局部扩展的标签传播蚁群优化重叠社区发现*

社区发现是分析复杂网络重要的方法。为了提升社区发现算法速度和高精度命题,提出一种局部扩展标签传播算法与蚁群优化结合的重叠社区发现框架（ELPA-ACO）。首先利用局部扩展的标签传播社区发现算法快速获得蚁群初始信息素和位置,然后,结合网络中节点的拓扑结构、内部标签属性、历史信息和节点的传播相互影响力等因子改进蚂蚁转移概率,进一步提高划分精度。在未知网络和真实网络验证,ELPA-ACO算法可适应多种网络划分,无论是速度还是精度都有显著提高。     

基于MapReduce改进蚁群算法的Web服务组合优化

对于Web服务组合优化的问题,蚁群算法的求解主要是串行进行,收敛时间长,容易收敛于非最优解。在云计算环境中,将蚁群算法并行化,可对Web服务组合优化问题进行分布式并行求解。根据多目标优化模型给出基于多信息素的蚁群算法,使用MapReduce并行编程框架对蚁群算法中最耗时的部分——蚂蚁独立求解的过程并行化,给出了使用MapReduce改进的基于多信息素的蚁群优化算法,有效地对Web服务组合进行全局优化,弥补传统的蚁群算法求解过程的缺点。     

用改进蚁群算法求解函数优化问题*

提出将蚁群算法用于求解函数优化问题的新方法。使用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁觅食的方式,更新搜索路径上的信息素,按照转移概率来决定搜索方向,即通过信息素来指引搜索,最后搜索收敛于各个全局最优解。给出了基于此思想的具体算法,并通过计算示例仿真说明了该算法的有效性,表明该算法可以同时快速收敛发现多个全局最优解,并保持稳定。     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。     

求解旅行商问题的混合量子蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优和收敛速度慢的问题,提出一种新的求解旅行商问题的混合量子蚁群算法。该算法采用量子比特的概率幅对各路径上的信息素进行编码,采用量子旋转门及蚂蚁走过的路径对信息素进行更新,设计一种新的变换邻域准则。基于TSPLIB的仿真实验结果表明了该算法具有较快的收敛速度和求解精度。     

动态信息素更新和路径奖惩的蚁群算法

针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题的情况,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效地平衡算法的多样性和收敛性。在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,跳出局部最优。同时基于最优路径集合,对较优路径进行奖励,对其他路径进行惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度。并且使用三种局部优化方法,从而进一步提高解的精度。经过实验测试,该算法用于解决旅行商问题（traveling salesman problem,TSP）,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾。     

改进蚁群算法在热精轧负荷分配优化中的应用

本文尝试用改进的蚁群算法(IACA)求解热精轧机组负荷分配优化问题.首先,建立负荷分配优化的目标函数和约束条件.为了避免蚁群算法(ACS)在加速收敛中出现停滞现象,IACA通过局部和全局信息素浓度更新、引入约束条件的蚂蚁视觉启发函数和基于轧制理论的智力启发函数对状态转移规则进行改进计算;为了保证算法在迭代后期能够收敛,IACA动态更新状态转移规则中的阈值常数和局部信息素浓度挥发系数.基于实际生产数据的仿真结果表明,IACA能够按照目标函数的要求进行合理的负荷分配,且解的性能优于经验值;与其他优化算法比较,IACA具有较快的求解速度和较高的求解精度.     

基于信息差异度蚁群算法的QoS路由算法

针对基本蚁群算法在求解QoS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,提出一种基于信息差异度的蚁群算法对该问题进行求解。该算法在节点选择中嵌入路径信息素的差异度调节函数和迭代算子,动态调整节点选择策略;根据各路径上信息素的“集中”程度判断解的早熟、停滞情况,并引入路径变异和二次蚁群操作;根据最大-最小蚁群算法原理对信息素进行限制。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,快速收敛到全局最优解,算法是可行、有效的。     

基于变异和信息素扩散的多维背包问题的蚁群算法

针对蚁群算法在求解大规模多维背包问题时存在的迭代次数过多、精度不高的不足,提出一种新的高性能的蚁群求解算法.算法将信息素更新和随机搜索机制的改进相融合.首先,基于对较优解的偏爱,采用Top-k策略从每次迭代的k个解中挖掘出对象间的关联距离;其次,以对象为信源借助关联距离建立信息素的扩散模型,通过信息素扩散的耦合补偿,强化了蚂蚁间的协作和交流;最后,利用一种简单的变异策略对迭代的结果进行优化.在通用数据集上的大量实验表明:与最新的蚁群算法相比,新算法不仅能获得更好的最优解,而且收敛速度有显著的提高.     

基于蚁群与鱼群的混合优化算法

基于鱼群算法和蚁群算法提出一种混合优化算法用于求解组合优化问题。将鱼群算法中拥挤度的概念引入到蚁群算法中,在优化过程的初期,设置较强的拥挤度限制,保证大部分蚂蚁不受信息素浓度的影响而进行随机寻优。随着寻优迭代次数的增加,拥挤度的限制逐渐减弱,最后蚁群完全由信息素和启发信息来指导寻优。在寻优初期该算法具有较强的遍历寻优能力,能够较快发现全局最优解的存在,而寻优后期,算法利用信息素正反馈的作用保持了较快的收敛速度。仿真结果验证了该方法的有效性。