遗传蚁群融合算法求解航迹规划问题对比研究

蚁群算法和遗传算法的融合是目前的研究热点之一,因此研究不同的遗传蚁群融合算法对算法的选择及其改进具有积极的意义.研究了遗传算法的编码方式、交叉方式及变异操作和蚁群算法的原理,且着重研究了遗传蚁群混合算法、蚁群遗传混合算法、同遗传算法整合的蚁群算法等三种融合算法,并应用这三种算法在求解航迹规划问题上进行了仿真研究,对所得的最优解从精度和快速性对其进行了分析和比较,可以得出遗传蚁群算法快速性最好但精度稍差,同遗传算法整合的蚁群算法精度最好但比较费时,蚁群遗传算法的精度和快速性介于前两种算法之间.     

基于蚁群算法的PID参数寻优

蚁群算法是一种新型的模拟进化算法,该算法用于离散空间问题的求解取得了较好的结果.该文将蚁群算法引入连续空间,研究了基于蚁群算法的PID参数优化问题,给出了仿真实例,结果表明蚁群算法用于解决连续空间优化问题是可行且有效的.蚁群算法具有较好的鲁棒性,它采用分布式计算,具有本质并行性.     

蚁群算法及其在路由优化中的应用综述

蚁群算法(ACO)是一类新型的机器学习技术,根据蚁群算法的正反馈原理和启发式原理的特点,针对目前国内国际的研究情况,对蚁群算法在最优路径的搜寻上从收敛性,收敛算法的改进以及收敛速度等方面的研究分别进行了分析综述,并对蚁群算法的一些应用,如:LEO卫星网络和无线传感等方面进行了阐述.对蚁群算法在路由优化和负载平衡上的研究进行了对比分析,发现了它们存在的不足,指出了在该领域需要进一步研究的热点问题.     

浅谈改进的蚁群算法

蚁群算法也称蚂蚁算法,模拟生物蚂蚁觅食寻找最佳路径的行为,它由D.M等人提出.算法本质是在图中找出最佳路径.与神经网络等算法一样,是一种新的模拟进化方法.蚁群算法具有很多优良的特性和应用价值.该文对三种改进的蚁群算法进行了细致的阐述、分析与比较,得出它们的优势与不足之处.但是,基本的蚁群算法可能过早的陷入部分最优解且收...     

硬件进化中演化算法的研究及应用

详细介绍了硬件进化的概念,硬件进化的原理与实现思想,遗传算法与蚁群算法动态融合的基本原理,融合后算法中遗传算法及蚁群算法规则.融合过程中遗传算法与蚁群算法动态衔接问题以及融合后的算法在硬件进化中的应用过程.最后,分析了通过该算法进化后硬件的进化应用前景.     

基于TSP的蚁群算法研究

介绍蚁群算法的研究现状并对蚁群算法的逻辑结构进行分析,根据旅行商问题的描述,建立求解TSP的Ant Cycle蚁群算法模型,对该算法的步骤进行描述以及实现,对该算法复杂度进行分析研究,并对该算法的特点作以总结.     

蚁群聚类算法研究及应用

聚类作为数据挖掘技术的重要组成部分,在很多领域有着广泛应用.蚁群算法是近几年研究的一种新算法,该算法采用分布式并行计算和正反馈机制,具有易于与其它方法相结合的优点.根据蚁群算法在聚类中的应用及改进型式的不同,文章主要介绍了几种基本的流行的蚁群聚类算法,分析了它们的不同之处,并对蚁群聚类算法今后的研究方向作了展望.     

聚类问题的蚁群算法

文章建立了聚类分析问题模型,分析了K-均值算法、模拟退火算法和蚁群算法的优缺点,结果表明蚁群算法比较有效。     

基于改进蚁群优化的盲均衡算法研究

基本蚁群优化算法在信号的盲均衡处理中存在收敛速度慢、容易陷入局部最小的缺点.为了解决基本蚁群算法所存在的不足,文是通过修正基本蚁群算法的转移概率公式给出一种改进的蚁群优化盲均衡算法,建立了基于改进蚁群优化算法的 SIMO 系统盲检测模型,并对基于基本蚁群优化盲均衡算法和改进蚁群优化的盲均衡算法性能进行仿真.仿真分析结果表明,文中提出的改进算法能很好地恢复出未知的发送信号,同时提高了计算效率和加快了收敛速度,表现出了优于文献算法的良好性能     

求解旅行商问题的模拟退火蚁群算法

根据蚁群算法与模拟退火算法的特性,提出了求解旅行商问题的混合算法.由模拟退火算法生成信息素分布,然后由蚁群算法根据累计更新的信息素找出若干组解,再经过模拟退火算法在邻域内找另外一个解的操作,得到更有效的解.与模拟退火算法、标准遗传算法、蚁群算法和随机初始化的蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

一种新的基于logistic混沌映像的自适应混沌蚁群优化算法求解动态车辆路径问题

针对车辆路径问题(VRP),提出基于logistic函数的自适应混沌蚁群优化算法。利用混沌运动的遍历性、随机性和规律性特点,把具有强局部搜索能力的logistic映像融入到蚁群算法局部信息素更新中。屏蔽logis-tic映像断点区间,克服蚁群算法搜索时间过长、易于停滞的现象,提高算法准确度。选用VRP标准库实例进行的仿真实验表明,新算法能准确找到已知最优解,与其他算法的比较实验证明了该算法的有效性。     

