基于遗传算法和蚂蚁算法求解函数优化问题

针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题，提出一种基于遗传算法和蚂蚁算法的混合算法.该混合算法利用了遗传算法快速随机的全局搜索能力的优点，设计了编码与适应度函数，进行了种群生成与染色体的选择，并通过设定交叉算子和变异算子， 生成了信息素分布.该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点，通过确定吸引强度的初始值，建立了强度更新的模型，从而求得精确解.并将该算法应用于求解函数优化问题.结果表明，该混合算法与遗传算法和蚂蚁算法相比，收敛速度快，寻优性能好.     

时间约束的高层次数据流调度方法

为了研究时间约束下的高层次数据流调度问题,提出了遗传算法和蚂蚁算法动态融合的解决方案.给出了时间约束调度中遗传算法的编码方法、交叉、变异和适应度函数以及蚂蚁算法中的概率选择方法和信息素的更新规则.为了找到遗传算法与蚂蚁算法的最佳切换时机,还解决了2个关键问题:遗传算法的动态结束条件和蚂蚁算法中初始信息素的产生.实验结果表明,该方法所用的平均资源数目比遗传算法少5.2%,比蚂蚁算法少4.9%;运行时间比遗传算法少44%,比蚂蚁算法少31%.     

几何约束多解问题

针对几何约束求解的多解性问题,将约束分成两个集合:原约束集合和增加的额外约束集合。用求解器求解出全部解后,利用提出的混合遗传蚂蚁算法,搜索全部解空间,在算法的初始阶段采用遗传算法,产生信息素的初始分布;在算法的后期采用蚂蚁算法。由于在遗传算法中使用随机的种群,不仅提高了蚂蚁算法的速度,而且在求解时能避免陷入局部最优解。通过启发式搜索算法使增加的额外约束得到最大化满足,从而寻找到符合用户意图的解。     

蚁群算法

蚁群算法是一种仿生类非线性优化算法,具有并行性、正反馈性和全局极小搜索能力强等特点.蚁群算法的机理是:生物界中的蚂蚁在搜寻食物源时,能在其走过的路径上释放一种蚂蚁特有的分泌物信息素,使得一定范围内的其他蚂蚁能够觉察并影响其行为.当某些路径上走过的蚂蚁越来越多时,留下的这种信息素轨迹也越多,以至信息素强度增大,使后来蚂蚁选择该路径的概率也越高,从而更增加了该路径的信息素强度.为了将起源于离散网络路径优化的原始蚁群算法思想用于连续函数优化的地球物理反演问题,必须对有关实施细节进行改造和修正,本文基于网格划分策略的连续域蚁群算法实现了连续域大地电磁蚁群算法.通过选择蚂蚁数、信息素挥发系数等参数,利用三层K型模型和四层HA型模型进行数值试验,结果表明,蚁群算法可以稳定收敛,反演结果接近理论模型.     

地球物理资料非线性反演方法讲座（九）蚁群算法

蚁群算法是一种仿生类非线性优化算法,具有并行性、正反馈性和全局极小搜索能力强等特点。蚁群算法的机理是：生物界中的蚂蚁在搜寻食物源时,能在其走过的路径上释放一种蚂蚁特有的分泌物——信息素,使得一定范围内的其他蚂蚁能够觉察并影响其行为。当某些路径上走过的蚂蚁越来越多时,留下的这种信息素轨迹也越多,以至信息素强度增大,使后来蚂蚁选择该路径的概率也越高,从而更增加了该路径的信息素强度。为了将起源于离散网络路径优化的原始蚁群算法思想用于连续函数优化的地球物理反演问题,必须对有关实施细节进行改造和修正,本文基于网格划分策略的连续域蚁群算法实现了连续域大地电磁蚁群算法。通过选择蚂蚁数、信息素挥发系数等参数,利用三层K型模型和四层HA型模型进行数值试验,结果表明,蚁群算法可以稳定收敛,反演结果接近理论模型。     

基于GPU的共享信息素矩阵多蚁群算法

在研究并行蚁群信息素交流方法的基础上,提出了一种适于GPU统一计算架构模型的多蚁群算法。采用多个同构和异构蚁群共享同一信息素矩阵的交流策略,解决信息素多样性和算法性能之间的矛盾。在路径探索阶段,多只获得迭代最优解且差异较大的蚂蚁共同释放信息素,以利群体多样性;在路径开发阶段,获得唯一全局最优解的蚂蚁释放信息素,以利迅速收敛。多蚁群映射到GPU的线程块而群内蚂蚁对应块内多线程。以MMAS和ACS混合为例给出了该策略下信息素初始化和动态界限的新方法,证明了算法是值收敛和解收敛的。在标准TSP问题实例上的实验评测表明,该算法不仅提升了性能,在充分收敛条件下获得了更高质量的解。     

蚁群算法在QoS单播路由中的应用研究

QoS路由问题被证明是一个NP-C问题,而传统的路由算法很难有效地解决NP-C问题。该文提出了一种基于蚁群算法、用于解决带宽和时延约束问题的QoS单播路由算法,利用蚁群算法中蚂蚁通过信息素寻找最优路径的机制,并以网络吞吐量和数据报的平均时延等性能为最优的准则,来定义蚂蚁的转移概率、路由表和信息素更新方式,实现基于蚁群算法的路由选择算法．这种算法具有较强全局最优解搜索能力,较强的灵活性,以及潜在的并行性。     

带运力限制车辆路径问题的简易蚁群算法实现

以求解旅行商问题的蚁群算法为基础,根据带运力限制车辆路径问题的实际应用条件,提出一种较为简易的求解带运力限制车辆路径问题的蚁群算法,并对其中的信息素更新策略进行了分析,对蚁群中的精英蚂蚁(搜索出最优解的蚂蚁个体)所经过路径的信息素进行加强,提高了算法的全局收敛性能和收敛速度,允许蚂蚁在搜索的最初阶段有较大的自由以扩大最优解的寻找空间,提出改进蚁群算法.实验结果表明,该方法能在较短的时间内达到已知最优解的1.5%误差范围.     

