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。     

用蚁群优化算法求解中国旅行商问题

中国旅行商问题是一个组合优化问题，是一个NP问题。本文提出用蚁群优化算法去解决，同时提出了两种改进的方法，其中，Ant-F能够增强系统的搜索能力，使系统避免早熟，具有正负反馈的功能，仿真简单，容易理解；而ACS 在Ant Colony System(ACS)的基础上改进而成，它使系统在演化的后期能够通过适当增大系统区分信息素对比强度的方法，尽快找到最优的解。和其它的几种蚁群优化算法、遗传算法和模拟退火算法相比较，实验表明，ACS 是本文提及的几种算法中最优的一种，它能加快系统收敛的速度，找到问题的最优值。     

基于遗传变异蚁群算法的机器人路径规划的改进

针对基本蚁群算法在机器人路径规划问题中容易陷入局部最优的问题,提出了一种改进的蚁群算法,利用遗传算法加入了变异因子使最优路径产生变异,从而降低了蚁群算法陷入局部极小的可能性。同时改善了基本蚁群算法不收敛或收敛速度比较慢的缺点,加快了收敛速度,增加了最优解的多样性。     

一种改进蚁群算法求解VRP问题

车辆路径问题(VRP)是一个NP难题,蚁群算法是求解诸如车辆路径安排问题等组合优化问题的有效工具.在了解VRP问题及蚁群算法的基础上,分析了蚁群算法在VRP中的应用,针对蚁群系统(ACS)的不足之处,借鉴MMAS思想,引入动态负反馈机制及适当增大能见度机制对蚁群算法进行改进优化,结合节约函数求解VRP问题.仿真结果表明,本文提出的算法无论是在最优值还是在收敛速度上都优于基本蚁群算法,实用性强,能较好的解决VRP问题.     

蚁群算法与模拟退火、遗传算法比较分析

文章首先介绍了模拟退火算法和遗传算法的由来及其应用领域,随之引出一种20世纪90年代新型智能算法——蚁群算法,然后以TSP问题为研究对象,阐述三种算法解决TSP问题的实现流程,最后将3种智能算法在两方面进行比较:求解方面和收敛速度方面。实验结果表明:求解方面,蚁群算法所得解最优;收敛速度方面,蚁群算法比模拟退火、遗传算法收敛速度快。     

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。     

融合改进蚁群和粒子群算法的路径搜索应用

针对车辆路径搜索对其计算质量和效率要求较高问题,且原始蚁群算法和标准粒子群算法均存在局部优先解、停滞以及收敛速度较慢等缺陷,提出一种融合改进的蚁群和粒子群路径搜索算法。在融合算法前期提高粒子群算法收敛速度,利用其进行粗搜索,后期利用改进的蚁群算法进行细搜索。通过仿真分析表明,融合后的改进算法在路径规划和计算效率上均有较大提升。     

基于蚁群算法的云计算自适应任务调度研究

为了解决蚁群算法在解决云计算中大规模任务调度问题时收敛速度较慢且易陷入局部最优解的缺陷,设计了一种基于蚁群算法的云计算自适应任务调度算法,该算法在多态蚁群算法的基础上加入了信息素自适应更新调整机制,用来提高算法的收敛速度,有效地避免的局部最优解的出现。实验数据表明,在解决大规模任务调度问题时本文算法性能更好。     

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。     

蚁群算法收敛性验证系统的研究与实现

蚁群算法是一种新型的仿生优化算法,具有较强的鲁棒性、优良的分布式机制、并行性以及正反馈等特点。目前蚁群算法已涉及众多应用领域,在解决复杂优化问题上具有较多优越性。文中深入研究了蚁群算法的性能及机制,分析了参数对算法性能的影响。在理论研究的基础上,实现了蚁群算法的仿真实验;通过Java绘图界面形象完整地展现出整个收敛的过程,验证了蚁群算法的收敛性;通过对参数的调试、组合,得到了最佳的收敛效果。该系统的实现对今后收敛性的研究打下了基础。     

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。     

Ant colony algorithm of partially optimal programming based on dynamic convex hull guidance for solving TSP problem

To solve basic ant colony algorithm’s drawbacks of large search space,low convergence rate and easiness of trapping in local optimal solution,an ant colony algorithm of partially optimal programming based on dynamic convex hull guidance was proposed.The improved algorithm dynamically controlled the urban selection range of the ants,which could reduce the search space of ants on basis of helping the algorithm to jump out of local optimal solution to global optimal solution.Meanwhile,the delayed drift factor and the convex hull constructed by the cities to be chosen were introduced to intervene the current ants’ urban choice,it could increase the diversity of the early solution of the algorithm and improve the ability of ants’ partially optimal programming.Then the pheromone updating was coordinated by using construction information of convex hull and the complete path information that combined local with whole,it could improve the accuracy of the algorithm by guiding the subsequent ants to partially optimal programming.The pheromone maximum and minimum limit strategy with convergence was designed to avoid the algorithm’s premature stagnation and accelerate the solving speed of the algorithm.Finally,the proposed algorithm was applied to four classic TSP models.Simulation results show that the algorithm has better optimal solution,higher convergence rate and better applicability.     

基于位变异防止遗传算法过早收敛的算法

针对简单遗传算法具有过早收敛的缺点，本文提出了一种基于位变异的防止遗传算法过早收敛的算法。该算法通过种群熵来判断过早收敛的发生。当发生过早收敛时，在单调系数的指导下进行有针对性的位变异．从局部最优解的范围内摆脱出来，算法重新具有进化能力。用数值优化中的三个典型的测试函数对该算法进行测试．仿真实验结果显示该算法可有效地提高算法的全局搜索能力。     

An ACO and position information based intelligent QoS routing mechanism in MANET

Quality of service (QoS) routing technology, which can find the available route, is an important way to realize the end-to-end QoS provisioning for networks. Intelligent routing discovery, establishment and maintenance, which take use of ant colony algorithm, have been widely researched in the past years. But the ant colony algorithm has two obvious shortcomings, which are low convergence rate and algorithm stagnation in local optimum. As the topology of mobile ad hoc network (MANET) is always changing, the information of network status is hard to collect in time. So the enhancement of the convergence rate of the QoS routing algorithm is quite important in MANETs. Based on the AntHocNet algorithm previously designed for ad hoc networks, this paper proposes a position-based intelligent QoS routing algorithm. The position constraints are added in the procedures of tabu list forming and pheromone updating. Compared with AntHocNet, the proposed mechanism can greatly reduce the convergence rate in the premises of searching an available path with QoS guarantee according to the simulation results.     

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。     

蚁群算法的几乎处处强收敛性分析

蚁群算法是一种新型的模拟进化算法,已在很多组合优化问题中得到成功应用,但其收敛性分析还比较缺乏.以TSP问题来描述一类蚁群算法的数学模型,并通过对状态空间的分解和反射壁的构筑,从鞅理论角度论证了该类蚁群算法的几乎处处强收敛性以及能在有限步内收敛到全局最优解集,试图为蚁群算法的研究探索一条新的思路.     

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。