基于拥挤度因子的动态信息素更新策略蚁群算法

针对蚁群算法易陷入局部最优、收敛速度慢的问题,文中提出了一种基于拥挤度因子的动态信息素更新策略的蚁群算法(CFACS)。引入鱼群算法中拥挤度的思想,扩大种群中蚂蚁分布范围,使其探索更大的解空间,提高算法全局搜索能力;采用动态信息素更新策略,在每一次迭代中,自适应调整当前最优路径所释放的信息素浓度,保证蚁群前期的多样性,同时保证算法在后期的收敛性。求解TSP问题的仿真实验表明,改进算法求得解的质量和求解的收敛速度都明显优于传统蚁群算法,较好地平衡了种群多样性与收敛速度之间的矛盾。     

基于协同合作的蚁群优化算法

蚁群优化是一种模拟蚂蚁觅食的群集智能搜索算法,基本蚁群算法收敛性较差,易陷入局部最优解。本文在基本蚁群算法的基础上,提出一种新的蚁群优化算法,通过在信息素局部更新中引入信息素扩散模型,在信息素全局更新中引入随机扰动机制,发挥蚂蚁之间的协同合作能力,提高了算法的收敛速度。以TSP为例的仿真实验表明,该算法具有较强的寻优能力、较好的鲁棒性和有效性。     

优化蚁群算法在网络知识路由系统中的应用

研究网络知识路由问题,提高网络资源搜索质量。针对传统方法在网络资源搜索过程中,存在搜索时间长,得不到最优解,导致搜索速度慢,效率低的问题。为了提高网络资源搜索效率,提出一种基于改进蚁群的路径搜索算法,在混合信息素更新策略,自适应挥发因子等方面进行改进,并设置了先行蚂蚁和后行蚂蚁。该方法有效地避免了蚁群搜索陷入局部最优,加快了收敛,提高了搜索效率。仿真结果表明,改进方法缩短了搜索时间,网络资源搜索效率明显提高,证明是一种有效的优化方法,能够在最短时间找到资源搜索的最优解,是解决网络资源搜索优化问题的有效算法。     

基于基因表达式编程的混合蚁群算法简

蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。针对此问题,本文提出了一种先用基因表达式编程生成信息素分布,再利用蚁群算法求优化解的新的混合算法。并通过求解复杂TSP问题的仿真数据实验验证了这种基于基因表达式编程的混合蚁群算法的高效性。     

基于蚁群优化与细菌趋化性的图像边缘检测算法

为解决基于蚁群优化的图像边缘检测算法中信息素的作用不明显,难以获得全局最优解,从而降低目标边缘的检测精确度与效率等问题,提出一种基于细菌趋化性(BC)耦合蚁群优化(ACO)的边缘检测算法。通过细菌趋化性找到最佳解决方案,用于产生信息素的初值;将BC得到的信息素初值作为ACO的初始信息素,计算每只蚂蚁的行走概率,从而选择最佳的行走路径。当蚂蚁每经历一个像素点时,更新局部信息素。全部的蚂蚁完成迭代后,进行全局信息素更新,搜寻全局最优解;最后,根据信息素最优解与阈值的关系,得到目标的边缘与非边缘,完成边缘检测。测试表明：与其他边缘检测算法相比,所提算法具有更好的边缘连续性和清晰性,能准确检测图像中的微小边缘,同时呈现出理想的收敛速度。     

改进蚁群算法的机器人路径规划研究

针对传统蚁群算法存在算法收敛速度慢、易陷入局部最优的问题,文中提出了一种改进的蚁群算法。在传统A ^*算法的基础上,改进其估价函数,并将其引入到蚁群算法中,提出了改进启发函数η,增加目标点对路径搜索的吸引力,提高了收敛速度。新方法还改进了信息素挥发因子ρ,使信息素挥发因子处于动态变化,提高了算法的全局搜索能力,避免陷入局部最优。仿真结果表明,改进的蚁群算法在收敛速度上比传统蚁群算法提高了近50%,在最短路径上明显优于传统的蚁群算法,证明了改进算法的有效性。     

