基于DNA-蚁群算法的车辆路径优化问题求解

蚁群算法在解决车辆路径问题(VRP)时存在过早收敛于局部最优解、收敛速度慢等问题,并且由于蚁群算法的参数选择没有严格规定,如果参数选择不当,将影响其寻找最优解的效率。为解决上述问题,将DNA算法中的交叉变异思想应用于基本蚁群算法中,提出一种新的DNA-蚁群算法,将基本蚁群算法中的参数进行DNA交叉变异,有效控制蚁群算法的参数选择,从而得到一组最优参数来求解VRP模型。实验结果表明,DNA-蚁群算法能有效解决车辆路径优化问题,更快寻找到全局最优解或较优解,提高了基本蚁群算法的寻优能力和效率。     

一种求解0-1背包问题的快速蚁群算法

0—1背包问题是典型的NP完全问题，且蚁群算法已成功地解决了许多组合优化的难题。因此，文中介绍一种基于蚁群算法求解0—1背包问题的算法，并对此算法进行优化，提出一种求解0—1背包问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间，有效改善了蚁群算法易于过早地收敛于非最优解的缺陷，当物品数较大时，也取得了较好的求解质量。仿真实验取得了较好的结果。     

基于模拟退火的蚁群算法求解Job-Shop问题

引用蚁群算法来解决Job-Shop问题(简称JSP),但是由于蚁群算法本身的原理和Job-Shop问题之间的差异性,使得用基本的蚁群算法来解决Job-Shop问题存在一些缺陷.从蚁群算法的改进入手,采用了不同策略的信息素更新方法,并采用模拟退火算法对搜索到的解进行处理,不仅加快了算法的收敛速度,而且能收敛到更好的解,最后用实例对算法的有效性进行了验证.     

快速蚁群算法求解圆排列问题

圆排列问题属于NP-完全问题,且蚁群算法已成功地解决了许多组合优化的难题。介绍一种基于蚁群算法求解圆排列问题的算法,并对此算法进行优化,提出一种求解圆排列问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验取得了较好的结果。     

快速蚁群算法求解圆排列问题

圆排列问题属于NP-完全问题,且蚁群算法已成功地解决了许多组合优化的难题。介绍一种基于蚁群算法求解圆排列问题的算法,并对此算法进行优化,提出一种求解圆排列问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验取得了较好的结果。     

自适应调整信息素的蚁群算法

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法．基于群体的协作与学 习，该算法已经成功地解决诸如TSP问题等多种组合优化问题．本文提出了一种基于自适应 调整信息素的改进蚁群算法．该算法根据人工蚂蚁所获得解的情况，动态地调整路径上的信 息素，从而使得算法跳离局部最优解．通过仿真实验获得的结果表明，该算法对于蚁群算法 具有较好的改进效果．     

适用于寻源导热逆问题的混沌-蚁群算法

为克服蚁群算法应用于寻源导热逆问题求解时容易陷入局部最优解和收敛速度慢的不足,利用混沌算法的遍历性和对初值的敏感性,将其融入到蚁群算法中,建立了基于混沌路径选择机制和局部混沌搜索机制的混沌-蚁群算法。计算结果表明,建立的混沌-蚁群算法可以很好地解决寻源导热逆问题,较蚁群算法而言,提高了计算精度和计算速度。     

基于遗传-模拟退火的蚁群算法求解TSP问题

传统的蚁群算法具有收敛性好、鲁棒性强等优点,但在解决旅行商(TSP)问题方面存在收敛时间长,容易出现停滞等问题;为了提高传统蚁群算法的解的质量,本文提出了基于遗传-模拟退火的蚁群算法(G-SAACO),将遗传算法和模拟退火算法引入蚁群算法中;其方法是在传统蚁群算法中引入遗传算法的变异与交叉策略来得到候选解,增加解的多样性;同时引进模拟退火算法机制,使得在高温时以较高概率选择候选集中比较差的解加入最新集,温度控制上加入了回火机制,进一步提高解的质量;为了检验改进的蚁群算法,随机选用了TSPLIB中的部分城市进行仿真,结果与传统蚁群算法、模拟退火蚁群算法、遗传蚁群算法相比,算法具有较强的发现较好解的能力,同时增强了平均值的稳定性。     

