚂蚁的位置信息,以加快算法的收敛速度。同时,当普通蚂蚁离精英蚂蚁之间的距离较长时,使用大步长搜索,以加快搜索速度,反之,采用小步长搜索,可提高搜索过程的精细程度。该方法使每组蚂蚁的搜索空间成倍地缩小并能有效地改善陷入局部最优的情况,从而能使收敛速度和精度大幅提高。计算机的仿真实验结果证实了这一结论。     

基于侦察蚁和觅食蚁协作的机器人路径规划算法

根据对真实蚂蚁的最新研究成果,提出了一种全新的机器入路径规划蚂蚁算法.该算法由两组侦察蚁采用最近邻侦察搜索策略相向搜索出一条较优路径,再由一组觅食蚁通过在该路径附近觅食实现对该路径的优化,从而得到一条优化的路径.计算机仿真实验结果表明,算法收敛速度提高显著,且在障碍物非常复杂的地理环境,也能迅速规划出最优或基本最优的路径,效果令人满意.     

利用改进的蚁群算法确定有机化合物分子式

在现有蚁群算法的基础上,提出了一种改进的蚁群算法(IACA)来确定有机化合物分子式.人工蚂蚁在整数空间移动,并根据与信息素相关的转移概率指导搜索方向.在算法优化过程中使用了带最大最小信息素的信息素更新规则.实验证明,该算法用来确定有机化合物分子式时,在收敛性和可搜索的变量取值范围等方面优于改进的自适应遗传算法(IAGA).     

具有路径平滑和信息动态更新的蚁群算法

蚁群算法具有很强的寻优能力,但仍存在搜索时间过长、易于停滞等问题。针对这些不足,提出了一种具有路径平滑和信息动态更新的蚁群算法。新算法引入了路径平滑概念,加强了对蚁群前期搜索的引导,扩大了蚁群后期搜索空间;同时,通过动态调节信息素挥发因子,使得路径间信息素浓度差异不会增长过快,有效地避免了算法陷入局部解。实验结果表明,具有路径平滑和信息动态更新的蚁群算法明显优于基本蚁群算法。     

Improved auto control ant colony optimization using lazy ant approach for grid scheduling problem

An auto controlled ant colony optimization algorithm controls the behavior of the ant colony algorithm automatically based on a priori heuristic. During the experimental study of auto controlled ACO algorithm on grid scheduling problem, it was observed that the induction of lazy ants not only reduces the time complexity of the algorithm but also produces better results on the given objectives. Lazy ants are basically a mutated version of active ants that remain alive till the fitter lazy ants are generated in the successive generations. This work presents an improved auto controlled ACO algorithm using the lazy ant concept. Performance study reveals the efficacy and the efficiency achieved by the proposed algorithm. A comparative study of the proposed method with some other recent meta-heuristics such as auto controlled ant colony optimization algorithm, genetic algorithm, quantum genetic algorithm, simulated annealing and particle swarm optimization for grid scheduling problem exhibits so.     

第2类U型装配线平衡问题的双阶段蚁群算法

针对电子、汽车等行业中普遍存在的第2类U型装配线平衡问题(UALBP-2),提出了一种双阶段蚁群算法。强调全局搜索的第一阶段算法利用探路蚁,根据操作选择和分配策略以及迭代压缩机制快速得到问题的较优解,减小搜索空间;注重局部搜索的第二阶段算法利用搜索蚁,根据所提的信息素减小更新策略在包含最优解且不断减小的搜索空间中搜索各工位的不同精英负载,基于精英复制策略利用精英蚁将其组合为问题的可行解。对18个标杆算例的33个实例的求解结果验证了所提算法的有效性和稳定性。