求解TSP问题的蚁群优化算法研究进展

从有效解决TSP问题的角度出发,系统地介绍了蚁群算法的基本原理和算法流程,简述了部分具有代表性的蚁群算法改进模型,提出了一种将蚁群系统纳入文化算法框架所形成的文化蚁群系统模型及其主要创新点,分析和设计了种群进化和文化进化协同进化机制,从而展示出文化进化在智能计算中对种群进化的指导作用及其加速种群进化的重要意义,并对该模型在今后的研究方向作了展望.     

针对混合变量优化问题的协同进化蚁群优化算法

针对由连续变量和分类变量构成的混合变量优化问题（MVOP）,采用协同进化策略来对混合变量决策空间进行搜索,提出了一种协同进化蚁群优化算法（CACOA_MV）。CACOA_MV分别采用连续和离散蚁群优化（ACO）策略生成连续和分类变量子种群,通过合作者来对连续和分类变量子向量进行评价,分别对连续和分类变量子种群进行更新来实现对混合变量决策空间的高效协同搜索。进一步地,利用信息素平滑机制增强对分类变量解空间的全局探索能力,并设计了一种面向协同进化框架的“最佳+随机合作者”的重启策略来提高协同搜索效率。与混合变量的蚁群（ACO_MV）算法和种群规模线性变小的差分进化-蚁群混合变量优化算法（L-SHADE_ACO）的比较表明,CACOA_MV能够进行更有效的局部开发,从而提高最终结果在目标空间中的近似精度;与基于集合的混合变量差分进化算法（DE_MV）相比较,CACOA_MV能够在决策空间中更好地逼近全局最优解,具有更好的全局探索能力。综上,采用协同进化机制的CACOA_MV能有效保持全局探索和局部开发的平衡,从而具有更好的寻优性能。     

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．     

基于文化算法的家庭服务机器人任务规划

通过对家庭服务机器人任务规划问题进行形式化描述,给出了问题的求解模型,提出了一种改进的文化算法,通过算法中信念空间和种群空间的相互联系和相互促进实现求解。算法采用独特的编码方式,其种群空间采用遗传算法作为进化手段,采用较为独特的信念提取方式构造算法的信念空间并促使其进化。将该算法用于家庭服务机器人大赛的仿真平台上,证明其有效性。     

基于文化蚁群算法的三维飞行器航路规划

研究飞行器航路规划问题时,由于目标函数复杂,计算量大,采用蚁群算法,存在航路搜索速度慢,容易陷入局部最优从而得不到最优航路的问题,把蚁群算法嵌入到文化算法中,提出了一种文化蚁群算法来解决航路规划问题.计算模型包括蚁群算法的群体空间和利用群体空间最优解的信仰空间.群体空间的群体演化采用蚁群系统,并加入了奖惩机制.信仰空间由群体空间中的最好个体组成,并利用遗传算法的思想进行更新,以指导群体空间的进化.仿真结果表明,提出的算法拥有更快的搜索速度,得到的航路也更好.     

一种改进的量子蚁群算法及其应用

将量子群进化算法（QEA）与蚁群系统（ACS）进行融合,提出一种新的量子蚁群算法（QACA）。该算法的核心是在蚁群系统（ACS）中引入量子算法中的量子的态矢量和量子旋转门来分别表示和更新信息素,从而在全局寻优能力和种群多样性方面比蚁群算法有所改进。结合旅行商问题（TSP）,对算法进行了测试,得到了与现有文献结果相同或更好的解,表明该算法具有较强的问题求解能力。     

文化算法研究

文中介绍一种新的进化计算构架——文化算法。文化算法分别从微观（种群空间）和宏观（信念空间）两个层面上模拟文化的双重进化继承过程。从进化角度看,任何一种符合文化算法要求的计算构架或符号表达都能被用来描述文化算法框架中的种群空间和信念空间。文中叙述了文化算法的发展背景,阐述了文化算法的特点、适用范围及基本原理,回顾了其发展历程以及应用,给出了结论和进一步的研究方向。     

基于信息素扩散机制的双种群蚁群优化算法

针对基本双种群蚁群算法在进化中容易出现早熟、停滞的现象,对算法进行了改进.在双种群蚁群分别独立进化、定期进行信息交换的基础上,提出一种新的蚁群优化算法,通过建立信息素扩散模型,并在每种蚁群的局部信息素更新上采用扩散模型,使蚂蚁更好的发挥了协作能力.以旅行商(Travel Salesman Problem,TSP)问题为例的仿真实验表明,该算法比基本双种群蚁群算法具有更好的收敛速度和寻优能力.     

