云环境下副本优化放置策略研究

为了提高云计算数据调度和副本访问的效率,对副本策略中的副本放置问题进行研究,提出一种基于蚁群算法的副本放置策略。根据自然界中蚁群觅食的原理,把蚁群算法应用于副本放置的整个过程; 利用信息素的动态更新以及拉普拉斯概率分布改进的蚁群算法得出一组最优解进行副本放置。在CloudSim平台上进行了仿真模拟,实验结果表明,提出的方案在平均作业完成时间、网络利用率和负载均衡度上均优于原始蚁群算法,并在一定程度上降低了副本放置的时间消耗和网络负载。     

蚁群算法优化策略综述

对于求解TSP问题,新型的启发式算法——蚁群算法,是成功解决此类问题核心的算法之一。本文简要介绍了几种启发式算法并引出蚁群算法,并对蚁群算法基本原理、常用算法进行了深入的研究,并介绍了一种新的优化策略。     

基本蚁群算法在解决TSP问题中参数选择的研究

蚁群算法是受自然界中真实蚁群觅食行为的启发而提出的一种优化算法,基本蚁群算法是其中基础且较为经典的一种算法,而基本蚁群算法中的参数对算法效果有很大的影响。本文以使用基本蚁群算法解决TSP问题为例,在对相关内容进行介绍后,进而对基本蚁群算法的参数选择进行了实验及分析,最终给出了基本蚁群算法中各个参数的基本选择范围。     

基于精英策略的逆向蚁群优化盲检测算法

介绍了基本蚁群优化算法在信号盲检测中的应用.发现基本蚁群优化算法存在慢收敛且易停滞等问题.为了解决基本蚁群算法存在的缺点,提出了基于精英策略的逆向蚁群优化盲检测算法:采用精英策略和增加蚁群种类,即向原始蚁群中引入逆向蚂蚁来提高算法全局寻优能力.这样既加强了正反馈作用,又加快了收敛速度.仿真结果表明,将该算法应用于盲信号的检测可以直接快速地恢复发送信号,且收敛速度和全局寻优能力都得到很大的改善.     

求解Job-shop调度问题的遗传蚁群算法*

描述了Job-shop调度问题,研究遗传算法和蚁群算法在解决Job-shop问题中的优点和不足,融合遗传算法和蚁群算法设计了遗传蚁群算法以求解Job-shop调度问题,并对算法进行了仿真实验,通过与遗传算法、蚁群算法及已有的遗传算法和蚁群算法的融合算法结果的对比,验证了该算法的有效性。     

一种求解TSP问题的分段交换蚁群算法

介绍了一种求解TSP问题的分段交换蚁群算法。分段交换蚁群算法把小窗口、随机分段优化求解、模拟退火充分交换的思想引入蚁群算法,把蚁群算法和模拟退火算法融合。该算法在蚁群算法陷入局部最优解的情况下,能改进其局部最优解,并可减少迭代次数。仿真实验表明取得了较好的效果。     

蚁群算法不确定性分析

蚁群算法作为一种开创性的生物仿真算法，因其具有并行性、鲁棒性等优良性质得到了广泛的应用。在对蚁群算法进行系统仿真的实验中，发现蚁群算法存在很多不确定因素。这些因素对蚁群算法的性能造成不同程度的影响，作为一种基于实验的研究性的探讨，本文对所发现的不确定因素做了分析，并根据分析结果对蚁群算法作了相应的改进。     

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。     

改进蚁群算法求解旅行Agent问题

利用蚁群算法来求解TAP问题是解决移动Agent迁移策略的一种有效途径。旅行Agent问题是复杂的组合优化问题,蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,适合求解NP难问题。在蚁群算法的基础上,提出分泌多种信息素的改进蚁群算法来求解旅行Agent问题,动态反应了节点服务能力和网络负载的变化,使迁移更具有灵活性。实验结果表明了该文算法的可行性。     

一种新的基于自适应蚁群算法的QOS单播路由策略

分析现有的路由策略的不足的基础上，提出了一种基于自适应的蚁群算法的新的路由策略，该策略将蚁群算法、带宽和时延波动约束控制结合控制路由选择，仿真结果表明该策略与Static Routing和Session Routing相比具有更优的时延和丢包率。能够有效的提高网络的服务质量。     

