蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

蚁群与粒子群混合算法求解TSP问题

旅行商问题（TSP）是最古老而且研究最广泛的组合优化问题。针对TSP问题,提出一种蚁群与粒子群混合算法（HAPA）。HAPA首先将蚁群划分成多个蚂蚁子群,然后把蚂蚁子群的参数作为粒子,通过粒子群算法来优化蚂蚁子群的参数,并在蚂蚁子群中引入了信息素交换操作。实验结果表明,HAPA在求解TSP问题中比传统算法和同类算法更具优越性。     

基于粒子群优化的蚁群算法在TSP中的应用

结合粒子群算法的问题,提出用混合蚁群算法来求解著名的旅行商问题.问题的核心是应用粒子群算法对蚁群算法的控制参数:启发式因子、信息素挥发系数、随机性选择阈值进行优化,以及运用蚁群系统算法寻找最短路径.新算法对于蚂蚁算法中的参数调整大大减低,减少了大量盲目的实验,力求在开发最优解和探究搜索空间上找到平衡点.对旅行商问题的仿真实验表明,新算法的优化质量和效率都优于传统蚁群算法和遗传算法,接近理论最佳值.新算法也可推广用于其他NP问题的求解.     

蚁群算法及其在求解旅行商问题中的应用

蚁群算法是一种求解组合优化问题较好的方法。在蚁群算法的基本原理基础上,以旅行商问题为例,介绍了该算法求解TSP的数学模型及具体步骤,并通过仿真实验与粒子群优化算法等方法比较分析,表明了该算法在求解组合优化问题方面具有良好的性能。     

TWO-STAGE BLENDED-ALGORITHM OF ANT COLONY AND PARTICLE SWARM OPTIMISATIONS FOR SOLVING MFJSP

为克服单一优化算法在解决MFJSP中固有的弊端提出两段式蚁群粒子群混合优化算法(TSAPO).在TSAPO中,采用分解方式通过两个阶段实现多目标优化.第一阶段确定算法子集并设计相应的蚂蚁转移概率,利用蚁群优化算法获取工艺路线;第二阶段通过对粒子群解码的设计,利用能够进行参数自适应调整的粒子群优化算法解决排产问题.利用TSAPO算法进行标准算例实验,获得优于参加比较的其他算法优化目标,证明TSAPO算法在求解MFJSP中具有更好的优化效果.     

蚁群算法及其在求解旅行商问题中的应用

蚁群算法是一种求解组合优化问题较好的方法。在蚁群算法的基本原理基础上,以旅行商问题为例,介绍了该算法求解TSP的数学模型及具体步骤,并通过仿真实验与粒子群优化算法等方法比较分析,表明了该算法在求解组合优化问题方面具有良好的性能。     

一种混合粒子群与蚁群算法在多处理机调度中的应用研究

提出了一种基于蚁群优化和粒子群优化的混合算法以解决多处理机调度问题。这种混合算法利用蚁群算法和粒子群优化算法的特性,可以显著提高计算效率,具有较大的实用价值。     

两段式蚁群粒子群混合优化算法求解MFJSP

为克服单一优化算法在解决MFJSP中固有的弊端提出两段式蚁群粒子群混合优化算法(TSAPO)。在TSAPO中,采用分解方式通过两个阶段实现多目标优化。第一阶段确定算法子集并设计相应的蚂蚁转移概率,利用蚁群优化算法获取工艺路线;第二阶段通过对粒子群解码的设计,利用能够进行参数自适应调整的粒子群优化算法解决排产问题。利用TSAPO算法进行标准算例实验,获得优于参加比较的其他算法优化目标,证明TSAPO算法在求解MFJSP中具有更好的优化效果。     

基于粒子群参数优化的同构双种群蚁群算法

针对蚁群算法易陷入局部最优、收敛速度较慢的问题,提出一种基于粒子群参数优化的同构双种群蚁群算法。将蚂蚁均分为两个子群,第一子群引入单位距离信息素路径构建算子,加强距离因素和信息素因子的协同作用;第二子群引入粒子群优化算法,对蚁群算法的多个参数在三维空间中进行优化,提高了解的质量。两个种群在参数方面优势互补并进行协同交流,共同促进算法找到全局最优解。针对TSP问题,实验表明,所设计的算法增强了算法的种群多样性。     

一种障碍环境下机器人路径规划的蚁群粒子群算法

针对机器人在障碍环境下寻找最优路径问题, 提出了一种障碍环境下机器人路径规划的蚁群粒子群算法.该方法有效地结合了粒子群算法和蚁群算法的优点, 采用栅格法进行环境建模, 利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布, 以减少迭代次数, 加快算法的收敛速度; 同时利用蚁群算法之间的可并行性, 采用分布式技术实现蚂蚁之间的并行搜索, 求解精度高等优点, 求精确解. 仿真实验结果证明了该方法的有效性, 是机器人路径规划的一种较好的方法.     

基于强化学习的适应性微粒群算法

惯性权重足微粒群算法(PSO)的重要参数,它可以甲衡算法的全局和局部搜索能力的关系,改善算法的性能.对此,提出一种基于强化学习的适应性微粒群算法(RPSO).首先将不同惯性权重调整策略视为粒子的行动集合;然后通过计算Q函数值.考察粒子多步进化的效果;进而选择粒_了最优进化策略,动态调整惯性权重,以增强算法寻找全局最优的...     