作业车间调度问题的文化算法

构造用于作业车间调度问题的文化算法,模拟文化的进化实现对问题的寻优,通过算法中信念空间和种群空间的相互联系和相互促进实现求解。算法采用固定优先表编码方式,其种群空间采用遗传算法作为进化手段,采用较独特的信念提取方式构造算法的信念空间并促使其进化。将该算法应用于作业车间调度问题标准实例,证明其有效性。     

基于变异操作的蚁群算法用于连续函数优化

介绍了基本蚁群算法的数学模型,在一种新的连续空间分解方法的基础上,对信息素更新方式进行了改进,采用信息素局部更新和自适应的信息素全局更新相结合的方式,以提高算法的收敛速度。引入了进化算法中的变异操作,对寻优过程中每次迭代的最优解进行变异,增加了种群的多样性,避免算法的早熟,以提高改进后蚁群算法的全局收敛性能。实验结果表明,提出的基于变异操作的蚁群算法在连续函数寻优上有更好的收敛速度和收敛性能。     

基于蚁群遗传混合算法的QoS组播路由

具有延迟、延迟抖动、带宽、丢包率等服务质量约束的组播路由问题具有NP完全的复杂度。基于蚁群优化算法和遗传算法,提出解决QoS约束组播路由问题的混合算法。利用遗传算法和蚁群优化算法各自的优点,使用蚁群优化算法选择种群,遗传算法优化蚂蚁遍历所得到的解。仿真实验结果表明,该算法可满足各个约束条件,且全局寻优性能好,能够满足网络服务质量要求。     

基于改进ACO算法的印制电路板装配研究

引入带顺序相关切换时间的单机带权延期模型,研究印制电路板(PCB)装配中单生产线多板型的调度问题,使用改进的蚁群优化(ACO)算法对其进行求解。在改进算法中,使用带禁忌表的信息素更新策略防止算法过早收敛,以多线程方式实现局部搜索,通过路径池使局部搜索与蚁群进行交互和通信。测试结果表明,改进算法可以有效提高PCB装配效率,降低生产任务延期率。     

一种高效的三维轮廓曲线匹配算法

针对三维碎片自动拼接中的碎片匹配问题,提出一种高效的轮廓曲线匹配算法。用B-样条曲线表示三维空间曲线,并计算轮廓曲线上各个点的曲率、挠率和法矢,在匹配过程中,对轮廓特征点按其邻域曲面片进行分类,根据特征点类型标志及特征段之间的欧式距离对不同轮廓上的特征段进行相似性度量,再利用法矢对相似性较高的轮廓段进行可匹配性验证。实验结果证明该算法是稳定、高效的。     

两阶段流水车间批调度问题的蚁群优化算法

针对差异工件(工件尺寸不同)两阶段流水车间的批处理机调度问题,提出一种以最小化加工时间跨度为目标的蚁群优化算法.根据批中工件在每阶段加工时间的相似程度(标准差衡量),得到一个能够提高批中工件加工时间相似水平的启发式信息.同时,改进蚁群算法的编码方案,并引入局部优化算法来提高优化性能.仿真结果表明,与现有算法相比,该算法在工件规模较大的情况下具有较好的求解性能.     

新的融合算法在机器人路径规划中的应用

机器人路径规划一直是机器人学领域的一个非常重要的研究课题。提出了一种基于蚁群粒子群算法融合的机器人全局路径规划算法,该方法有效地结合了蚁群算法和粒子群算法的优点,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;然后利用蚁群算法的并行性、正反馈性、求解精度高等优点,求得全局最优解。仿真实验结果证明了该方法的有效性和可行性。     

改进蚁群算法及其在高光谱影像分类中的研究

针对高光谱影像波段数目多,易造成维数灾难的问题,结合遗传算法提供的初始启发信息和蚁群算法寻优能力的优势,提出一种基于改进二进制蚁群算法的波段选择方法。该方法通过遗传算法寻优获取几组较优解,经过计算后作为二进制蚁群算法的初始启发式信息,利用二进制蚁群算法的全局搜索获取最优解;另一方面,为充分利用影像的光谱与空间信息,将波段组合的光谱特征与改进二进制蚁群算法选择的纹理特征融合进行分类,可以获得更高的分类精度。实验结果表明,改进二进制蚁群算法与遗传算法、蚁群算法、二进制蚁群算法相比全局搜索能力更强,且该方法分类精度达到95.63%。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

基于蚁群算法的喷涂机器人路径排序优化

研究喷涂机器人自动路径规划系统中的路径排序和组合问题,考虑路径顺序和喷涂方向的特点,引入开环的广义旅行商问题框架进行建模,并建立相应的优化目标和代价矩阵。利用蚁群优化算法的并行性和正反馈性对问题进行求解,保证算法的全局搜索能力和收敛性。仿真实验结果证明了该方法的有效性。     

蚁群优化的无线传感器网络分簇方法研究

分簇算法是无线传感器网络中减少网络能量消耗的一种重要方法。为了有效使用无线传感器节点有限的能量,将蚁群优化算法应用于无线传感器网络的路径选择,利用蚁群的动态适应性和寻优能力,在分簇产生的簇头节点之间找到最优路径,进而达到均衡网络负载、延长整个网络寿命的目的。模拟仿真实验结果表明了该算法的可行性和有效性。     

改进蚁群算法和支持向量机的网络入侵检测

为了提高网络入侵检测的正确率,提出一种改进蚁群优化算法（ACO）和支持向量机（SVM）相融合的网络入侵检测方法（ACO-SVM）。将SVM模型参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到SVM最优参数,采用最优参数建立网络入侵检测模型。利用KDDCUP99数据集对ACO-SVM性能进行测试,结果表明,ACO-SVM提高了网络入侵检测正确率,降低了误报率,可以为网络安全提供有效保证。