二次蚁群算法在运输调度问题中的应用

蚁群算法在解决车辆路径问题VRP(Vehicle Routing Problem)上表现了很大优势,但也存在全局搜索能力较低、易出现停滞等缺陷.提出的二次蚁群算法是指先用改进的自适应蚁群算法对VRP求得一个可行解,再用求解旅行商问题TSP(Traveling Salesman Problem)的蚁群算法对所得到的解进一步优化,从而得到最优解.从两个实验仿真结果的数据上看,该算法具有很强的搜索能力,克服了基本蚁群算法的某些弊端,能够有效地求解车辆路径问题.     

基于蚁群算法的机械臂逆问题的求解

机械手臂是一个复杂、强耦合、非线性的系统,其运动学逆问题的求解常常是一个多解或无解的过程,传统方法求解／较为困难,本文将其转化为连续性空间的优化问题,并应用蚁群优化算法对其进行求解。蚁群优化算法是随机搜索、全局优化的算法,不仅能够很好地解决任意的优化组合问题,还能较好地解决连续性空间解的优化问题。通过MATLAB仿真求解,证实了该算法的优越性,分析了参数的设置对蚁群优化算法性能的影响。     

蚁群和遗传混合算法求解旅行商问题

旅行商是应用广泛的优化组合问题,采用蚁群和遗传混合算法解决旅行商问题,利用遗传算法的交叉、变异机制解决蚁群算法易出现局部最优解的问题,将混合算法在VBA环境调试运行。混合算法与蚁群算法、遗传算法仿真数据比较,混合算法具有较好改进效果。     

改进蚁群算法求解旅行Agent问题

利用蚁群算法来求解TAP问题是解决移动Agent迁移策略的一种有效途径。旅行Agent问题是复杂的组合优化问题,蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,适合求解NP难问题。在蚁群算法的基础上,提出分泌多种信息素的改进蚁群算法来求解旅行Agent问题,动态反应了节点服务能力和网络负载的变化,使迁移更具有灵活性。实验结果表明了该文算法的可行性。     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

多选择背包问题的求解算法探讨

本文简介了三种基本算法:动态规划、遗传算法、蚁群算法.给出了用这三种算法解决多选择背包问题的基本原理及求解步骤.并分别对其进行优缺点评述,指出在规模较大时用改进的遗传算法或蚁群算法较好.     

基于蚁群遗传算法混合编程的函数优化

为研究连续函数优化问题,基于图解的蚁群系统,提出二进制蚁群算法,并实现与遗传算法混合编程,以提高求解效率。算例表明,蚁群-遗传算法混合编程求解连续优化问题,收敛速度快,计算精度高,可用于求解实际工程问题。     

和声蚁群耦合算法求解整数规划的应用研究

针对于求解一般的整数规划问题,提出了和声蚁群耦合算法。采用和声搜索更新种群策略和个体扰动策略改善了蚁群算法过早收敛的问题,同时采用蚁群算法对寻优路径信息素的正反馈来加快和声搜索收敛于最优路径。实验结果表明,相比于蚁群算法和和声搜索算法,新算法大大提高了一般整数规划问题的搜索效率。     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

基于蚁群算法车辆导航系统路由选择问题的研究

利用蚁群运动的遍历性、随机性和规律性特点,分析了车辆导航系统路由选择问题的蚁群优化算法,仿真结果 表明该方法是一种简单有效的算法。     

具有新型遗传特征的蚁群算法

蚁群算法是一种新型的模拟进化算法,具有很好的通用性和鲁棒性,在解决组合优化问题方面有良好效果,但存在如计算时间较长、容易陷入局部最优等问题。本文在蚁群算法的基础上,引入了杂交及变异机制,提出了一种具有新型变异特征的蚁群新算法,在减少计算时间的同时可避免早熟现象。