自适应模糊蚁群系统

针对蚁群系统（Ant Colony System，ACS）容易陷入局部最优和收敛速度较慢的不足，提出了自适应模糊蚁群系统（AF-ACS）用于旅行商问题（TSP）。该算法的核心是引入模糊隶属度和信息熵的概念，AF-ACS将以信息熵为概率，自适应地对ACS引入模糊隶属度，以平衡算法的种群多样性与收敛速度之间的关系。算法早期引入模糊隶属度的概率较小，保证算法的多样性；算法后期引入模糊隶属度的概率较大，提高算法的收敛速度。通过与ACS和ECACS（Entropy-based Adaptive Chaotic Ant Colony Algorithm）进行14种不同规模的TSP测试集实验对比，AF-ACS以较少的迭代次数取得最优解或较优解。从而证明了AF-ACS的可行性与高效性。     

基于异类蚁群的双种群蚁群算法

提出一种基于异类蚁群的双种群蚁群（Dual Population Ant Colony Algorithm Based on Heterogeneous Ant Colonies,DPACBH）算法,算法将两种信息素更新机制不同的蚁群分别独立进行进化求解,并定期交换优良解和信息来改善解的多样性,增强跳出局部最优的能力,使算法更容易收敛到全局最优解。以TSP（Travel Salesman Problem）问题为例所进行的计算表明,该算法比基本双种群蚁群算法具有更好的收敛速度和准确性。     

基于自适应更新策略的蚁群算法在TSP上的应用

针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法（Adaptive Update-Ant Colony System,AU-ACS）,有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题（Travelling Salesman Problem,TSP）中对比表明,改进后算法求解的精度更高、稳定性增强。     

一种并行变异自适应遗传算法及其性能分析

针对基于实数编码的遗传算法收敛速度慢与收敛精度不高等问题,通过定义种群活力,提出了一种改进的自适应遗传算法．该算法中,种群活力的定义综合考虑了种群多样性和相邻代种群间相似度,众数代替平均数作为新的种群适应度参考量,并依以上两点对交叉和变异概率进行自适应调节,同时引入并行机理对变异操作进行了改进．通过仿真实例,验证了该算法具有较高的收敛速度和求解精度．最后,该算法还被应用于解决汽油调和优化调度问题．     

动态混沌蚁群系统及其在机器人路径规划中的应用

针对蚁群系统（ACS）解决机器人路径规划问题时种群多样性与收敛速度的不足,对蚁群系统引入动态混沌算子,从而平衡种群多样性和收敛速度之间的关系。动态混沌蚁群系统的核心是在传统蚁群系统引入Logistic混沌算子来增加种群多样性,从而提高解的质量。在迭代前期加入混沌算子,以调整路径中的全局信息素值,增加算法的种群多样性,从而避免算法陷入局域优化解;在后期则转为蚁群系统,来确保动态混沌蚁群系统的收敛速度。仿真结果表明,对于机器人路径规划问题,与蚁群系统相比,动态混沌蚁群系统具有更好的种群多样性、更高的解的质量和更快的收敛速度;与精英蚁群系统（EAS）和基于排序的蚂蚁系统（ASrank）相比,动态混沌蚁群系统能够平衡解的质量与收敛速度之间的关系,即使在复杂障碍物的环境下,动态混沌蚁群系统也能较好地找到最优解。动态混沌蚁群系统能够提升移动机器人路径规划中的效率。     

基于相似度的自适应异类多种群蚁群算法

针对原有的多种群蚁群算法收敛速度慢,运行时间长,容易早熟等缺陷,提出了一种新型异类多种群蚁群算法。算法由多类不同特性蚁群构成,不同蚁群具有不同特质,且优势互补,彼此间具有潜在的合作性。不同种类蚁群搜索时,通过子蚁群间的相似度,自适应选择最互补的蚁群进行信息交换,以加强不同种类蚁群间的协作,增强解的多样性,增强跳出局部最优的能力。TSP仿真结果表明,该算法在搜索速度以及搜索质量方面都有明显的提高。     

