基于蚁群算法的仿射变换参数求解

仿射变换参数估计是图像配准的基于蚁群算法的仿射变换参数估计方法,针对蚁群算法求解多维连续优化问题的不足,将仿射变换参数空间划分成若干子域,改进蚁群的搜索方法和信息素更新方法,快速搜索全局最优解,实验结果表明,该算法能够有效地估计仿射变换参数.     

改进蚁群算法在交通系统最短路径问题的研究

求解交通路网中两点间的最短路径是智能交通系统中的一个重要功能,为了更为准确快速地找到最优解,这里分析Dijkstra算法处理动态车辆路径问题中的缺陷,提出一种改进的蚁群算法,即在基本蚁群算法中引入搜索方向和搜索热区机制提高算法的搜索性能.通过建立改进蚁群算法模型,用VC 6.0开发工具,以实际交通地图为例,求解交通网络两点间最短距离;并与基本蚁群算法进行对比.仿真实验表明,传统蚁群算法的平均迭代次数为71.06,改进蚁群算法平均迭代次数为55.82,比传统蚁群算法有了明显的提高.该方法能有效解决交通系统最短路径问题,具有一定的实际意义和参考价值和实际意义.     

求解约束满足问题的改进蚁群优化算法

为了克服传统的回溯算法在求解大型的约束满足问题时效率低,难以在合理的时间内求解这一问题。提出了基于启发式搜索的不完备性算法。结合不同算法特性,主要在蚁群优化元启发式约束求解算法的基础上提出了改进：一是在搜索之前用弧相容检查进行预处理以压缩搜索空间,二是提出了一种新的蚁群算法参数设置方案,提高算法的适应性。最后将改进后的算法应用于求解随机问题和组合优化问题。实验结果表明,改进后的算法求解效率得到大幅度提高。     

基于量子遗传算法的嵌入式系统软硬件划分算法

针对嵌入式系统软硬件协同设计中的软硬件划分问题，本文在改进了基于基本调度块图的软硬件划分模型的基础上，提出了一个基于量子遗传算法(QGA)的软硬件划分算法。通过采用自适应的适应度函数、惯性量子旋转角调整策略以及引入量子交叉操作，提高了算法的搜索效率，实验结果说明了该算法对解决软硬件划分问题的有效性。     

动态蚁群算法用于洪灾搜救问题

蚁群算法是一种求解最优路径的常用算法,其利用自然界中蚁群的活动规律和正反馈原理。动态的蚁群算法针对基本蚁群算法存在的问题和缺点进行改进,采用动态参数因子,可以有效避免搜索的局部最优和进化停滞现象,并且能够提高搜索效率。通过实验结果对比,该算法在求解最短路径方面具有更高的精确度,为今后的搜救问题提供了一种高效实用的参考方法。     

改进的蚁群算法求解VRP问题

为了使蚁群算法针对VRP问题解的搜索更加高效,将变异操作用于蚁群算法．给出了变异概率的设置,合理地改进可见度的计算及信息素更新方法,结合swap局部搜索,获得了更加稳定的求解VRP问题的蚁群算法。实验表明,该算法稳定有效。     

求解多目标资源分配问题的改进蚁群优化算法

多目标资源分配问题就是将有限资源分配到不同事件来获得预期目标.建立了多目标资源分配问题的数学模型,提出了一种有效求解该问题的改进蚁群优化算法：设计了一种多目标资源分配问题的可行方案构建机制,定义了蚁群优化算法中的信息素形式及其更新方式,提出了一种新的概率选择形式;通过以上改进有效地提高了蚁群优化方法的效率.为了验证此方法的有效性,将蚁群优化方法与混合遗传算法的实验结果进行了对比分析,证明此方法优于混合遗传算法.     

遗传-蚁群算法的配电网状态估计

针对单一遗传算法或者蚁群算法无法获得理想配电网状态估计结果,根据组合优势互补原理,提出基于遗传-蚁群算法的配电网状态估计方法。首先对当前配电网状态估计现状进行分析,并构建配电网状态数学模型,然后利用全局寻优性能强的遗传算法对配电网状态数学模型进行求解,最后采用局部寻优能力强的蚁群算法对遗传算法的解进行精细搜索,得到配电网状态的最优估计值。实验结果表明,该算法综合利用了遗传算法和蚁群算法的优点,有效避免了两种算法各自存在的不足,获得了更优的配电网状态估计结果。     

基于改进蚁群算法的移动机器人动态路径规划方法

 本文提出了基于改进蚁群算法的移动机器人动态路径规划方法.首先针对蚁群算法收敛速度慢,容易陷入局部最优的缺点,提出了根据目标点自适应调整启发函数,提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优.其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择.最后实现了基于改进蚁群算法的移动机器人动态路径规划并完成了仿真实验,实验结果证明了该方法的可行性和有效性.     

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。