直觉模糊离散粒子群算法

在研究和分析离散粒子群算法(DBPSO)的基础上,提出一种基于直觉模糊熵的改进离散粒子群算法(IFDPSO).该算法以直觉模糊熵作为粒子群状态测度和速度变异的基本参数,同时加入了位置变异策略以保证算法在有限时间内尽可能多地遍历到次优位置及其邻域,增强了算法的全局寻优能力.实验数据表明,在求解较大规模整数规划问题(如0-1背包问题)时,IFDPSO比DPSO和蚁群算法(ACO)更为有效,从而为解决这类问题提供了新的途径和方法.     

多UCAV协同任务分配模型及粒子群算法求解

任务分配是多无人作战飞机(UCAV)协同控制的基础.对此,分析了影响任务分配的关键战技指标,建立了针对攻击任务的多UCAV协同任务分配模型.应用连续粒子群算法对问题进行求解,建立了粒子与实际问题间的映射,通过位置饱和策略构造粒子的搜索空间,采用自适应惯性权重提高粒子群算法的收敛速度和全局寻优能力.考虑到单机的任务载荷限制,引入了买卖合同机制以实现多机任务协调.仿真结果表明,所提出模型和算法可以较好地解决多UCAV协同任务分配问题.     

求解多维背包问题的蚁群-拉格朗日松弛混合优化算法

针对多维背包问题(MKP) NP-hard、约束强的特点, 提出一种高效的蚁群-拉格朗日松弛(LR) 混合优化算法. 该算法以蚁群优化(ACO) 为基本框架, 并基于LR 对偶信息定义了一种MKP效用指标. ACO使得整体算法具有全局搜索能力, 所设计的效用指标将MKP的优化目标与约束条件有机地融合在一起. 该指标一方面可以用来定 义MKP核问题, 降低问题规模; 另一方面, 可以用作ACO的启发因子, 引导算法在有希望的解区域中强化搜索. 在大量标准算例上的测试结果表明, 所提出算法的鲁棒性较好; 与其他已有算法相比, 在求解质量和求解效率方面均具有很强的竞争力.

     

A comparative study of the improvement of performance using a PSO modified by ACO applied to TSP

Swarm-inspired optimization has become very popular in recent years. Particle swarm optimization (PSO) and Ant colony optimization (ACO) algorithms have attracted the interest of researchers due to their simplicity, effectiveness and efficiency in solving complex optimization problems. Both ACO and PSO were successfully applied for solving the traveling salesman problem (TSP). Performance of the conventional PSO algorithm for small problems with moderate dimensions and search space is very satisfactory. As the search, space gets more complex, conventional approaches tend to offer poor solutions. This paper presents a novel approach by introducing a PSO, which is modified by the ACO algorithm to improve the performance. The new hybrid method (PSO–ACO) is validated using the TSP benchmarks and the empirical results considering the completion time and the best length, illustrate that the proposed method is efficient.     

一种基于拟态物理学优化的多目标优化算法

提出一种使用拟态物理学优化(APO)解决多目标优化问题的算法(MOAPO).根据多目标优化问题的特点,借鉴聚集函数法的思想,利用APO算法实现了对多目标优化问题中Pareto最优解集的搜索,并且在搜索过程中动态调整惯性权重与引力因子,以增强非劣解的多样性.实验结果表明了将APO应用于多目标优化问题的有效性.通过与基于微粒群优化(PSO)的多目标优化算法及NSGA-Ⅱ算法的比较,表明了MOAPO算法具有较好的分布性.     

加速收敛的粒子群优化算法

在基本粒子群优化算法的理论分析的基础上,提出一种加速收敛的粒子群优化算法,并从理论上证明了该算法的快速收敛性,同时对该算法中的参数进行了优化.为了防止其在快速收敛的同时陷入局部最优,采用依赖部分最差粒子信息的变异操作.最后通过与其他几种经典粒子群优化算法的性能比较,表明了该算法的高效和稳健,且明显优于现有的几种经典的粒子群算法.     

基于无约束优化和遗传算法的贝叶斯网络结构学习方法

基于无约束优化和遗传算法,提出一种学习贝叶斯网络结构的限制型遗传算法.首先构造一无约束优化问题,其最优解对应一个无向图.在无向图的基础上,产生遗传算法的初始种群,并使用遗传算法中的选择、交叉和变异算子学习得到最优贝叶斯网络结构.由于产生初始种群的空间是由一些最优贝叶斯网络结构的候选边构成,初始种群具有很好的性质.与直接使用遗传算法学习贝叶斯网络结构的效率相比,该方法的学习效率相对较高.     

基于混合策略自适应学习的并行粒子群优化算法

针对当前各种粒子群优化算法解决问题时存在的局限性,提出一种基于混合策略自适应学习的粒子群优化算法(HLPSO)。该算法从收敛速度、跳出局部极值、探索、开发几个不同角度融合了4种具有不同优势的变异策略,当面对不同形态的复杂问题时通过自适应学习机制选择出合适的策略来完成全局寻优。通过对7个标准测试函数的仿真实验并与其他算法相比较,所得结果表明了所提出的算法具有较快的收敛速度、较高的精度以及很强的跳出局部极值的能力。     

基于带特征染色体遗传算法的支持向量机特征选择和参数优化

鉴于支持向量机特征选择和参数优化对其分类准确率有重大的影响,将支持向量机渐近性能融入遗传算法并生成特征染色体,从而将遗传算法的搜索导向超参数空间中的最佳化误差直线.在此基础上,提出一种新的基十带特征染色体遗传算法的方法,同时进行支持向量机特征选择和参数优化.在与网格搜索、不带特征染色体遗传算法和其他方法的比较中,所提出的方法具有较高的准确率、更小的特征子集和更少的处理时间.