双种群改进蚁群算法

基本蚁群优化（Basic Ant Colony Optimization，BACO）算法在进化中容易出现停滞，其根源是蚁群算法中信息的正反馈．在大量蚂蚁选择相同路径后，该路径上的信息素浓度远高于其他路径，算法很难再搜索到邻域空间中的其他优良解．对此，提出一种双种群改进蚁群（Dual Population Ant Colony Optimization，DPACO）算法．借鉴遗传算法中个体多样性特点，将蚁群算法中的蚂蚁分成两个群体分别独立进行进化，并定期进行信息交换．这一方法缓解了因信息素浓度失衡而造成的局部收敛，有效改进算法的搜索性能，实验结果表明该算法有效可行．     

基于统计分析的自适应蚁群算法及应用

路径规划是机器人关键技术之一。利用改进的蚁群算法进行机器人的路径规划。针对传统蚁群算法收敛速度慢且易陷入局部最优解的缺陷,在Ant Colony System算法基础上,对每代蚁群动态随机统计分析,提取最优、平均和最差的蚂蚁信息,构成自适应算子用于局部信息素的自适应更新。仿真实验结果证明该自适应算子在平衡增加收敛速度和陷入局部最优解矛盾的问题中是有效的。     

自适应动态学习鸡群优化算法

针对标准鸡群优化算法存在求解精度偏低、局部搜索能力弱等问题,提出了一种自适应动态学习鸡群优化算法ADLCSO（Adaptive Dynamic Learning Chicken Swarm Optimization algorithm）。该算法利用反向觅食机制自适应更新每只公鸡的位置,并添加了非线性递减学习因子来动态调整公鸡位置的更新步长,以增强种群跳出局部极值的能力,从而提高算法的收敛速度和求解精度。此外,提出了一种基于个体间适应度值之差的种群相似度指标,并利用该指标对每只母鸡的位置进行自适应调整,以抑制种群多样性的衰减,从而进一步提高算法的求解精度。通过对12个经典测试函数进行仿真实验,结果表明ADLCSO算法在收敛速度、求解精度、稳定性及对高维问题的求解能力上均优于其他对比算法。     

自适应信息选择PSO算法及其特性分析

针对粒子群优化过程中容易出现早熟收敛或停滞的问题,在全信息粒子群优化（FIPSO）算法的基础上结合社会心理学原理提出了一种新的粒子群优化算法——自适应信息选择粒子群优化算法（API-PSO）。在API-PSO算法中,粒子根据其邻域粒子不同表现,自适应地选择群体共享经验。实验表明,新的优化算法具有较好的收敛精度和收敛速度。分别对API-PSO算法的种群多样性和收敛性进行了数学分析,分析结果为合理选择算法参数,解决算法种群多样性匮乏,促进种群进化发展,改善算法性能提供了理论依据。     

启发式强化学习机制的异构双种群蚁群算法

针对传统蚁群算法在解决TSP问题时易陷入局部最优、收敛速度较慢的问题,提出了一种基于启发式强化学习的异构双种群蚁群算法。蚁群分为主种群和子种群,主种群负责解的构建和信息素的更新,子种群则是在构建解的同时对主种群的解集进行替换。算法初期利用启发式算子自适应地控制两个种群的交流频率,通过偏离度系数控制解的交换方式。前期让子种群的最优解去替换主种群的随机解,增加解的多样性,同时引入强化学习机制对交流后主种群最优路径上的信息素进行自适应的奖赏,以增大最优公共路径以后被选择的概率。后期则控制子种群的最优解去替换主种群的最差解,强化最优路径上信息素的量,并对主种群最优路径上的信息素进行奖赏,进一步提高算法的收敛速度。实验仿真表明,算法能够有效地跳出局部最优,并且解的质量在大规模测试集上有明显的改善。     

