同型机调度问题的混合ACO-SA优化算法研究

针对同型机调度问题,提出一种蚁群-模拟退火两阶段优化算法.构造了问题域蚁群模型,运用蚁群算法展开全局搜索,通过自适应调整闻值改善空间探索与局部开采的平衡;为提高搜索精度,引入模拟退火算法,将蚁群算法的最好解作为其初始解,在邻域内进行精细搜索,利用其概率突跳特性有效避免算法陷入局部最优.实验结果表明混合算法具有稳定而优良的寻优能力.     

改进的蚁群算法及其在TSP问题中的应用

针对蚁群算法容易陷入局部最优解的缺点,提出了一种改进的蚁群算法。该算法通过禁忌当前取得的最优路径,有选择地更新信息素,而后重新搜索,有效提高了基本蚁群算法的寻优能力。文中将改进后的蚁群算法应用于TSP问题,通过对典型的Eil51.tsp进行测试,证明了改进后算法的可行性有和效性。     

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.     

基于和声搜索和模式探测移动的混沌鱼群算法

鱼群算法是一种群智能优化算法,寻优效果良好,但后期易产生陷入局部极值;混沌搜索全局搜索能力强,能跳出局部极值,但局部搜索能力不强。为了提高算法的全局搜索能力和搜索精度,文中提出一种基于和声搜索和模式探测移动的混沌鱼群算法,在鱼群寻优过程中利用混沌搜索的遍历性使其摆脱局部极值,同时用模式探测移动、和声搜索来提高搜索精度。仿真结果表明,该算法比基本鱼群算法和混沌鱼群算法的搜索精度更高,收敛速度更快。     

基于自适应节点选择蚁群算法的QoS选播路由算法

针对基本蚁群算法在求解QoS选播路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种基于自适应节点选择的蚁群算法对该问题进行求解.该算法根据解的情况自适应调整节点选择策略;依据各路径上信息素的＂集中＂程度判断解的早熟、停滞情况,并对可能陷入局部最优的解进行信息素混沌扰动更新,以便跳出局部极值区间.仿真实验表明,算法全局搜索能力较强,能够跳出局部极值区间,快速地收敛到全局最优解,算法是可行、有效的.     

基于自适应信息素调整的连续空间优化蚁群算法

对于基本蚁群算法(ACA)不适用求解连续空间问题,并且极易陷入局部最优的缺点,提出了一种基于自适应的蚁群算法。路径搜索策略采用基于目标函数值搜索筛选局部最优解的策略,确保能够迅速找到可行解。信息素更新策略采用自适应的启发式信息素分配策略,使算法能够快速收敛到全局最优解。对2个求函数极值问题进行优化并与其他算法进行比较,结果表明该算法能很好的应用于对连续对象的优化,同时具有较高的寻优精度高,搜索速率快,良好的全局优化性能。     

基于混沌蚁群的神经网络速度辨识器研究

针对BP神经网络收敛速度慢和易陷入局部极小值的缺点,提出了混沌蚁群优化神经网络的实现方法。该方法在基本蚁群算法的基础上引入混沌因子,并利用混沌的遍历性和随机性,将带有混沌特征的初始化变量线性映射到变量取值区间,从而得到神经网络权值的全局最优值。利用该算法可对直接转矩控制系统进行转速辨识。     

改进狼群优化算法的Otsu图像分割法北大核心CSCD

为减少算法的运行时间,对狼群算法和二维Otsu算法进行分析研究,提出改进狼群优化算法的Otsu图像分割法,将PSO算法中求解当前局部最优的思想引入到狼群算法的游走、召唤行为中,使狼群间实现信息交互,提高搜索最佳阈值的准确度;采用自适应化围攻行为,加快算法寻优速度;利用混沌法对得到的次优解进行优化,避免陷入局部极值.仿真结果表明,该算法既降低了分割时间,又提高了分割精度.     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

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。