具有分段和变异特性的蚁群算法求解TSP问题

常规蚁群算法具有搜索时间较长,易于过早地收敛于非最优解的缺陷。为了提高蚂蚁一次周游的质量,采用具有轮盘赌方式的最大最小蚁群算法（MMAS＋RW）,即在依据概率选择下一个城市时采用轮盘赌的方式。提出一种具有分段和变异特性的蚁群算法。该算法融合了分段的分而治之思想和遗传算法中的变异,有利于保持群体多样性的特性,是在采用轮盘赌方式的最大最小蚁群算法陷入局部最优解的情况下,引入随机分段和遗传算法的变异操作来优化当前最优解,改善解的质量,改进蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验表明取得了较好的效果。     

最大—最小蚂蚁系统及K-TSP问题的求解

蚂蚁算法目前已得到广泛的运用.为克服基本蚂蚁算法容易出现停滞现象等缺陷,许多学者提出了改进的蚂蚁算法.最大-最小蚂蚁系统是其中性能最优良的蚂蚁算法.在简述基本蚂蚁算法及最大-最小蚂蚁系统对其改进的基础上,实现了用最大-最小蚂蚁系统求解K-TSP问题的算法,列出了求解结果,并与文献[7]中的结果进行了对比,指出最大最小蚂蚁系统是求解K-TSP问题的有效算法.     

基于改进蚁群算法的物流配送路径问题研究

针对蚁群算法求解物流配送路径问题易陷入早熟、停滞、局部最优的缺点,提出了混沌、变异与最大最小蚂蚁算法相融合的改进蚁群算法。在仿真实验中,分别采用最大最小蚂蚁算法、加入混沌的最大最小蚂蚁算法、加入变异的最大最小蚂蚁算法、加入混沌和变异的最大最小蚂蚁算法对物流配送路径问题进行求解。实验结果表明,加入混沌和变异的最大最小蚂蚁算法能够有效提高蚁群算法的全局寻优能力,对物流配送路径问题的求解能够得出比较好的结果。     

一种遗传蚁群系统的研究*

在遗传蚁群系统中,为减少蚂蚁构建路径的时间消耗,引入遗传操作,使得当前迭代中蚂蚁构建的路径部分来自于之前迭代获取的优秀巡回路径的遗传;同时为减少由遗传操作产生的算法停滞的影响、提高算法解的质量,对蚁群构建的路径施行2opt变异操作。通过旅行商问题测试算法性能,并与蚁群系统进行比较。实验表明,遗传蚁群系统搜索效率高,而且解的质量优于蚁群系统。     

一种基于蚂蚁算法的网络负载分担路由方法

针对蚁群算法(Ant Colony System，ACS)在网络负载分担方面的不足，提出了一种改进的蚁群算法。该算法在同一网络中使用多个标记的蚁群，各个蚁群之间的外激素相互抑制，同一蚁群的外激素相互促进，从而通过减少在最短路径上的蚁群外激素数量来实现路由的负载分担。最后通过实验验证了该方法的可行性，并给出了实验结果。     

基于改进型蚁群系统的多约束电路路由算法

分析现有路由算法的缺点,对蚁群系统工作模型和传送网多约束电路路由选择原则进行描述,指出传统蚁群系统在解决多约束路由选择问题中的不足,改进了传统蚁群系统。阐述采用改进后的蚁群系统的多约束电路路由选择算法过程,用实例验证了算法的有效性。     

简单蚁群算法的仿真分析

蚁群算法是一类模拟生物群体突现聚集行为的非经典算法。首先描述了一个简单蚂蚁系统及其简单蚁群算法，并对其进行了计算机程序模拟与动力系统仿真。结果表明，简单蚂蚁系统中存在规模聚集效应，当蚁群的规模超过某一临界值时，蚂蚁的行为开始向有序的方向收敛，并最终稳定在一种有序状态。     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

基于事件及变周期驱动的作业车间动态调度

提出了事件驱动和周期性驱动相结合的动态调度策略,以变周期滚动窗口技术作为周期性驱动调度策略的实现技术;在此基础上,以融合带权重的精英策略、最优最差蚂蚁机制和阶段控制机制的混合蚁群算法作为动态调度的优化算法,对作业车间动态调度中工件取消、紧急工件、机器故障以及生产负荷变化等动态事件调度进行了研究.仿真结果表明,提出的策略和方法可行有效.     

多蚁群伪并行优化算法

针对传统蚁群算法容易出现早熟和停滞现象，提出了一种多蚁群伪并行优化算法，将蚁群分成若干个子蚁群，在各子蚁群中引入信息素平滑机制，通过设计迁移算子，使多个子蚁群并行、协同寻优，从而使算法跳离局部最优解。类比实验表明，该算法比传统的蚁群算法具有更好的搜索全局最优解的能力。