给水管网管径组合优化的极大极小蚁群算法

蚁群算法作为模仿蚂蚁寻找食物的进化算法已经成功的应用于许多组合优化领域.针对其在给水管网管径组合优化设计过程中的计算时间长,易陷入局部极小点等问题,提出了单只蚂蚁更新外激素值,并使外激素值限定在一定范围内的基于二进制编码的极大极小蚁群改进算法,并编制了相应的程序代码.将该方法运用到某小区管网的管径组合优化,结果表明,改进的蚁群算法与基本的蚁群算法相比,更容易实现全局最优解,且计算时间较短.     

改进蚁群算法及其在永磁同步电机设计中的应用

蚁群算法是一种新型的模拟进化算法，该算法通过模拟蚂蚁觅食的方式，使一定数量的蚂蚁在解空间内进行随机搜索，对路径上蚂蚁释放的信息素进行更新，按照转移概率决定前进的方向，最后收敛于全局最优解.对蚁群算法的模型进行了改进以提高其全局寻优速度，用国际标准函数对改进算法进行验证，并对一台15 kW的永磁同步电机进行优化，取得了满意的优化结果，为永磁同步电机的设计提供了一种新的有效方法.     

GA-ACO算法用于IMX系统测试数据自动生成

在综合管理X-软件系统测试数据生成中,针对遗传算法不能利用系统提供的信息,需要迭代多次才可找到测试数据,而蚁群算法在搜索初期信息素匮乏的情况下测试效率很低等问题,提出了基于混合遗传蚁群算法的测试数据自动生成方法,通过运行一定次数的遗传算法,产生优化解并作用于信息素的分布,再利用蚁群算法精确求解.在三角形程序和综合管理X-软件系统上的实验表明,该方法在保持性能不变的情况下,大幅降低了迭代次数和消耗时间,提升了测试效率.     

基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低。根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略：为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中。利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量。为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的。     

基于人工免疫-蚁群算法的平面QoS路由模型

人工免疫算法具有快速随机的全局搜索能力,但系统中的反馈信息利用不足且有大量无为的冗余迭代。蚁群算法具有分布式并行全局搜索能力,但初期信息素匮乏。本文提出一种基于人工免疫-蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解包含带宽、时延和最小代价约束条件在内的平面QoS路由模型问题,进行计算机仿真。结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

一种改进的蚁群算法求解车辆的最短路径问题

基于交通网中交通流参数关系模型,提出了新的状态转移概率计算公式,同时在信息素更新策略中引入交通流密度因子,使算法可以根据时变的路网信息求解车辆的最短路径;利用蚁群算法和遗传算法相结合的思想来避免基本蚁群算法在求解车辆最短路径时易陷入局部最优解的缺陷。实验仿真结果表明,改进后的蚁群算法较基本蚁群算法能准确快速地找到基于时间的最短路径,并能有效解决实际交通系统中的最短路径问题,具有一定的实际意义和参考价值。     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

基于遗传蚁群算法的机器人全局路径规划研究

蚁群算法是基于生物界群体启发行为的一种随机搜索寻优方法,它的正反馈性和协同性使其可用于分布式系统,隐含的并行性更使其具有极强的发展潜力,它在解决组合优化问题上有着良好的适应性。因此将其应用到智能机器人全局路径规划中,其目的是探索一种新的路径寻优算法.在基于栅格划分的环境中,研究了机器人路径规划问题中蚁群系统的"外激素"表示及更新方式,并将遗传算法的交叉操作结合到蚁群系统的路径寻优过程中,提高了蚁群系统的路径寻优能力,为蚁群算法的应用提供了一种新的探索.     

初始信息素不均匀分布的蚁群算法

蚁群算法初始信息素的等值分布导致其在移动机器人路径规划中存在收敛性差、收敛速度慢等不足,为此,文章提出一种初始信息素不均匀分布策略的蚁群算法.初始信息素不均匀分布策略的核心思想是基于双向搜索,根据起点与终点附近首个障碍物信息构建初始信息素增强区域,以此降低算法初期搜索的盲目性,进而提升算法收敛性能.仿真实验结果表明,该...     

一种引入信息素上下界自适应机制的蚁群算法

使用传统蚁群算法求解最优路径问题时,存在搜索速度慢且易于陷入局部最优解等缺陷．针对这个问题,提出一种改进的蚁群算法：在每次迭代结束后,根据本次迭代产生的最优解与当前最优解的比较结果,动态调整路径上信息素的上下界,使路径上信息素永远保持在一个被允许的范围内,从而避免使算法过早陷入局部最优解．仿真实验证明：改进的蚁群算法较传统的蚁群算法的搜索性能有较大的提高．