基于改进蚁群算法的移动机器人路径规划研究

为解决传统蚁群算法收敛速度慢、极易陷入局部最优解的问题,文中提出了一种改进蚁群算法,并将其应用于移动机器人路径规划问题。蚁群算法的路径规划采用栅格法建立环境模型,并对障碍物进行扩大处理,从而有效降低了移动机器人在运动过程中与障碍物相碰撞的可能性;构造启发函数以降低蚁群搜索路径的长度;引入信息素扩散算法,并提高算法在初期的全局搜索能力,从而加快了算法的后期收敛速度。仿真结果表明,所提出的算法在收敛速度上比传统蚁群算法提高近一倍,可以规划出最优路径。     

基于遗传蚁群优化算法的认知无线电频谱分配

针对认知无线电中的频谱分配问题,提出一种融合了遗传算法和蚁群算法优点的频谱分配方法。该方法利用遗传算法快速随机的群体性全局搜索能力生成初始解,然后利用衔接策略将遗传算法初始解转化为蚁群算法所需的信息素初始分布,最后利用蚁群算法正反馈、收敛高效的特点求取最优解。通过仿真比较了该方法与颜色敏感图着色算法的性能。结果表明动态融合了遗传算法和蚁群算法的优化算法性能明显优于颜色敏感图着色算法,它能更好地实现网络效益最大化。     

求解函数优化问题的快速连续蚁群算法

 用蚁群算法进行函数优化时,存在收敛速度慢并易于陷入局部最小等问题.为此,根据对真实蚂蚁的最新研究成果,提出了一种全新的由侦察蚁和觅食蚁协作搜索的函数优化快速连续蚁群算法.该算法首先引入混沌序列确定侦察蚁的初始位置,然后由侦察蚁进行全局大视域快速搜索,且每迭代完一步和每迭代完一代都要对解进行评价,并对本代最优解的信息素进行标记,由此吸引觅食蚁在本代最优解周围空间进行小步长搜索.通过这种初始化方法和侦察蚁与觅食蚁的相互协作,不仅能很好的提高寻优精度,且使收敛速度大幅提高.计算机仿真实验结果表明,本算法寻优率高,收敛速度提高显著,效果令人满意.     

遗传蚁群禁忌融合算法的研究

通过对遗传算法、蚁群算法和禁忌搜索算法三种算法的分析研究,针对其各自优缺点,提出一种融合遗传算法、蚁群算法和禁忌搜索算法的融合算法。融合算法是采用遗传算法生成初始信息素分布,利用蚁群算法快速求精确解,同时将遗传禁忌算子引入到蚁群算法的每轮迭代中,有效解决了蚁群系统初始信息素匮乏、易陷入局部最优和收敛速度慢的缺点,实现优势互补。通过NP-hard30问题仿真实验,结果显示算法具有良好的寻优能力和寻优效率。     

基于蚁群优化算法的出租车调度方法研究

城市交通工具的合理调度能够有效缓解日益严峻的交通压力,出租车作为公共出行的交通工具满足了大量的出行需求。蚁群算法(ACO)作为仿生算法的代表,根据蚂蚁个体产生的信息素,通过不同策略和信息素更新等操作,逐步接近最优解,适合解决城市交通资源路径规划问题。文章给出一种改进的蚁群算法进行出租车调度,在不同时间段内,对非热点区域向热点区域以及热点区域向非热点区域转移进行研究,根据信息素差异化特征,首先建立了时间区域优化算法和区域调度模型,通过对数据样本的训练得到不同情况下的转移概率和行驶里程,从而确定最优的抑制因子和调节参数,提高出租车转移概率并减少空载行驶距离,实现对出租车资源的合理分配。     

基于自然选择策略的蚁群算法求解TSP问题

针对蚁群算法收敛速度慢,容易陷入局部最优解的缺陷,提出了一种基于自然选择策略的改进型蚁群算法,改进后的算法利用自然选择中“优胜劣汰”的进化策略,对每次迭代的随机进化因子大于进化漂变阈值的路径信息素进行二次更新,增强满足进化策略路径上的信息素浓度,以加快算法的收敛速度;而随机进化因子的随机性增强了算法跳出局部最优解的概率。将提出的改进型蚁群算法求解经典的TSP问题,并通过实验证明了改进后的蚁群算法在最优解精度和收敛速度等方面均有所提高。     

改进的基于蜜蜂进化型遗传算法和蚁群系统混合的元件贴装优化

针对PCB板的表面贴装技术(Surface Mount Technology,SMT)优化问题,提出一种基于蜜蜂进化型遗传算法和蚁群系统的混合智能算法(the Hybrid Intelligent Algorithm based on Bee Evolutionary Genetic Algorithm and Ant Colony System,BAHA).该算法的关键有4点:①通过两个种群的融合实现信息共享,提高算法的收敛速度;②采用改进的OX的交叉算子,合理保留优秀个体基因的排列顺序;③加入局部搜索算子,在当代最优解附近进行更加精细的搜索;④信息素重置防止陷入局部最优解.用TSP30问题、eil51问题与相关文献进行对比测试,仿真结果表明BAHA收敛速度快,寻优能力强.通过对5种不同PCB板的元件贴装顺序进行优化计算,结果表明,BAHA能有效的提高贴装效率.     

