基于基因表达式编程的混合蚁群算法

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。     

求解旅行商问题的蚁群遗传混合算法

根据蚁群算法与遗传算法的特性,提出了求解旅行商问题的混合算法.该混合算法以遗传算法为整个算法的框架,根据旅行商问题的特点,给出了4种变异策略;针对遗传算法存在的过早收敛问题,加入2-Opt方法对问题求解进行了局部优化;利用蚁群算法根据信息素产生若干个路径,替代部分差的解.与模拟退火算法、标准遗传算法和标准蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

基于遗传与蚁群算法融合的选播QoS路由算法

为有效解决选播通信中的QoS路由问题,提出一种基于遗传算法与蚁群算法融合的选播QoS路由算法.算法初期使用遗传算法在链路上分布信息素,对蚁群算法的控制参数进行编码和优化;然后通过判断函数来判断遗传算法与蚁群算法融合的时机,初始化信息素,并启动混合算法后期的蚁群算法;引入变异算子,对由变异操作得出新路径进行局部信息素更新,更快地引导蚁群算法找到全局最优解.NS2仿真实验结果表明,该算法很好的解决多QoS选播路由问题,性能优于其它算法.     

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。     

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。     

基于混合算法的数控加工路径规划优化

对数控加工中的孔群加工路径规划优化方法进行研究。将孔群的加工路径规划问题与典型旅行商问题进行类比,建立刀具空行程最短的数学模型和适应度函数。针对常规混合算法不能够将两种算法进行融合,只是单纯叠加,无法在最佳时机进行算法转化,使得算法混合优势不够明显等问题,该文对混合算法进行改进。使用遗传算法得到若干优化解,并将其变成初始信息素从而改成初始信息素偏低问题。使用动态转移代替静态转移法将遗传算法切换到蚁群算法。算法后期,信息素更新方法使用动态挥发系数法,对交叉变异概率使用信息素和适应度进行动态调节,交叉变异位置使用信息素和启发信息决定。以一种机械零件的孔群加工为例,对研究的混合算法的加工路径规划优化方法进行实例分析,结果表明相比常规混合算法,该文研究的混合算法具有更高的求解精度和优化效果。     

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。     

一种改进的量子多目标蚁群优化算法

提出一种新的量子多目标蚁群算法．在蚁群算法的基础上中引入量子理论,将量子计算与蚁群进行融合,并用于求解多目标问题．该算法的核心是在蚁群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．该算法在全局寻优能力和种群多样性方面比蚁群算法有所改进,测试表明：该算法是求解多目标问题的一种有效的算法．     

基于改进蚁群算法的公交疏散策略研究

针对无预警灾难发生后的大规模人群疏散问题,提出了应急救援的公交疏散策略,通过对动态的疏散路网和疏散者的时间加载离散化处理,采用时空网络和数值分析的方法以疏散总时间最短,伤亡人数最少建立公交疏散的非线性混合整数规划模型,并将整个公交疏散过程与改进的蚁群算法相结合,通过信息素全局更新对疏散模型进行求解,最后以一个简单的公交疏散网络作为算例来求解最优疏散路径。结果表明,通过多次计算不仅验证了改进蚁群算法的有效性,同时求解疏散路径的速度和质量也得到提高。     

基于蚁群算法的网络层析故障链路诊断

为了解决网络层析成像中链路故障诊断的NP难问题,提出一种基于蚁群算法的故障链路诊断方法。首先将问题建模成一个组合优化问题,利用蚁群算法在解决组合优化问题中独特的优势进行求解。不同于传统的蚁群算法,求解故障链路时蚁群在初始放置点和可行路径上都受约束。为了加快算法的收敛速度,对蚁群算法的初始信息素浓度进行优化。仿真结果表明,所提出的算法在故障链路检测中具有较好的精度和召回率。     

一种新的基于混合蚁群算法的聚类方法

建立了聚类分析问题模型，分析了K-均值算法、模拟退火算法和基本蚁群算法的优缺点。对蚁群算法作了改进．思路是K-均值方法混合，利用K-均值方法的结果作为初值。经过比较测试，两种混合蚁群算法的效果都比较好．特别混合方法二的效果最好。     

遗传蚁群禁忌融合算法的研究

通过对遗传算法、蚁群算法和禁忌搜索算法三种算法的分析研究,针对其各自优缺点,提出一种融合遗传算法、蚁群算法和禁忌搜索算法的融合算法。融合算法是采用遗传算法生成初始信息素分布,利用蚁群算法快速求精确解,同时将遗传禁忌算子引入到蚁群算法的每轮迭代中,有效解决了蚁群系统初始信息素匮乏、易陷入局部最优和收敛速度慢的缺点,实现优势互补。通过NP-hard30问题仿真实验,结果显示算法具有良好的寻优能力和寻优效率。     

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.     

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。     

基于遗传蚁群融合算法的混合链路中继卫星资源调度研究

针对遗传算法容易陷入局部最优和蚁群算法初始信息素匮乏的缺点, 提出将遗传和蚁群融合算法应用于中继卫星系统的资源调度问题。通过改进蚁群算法信息素的定义, 利用基于时间窗口序号编码思想, 给出中继卫星资源调度约束条件与目标函数并建立数学模型。仿真分析了融合算法、标准遗传算法和改进蚁群算法的优化特性, 结果表明融合算法是解决中继卫星调度问题的有效方法。     

改进的基于蜜蜂进化型遗传算法和蚁群系统混合的元件贴装优化

针对PCB板的表面贴装技术(Surface Mount Technology,SMT)优化问题,提出一种基于蜜蜂进化型遗传算法和蚁群系统的混合智能算法(the Hybrid Intelligent Algorithm based on Bee Evolutionary Genetic Algorithm and Ant Colony System,BAHA).该算法的关键有4点:①通过两个种群的融合实现信息共享,提高算法的收敛速度;②采用改进的OX的交叉算子,合理保留优秀个体基因的排列顺序;③加入局部搜索算子,在当代最优解附近进行更加精细的搜索;④信息素重置防止陷入局部最优解.用TSP30问题、eil51问题与相关文献进行对比测试,仿真结果表明BAHA收敛速度快,寻优能力强.通过对5种不同PCB板的元件贴装顺序进行优化计算,结果表明,BAHA能有效的提高贴装效率.     

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。     

改进蚁群算法的路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且存在停滞问题,提出一种改进的蚁群算法。为了避免蚁群陷入死锁状态,采用回退策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死亡数量,并且借鉴了狼群分配策略来更新信息素,提高算法全局性,在状态转移概率中引入一个启发因子并进行调整,避免算法陷入停滞。仿真实验结果表明,改进后的蚁群算法收敛速度明显加快,寻优最短路径达到29.73,迭代次数较少28。验证了该算法的有效性和可行性。     

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。