基于信息融合的分布式多维自适应蚁群优化算法研究

通过参数优化、与其他优化算法融合等手段对蚁群算法进行改进,能有效地提高蚁群算法的全局寻优能力,改善其收敛性能。随着搜索路径多维,以及复杂分布式系统蚂蚁迭代次数的增加,蚁群动态多样性逐渐消失,容易陷入局部最优。通过对蚁群算法存在的问题进行分析,设计了多维系统各子蚁群时间同步方案以及信息融合时间窗口开启策略;针对影响蚁群算法的主要参数,提出动态认知的参数自适应调整改进算法,实现算法初期路径选择的多样性、成熟后可提高算法的寻优效率。以解决TSP问题为例,对启发式因子、信息素挥发因子等主要参数对蚁群最优路径影响进行仿真分析。     

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。     

改进的模糊C-均值聚类算法

为了克服模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于改进量子蚁群的模糊聚类算法。将量子计算原理和蚁群算法相结合来改进FCM算法。初期采用量子遗传算法生成信息素分布,后期利用蚁群算法的全局搜索性、并行计算性等特点避免聚类陷入局部最优解。实验证明该算法保证了种群的多样性,有较好的全局收敛性,克服了模糊C-均值聚类算法的不足,能有效解决未成熟收敛的问题,使聚类问题最终快速、有效地收敛到全局最优解。     

基于改进蚁群算法的机器人路径规划问题研究

针对蚁群算法收敛速度慢,容易陷入局部最优的问题,结合A*算法和蚁群算法提出了一种解决机器人路径规划问题的改进蚁群算法。自适应调整启发函数,在路径的后程借鉴启发式A*算法的估价函数,在ACS算法的启发函数中引入方向信息,提高算法的搜索效率,同时动态调整权重系数改变目标点的方向信息在蚂蚁移动过程中的影响,以平衡ACS算法解的多样性和收敛速度慢之间的关系。仿真实验表明,该算法不但可以提高收敛速度,而且在改善解的质量方面也取得了较好的效果。     

基于目标函数变化率的混合蚁群遗传算法

根据蚁群算法和遗传算法收敛性互补的特点,提出了一种基于目标函数变化率的混合蚁群遗传算法。该算法的基本思想是：用蚁群算法的解作为遗传算法的初始种群,根据目标函数的变化率交叉地调用蚁群算法和遗传算法。每当种群进化接近停滞时,调用蚁群算法。这种方法可动态地控制蚁群算法和遗传算法的调用时机,再配合相应的信息素更新方法,以提高算法的收敛性。将新算法用于车间调度基准测试问题,仿真结果表明,与常规混合蚁群遗传算法相比,新算法的全局收敛性和局部收敛性有了明显的提高。     

Ant colony algorithm with Stackelberg game and multi-strategy fusion

Aiming at the disadvantages of the ant colony algorithm, such as slow convergence speed and easy to fall into local optimum, this paper proposes an ant colony algorithm with Stackelberg game and multi-strategy fusion. Firstly, Stackelberg game is established between ant colonies, and the population with the excellent performance is taken as the leader to increase the influence of excellent ant colony. Secondly, a multi-strategy fusion system is proposed, which is composed of three strategies: One is the pheromone fusion strategy, which selects the population whose entropy is less than the threshold value and the population with the highest similarity for pheromone fusion to increase the diversity of the algorithm. The second is the elite ant learning strategy, which speeds up the convergence rate by learning the elite ants of the elite population; The third is the pheromone recombination strategy, which helps the algorithm jump out of the local optimum. The simulation experiments of multiple cases in TSPLIB show that the improved algorithm balances diversity and the convergence speed, and effectively improves the quality of the solution.

     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

基于改进信息素的蚁群算法在QoS 组播路由中的研究

针对传统的蚁群算法在求解大规模旅行商问题时容易导致搜索时间过长或陷入停滞的问题,提出了一种基于改进信息素的蚁群算法。通过蚁群算法的改进,使得每轮搜索之后的信息素都能更好地反映解的质量。实验仿真结果表明,改进后的蚁群算法能获得比传统的蚁群算法更优的解,同时具有更快的收敛速度和较好的稳定性。