基于混沌扰动和邻域交换的蚁群算法求解车辆路径问题

为求解车辆路径问题,提出一种新的基于混沌扰动和邻域交换的蚁群算法。针对标准蚁群算法存在搜索时间长,容易出现早熟收敛,得到的解不是最优解等缺点,新算法利用混沌的随机性、遍历性及规律性,在算法陷入早熟时,对小部分路径的信息素采用混沌扰动策略进行调整;针对标准蚁群算法的贪心规则随机性缺点,新算法采用邻域交换策略对最优解进行调整。在用于求解不同规模车辆路径问题的仿真结果表明,新算法比标准蚁群算法和遗传算法具有更好的效果。     

带软时间窗的多车场开放式车辆调度

带软时间窗的多车场开放式车辆调度问题是在开放式车辆路径问题的基础上,考虑了多车场和客户服务时间的约束,是一类典型的NP难解问题。针对该问题,提出了一种改进的蚁群算法求解方案,并建立了相应的数学模型。首先通过设置一个虚拟车场将多车场VRP转化为单车场VRP,然后利用参数控制的改进蚁群算法与2-opt算法结合来对模型求解。算法先利用K-means与细菌觅食算法相结合的聚类技术判断蚁群状态,进而动态调整算法参数,使其快速收敛到全局最优解附近,再依据混沌理论的特点来调整参数,使其跳出局部最优。最后,再利用2-opt算法对最优解进行优化。实验结果验证了该算法求解MDOVRPSTW问题的有效性。     

车辆路径优化问题及求解方法研究综述

车辆路径优化问题一直以来是物流研究领域的一个热点和难点.现实生活的许多问题都可看作是车辆路径问题(VRP),因此国内外学者近年来不断提出多种车辆路径优化问题及求解方法以解决愈加复杂的问题.为进一步理清国内外研究现状,对如半开放式VRP、多级VRP、多目标VRP、绿色VRP等车辆路径优化问题,进行了总结分析,然后对车辆路径求解方法进行了介绍,特别地是对元启发式算法进行了较为详细的综述.最后,面向车辆路径优化问题和求解方法在当前形势下面临的新挑战,展望了一些新研究方向,如多目标优化、多级配送网络、绿色VRP、新型交通工具VRP和算法的通用性.     

基于车辆路径问题的蚁群遗传融合优化算法

在对车辆路径问题（VRP）分析的基础上,为之建立了数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。该算法首先采用蚁群算法产生阶段最优解,然后利用遗传算法的变异算子对阶段最优解进一步优化。仿真结果表明,该算法能高效解决VRP,并且优化效果较好。     

物流配送车辆路径问题的优化研究

物流中的车辆路径问题(VRP)是目前组合优化领域的研究热点问题,VRP为NP-hard问题。本文在对VRP分析的基础上,建立数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。提出的优化算法首先采用蚁群算法在局部阶段产生最好解,然后利用遗传算法的优良基因在全局阶段对优化解进一步优化,以获取最好路径解。实验结果表明,提出的融合算法能高效解决VRP问题,且优化效果比单算法好。     

改进型蚁群算法求解运输调度问题

运输调度问题是一类复杂的组合优化问题，是近年来物流控制优化中的研究热点。通过对基本蚁群算法中的选择策略和信息素挥发速度的改进，提出了一种新的蚁群算法，克服了基本蚁群算法搜索时间长、易陷入局部最优解等缺陷，将其用于求解一类运输调度问题，实验发现算法有效，并且对于规模越大的问题，相对其它算法有更优的解。     

求解VRP的蚁群算法研究

车辆路径问题是物流配送中一个至关重要的问题。由于它是一个NP-Hard问题,启发式算法成为求解VRP的主要方法。蚁群算法是近年来发展起来的一种可以用来求解VRP的启发式算法。实验证明,该方法能够很好地解决车辆路径问题。本文详细阐述了蚁群算法的基本原理和求解VRP的蚁群算法过程。     

基于改进型蚁群算法求解车辆路径优化问题的研究

针对蚁群算法在求解路径优化问题中存在收敛速度慢、易陷于局部最优路径等缺点进行了局部改进和优化,通过建立最近邻配送点矩阵来降低蚁群搜索空间,提高收敛速度。实验结果表明,改进型蚁群算法性能显著提高,能在较短时间内求得车辆路径问题较为满意的最优解。     

蜂群优化算法在车辆路径问题中的应用

车辆路径问题（VRP）是组合优化中典型的NP难题。根据车辆路径问题的实际情况,考察车辆数和总行程两个目标函数,给出了该问题的一种新的算法,蜂群算法。通过计算若干benchmark问题,并将结果与其他算法相比较与分析,验证了算法的有效性。蜂群算法是刚刚起步的智能优化算法,目前国内外关于蜂群算法的文献较少,故不仅是拓宽蜂群算法的应用范围的有效的尝试,同时也给车辆路径问题提供了一种新的解决方法。