双向ACO算法应用于静态机器人全局路径规划研究

提出双向蚁群算法并应用于静态环境下的机器人全局路径规划问题.对栅格法环境建模进行改进,将传统的栅格法改进为膨胀栅格法;使用双向蚁群算法在出发点和目标点设置带有不同标记的两族蚂蚁相向爬行完成搜索,启发信息主要通过目标点、出发点和蚂蚁的当前位置二维坐标值计算得出;信息素存储采用方向信息素矩阵.仿真实验证明:即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出最优路径.     

改进蚁群算法的路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且存在停滞问题,提出一种改进的蚁群算法。为了避免蚁群陷入死锁状态,采用回退策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死亡数量,并且借鉴了狼群分配策略来更新信息素,提高算法全局性,在状态转移概率中引入一个启发因子并进行调整,避免算法陷入停滞。仿真实验结果表明,改进后的蚁群算法收敛速度明显加快,寻优最短路径达到29.73,迭代次数较少28。验证了该算法的有效性和可行性。     

一种针对频率分配问题的改进ANTS算法

频率分配问题是近年来通信领域研究的热点。针对FAP问题提出了一种结合模拟退火算法的改进ANTS算法。运用模拟退火算法产生次优解,利用次优解分配初始信息素,并利用ANTS算法来寻求最佳方案。在ANTS算法的每个蚂蚁寻找局部最优过程中,为了加快运算速度,对局部寻优过程进行了改进。实验结果表明,在解质量相当的情况下,该算法能够大大地加快收敛速度,特别是针对一些较复杂的分配情况,效果明显。     

基于信息素扩散的蚁群算法

蚁群算法是一种新型的搜索算法,其模拟的是蚁群依赖信息素进行通信而表现出的社会性行为.在基本蚁群算法中,蚂蚁之间协作不足,存在滞后的缺陷.本文在分析这一算法的基础上,提出了一种新的更加忠实了真实蚁群信息系统的蚁群算法.该算法通过建立信息素扩散模型,使相距较近的蚂蚁之间能更好地进行协作.TSP问题的仿真结果表明了该算法的有效性.     

蚁群算法在求解TSP问题中的改进研究

针对蚁群算法在求解大规模优化问题时存在的3个缺点：消耗时间长、蚂蚁在下次搜索时目标导向不强导致搜索随机性大、寻优路径上的信息素过度增强导致得到假的最优解。本文提出了基于边缘初始化和自适应全局信息素的改进蚁群算法。在相同参数下,其搜索时间大大缩短,并且得到了更好的最优解。将其应用到旅行商（TSP）问题中,和基本蚁群算法、遗传算法相比较,其具有以下优点：较好的搜索最优解的能力;对新解不会过早的终止;探索新解的能力进一步增强。因此,改进的蚁群算法在求解TSP等组合优化问题时非常有效。     

基于栅格模型机器人路径规划的量子蚁群算法

针对复杂环境中移动机器人路径规划问题,提出了一种基于量子-蚁群算法(QACA)融合的路径规划算法。该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素,增加位置的多样性,加快算法的收敛速度。通过仿真实验表明,该算法可增加算法的随机性,较传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力,即使在障碍物较复杂的环境下,也能迅速规划出一条最优路径。     

一种基于混合蚁群算法的矢量量化码书设计算法

提出了一种基于混合蚁群算法的矢量量化码书设计算法。该算法首先通过自适应地调整截取转移概率的参数,加大蚁群算法的搜索最优解的力度;然后以蚁群算法搜索的结果作为初始解,利用改进的LBG算法作进一步的搜索,从而加快算法的收敛速度。实验结果表明,该算法不但大大提高码书性能,而且也缩短了运行时间,解码恢复图像能获得较高的主、客观质量。