基于混合行为的蚁群双序列比对方法

针对基本蚁群算法在双序列比对中存在的易陷入局部最优解及收敛慢的问题,提出了一种新的基于混合行为的蚁群双序列比对算法,该算法通过增加蚂蚁行为模式来增大搜索空间,并且通过改变信息素更新策略来加快收敛速度。实验表明,该算法得到的解的全局性和收敛速度相对基本蚁群算法都有较大提高。     

求解多重序列比对问题的蚁群算法*

多重序列比对是生物信息学特别是生物序列分析中一个重要的基本操作。提出求解多重序列比对问题的蚁群算法,利用人工蚂蚁逐个选择各个序列中的字符进行配对。在算法中,蚂蚁根据信息素、字符匹配得分以及位置偏差等信息决定选择各序列中字符的概率,通过信息素的更新与调节相结合的策略较为有效地解决了局部收敛的问题,加强了算法寻求全局最优解的能力。另外在该算法的基础上,提出了基于分治策略的多序列比对蚁群求解算法,不但减少了原算法的计算时间,而且显著改善了算法所求得的解的质量。     

基于改进蚁群算法的多态蠕虫特征提取

多态蠕虫特征提取是基于特征的入侵检测的难点,快速提取出精确程度更高的多态蠕虫特征对于有效防范蠕虫的快速传播有着重要的作用。针对层次式的多序列匹配(HMSA)算法进行多序列比对的时间效率较低和由迭代方法提取出的特征不够精确等问题,提出了基于改进蚁群算法的多态蠕虫特征提取方法antMSA。该方法首先对蚁群的搜索策略进行了相应的改进,并将改进后的蚁群算法引入到奖励相邻匹配的全局联配(CMENW)算法中,利用蚁群算法快速收敛能力,在全局范围内快速生成较好解,提取出多态蠕虫的特征片段;然后将其转化为标准入侵检测系统(IDS)规则,用于后期防御。实验表明,改进后的蚁群算法能够较好地克服基本蚁群算法的停滞现象,扩大搜索空间,能够有效提高特征提取的效率和质量,降低误报率。     

自适应蚁群算法在DNA序列比对中应用研究

研究基因DNA序列比对校准问题。由于DNA序列数据量较大,给序列比对造成了很大的复杂性,而传统的聚类算法在分析DNA序列比对数据时的低效性和分类精度低问题缺陷,提出了一种基于改进的自适应蚁群算法的DNA序列比对算法。首先给出一个计分函数和一个得分策略,再任意给出一对DNA序列,建立一个序列比对矩阵。根据蚂蚁所走过的方向和得分比例来计算序列,同时信息素的变化量采用矩阵来存储,经过有限次迭代,蚂蚁找到一条最优路径,最终一条就是与原来DNA最相似的DNA链。实验结果表明,改进的算法具有一定的时间和精度的优越性,更适于解决大规模DNA序列数据比对问题。     

智能蚂蚁算法--蚁群算法的改进

蚁群算法是一种解决组合优化问题的有效算法。在蚁群算法的基础上，提出了一种新的启发式搜索方法——智能蚂蚁算法。智能蚂蚁算法与蚁群算法相比，主要在以下四点进行了改进：第一，取消了外激素；第二，自动调整选择最优路径的比例；第三，目标城市的选择方法不同；第四，引入扰动以避免陷入局部优化。实验结果表明，智能蚂蚁算法可以在减少计算量的同时，取得更好的搜索结果。     

一种新型求解多序列比对问题的方法

多序列比对问题是生物信息科学中一个非常重要且具挑战性的课题,并已经被证明属于问题.为了克服以往算法中的求解速度慢的缺点,本文提出了一种基于遗传算法和蚁群算法的算法来求解的新方法,在单独使用遗传算法的基础上再使用蚁群算法来进行局部搜索以便更快速地求得解.实验结果表明,遗传-蚁群算法能有效地求解多序列比对问题.     

基于混合多种群自适应蚁群算法的无人机航路规划

针对基本蚁群算法在航路规划中易于过早陷入局部最优解,对蚁群算法进行了改进;提出了具有多种群的蚁群算法,并将导引因子引入到状态转移策略中,减少蚂蚁局部搜索的盲目性,确保蚂蚁最终完成航路搜索;当算法陷入局部收敛时,通过交换各种群的信息素,并对每个种群的挥发系数进行自适应调整,从而扩大了搜索空间,提高了搜索全局性;最后在代价函数简化后的栅格图中对改进算法进行了仿真;仿真结果表明,该方法可以有效防止算法陷入局部最优,是一种有效的航路规划方法.     

基于蚁群遗传算法的氨基酸序列比对方法

蚁群遗传算法是在蚁群算法的基础上用遗传算法对其参数进行优化而产生的一种改进算法。把蚁群遗传算法应用于生物信息学中的氨基酸序列比对上，从而提出了一种新颖的蚁群遗传序列比对算法，实验结果表明这种新颖的序列比对算法是非常有效的。     

多重序列比对的蚁群算法

序列多重比对是生物信息学特别是生物序列分析中的一个重要的操作.提出了一种解决多重序列比对的蚁群算法,利用了人工蚂蚁逐个选择各个序列中的字符进行配对.在算法中,蚂蚁根据信息素、字符匹配得分以及位置偏差等信息决定选择各序列中的字符的概率,通过信息素的更新与调节相结合的策略,以及参数的动态自适应调节方法,较为有效地解决了局部收敛的问题,加强了算法寻求全局最优解的能力.实验显示,该算法可以有效解决多重序列比对问题.     

基于蚁群算法的噪声图像边缘检测

针对噪声图像边缘检测问题,提出了一种基于改进蚁群算法的边缘检测方法。算法对蚁群算法收敛速度慢,易收敛于局部最优解的缺点进行了优化,引入了改进的蚂蚁生命周期策略,综合考虑像素邻域差和图像边缘曲线连续性等因素来确定启发式引导函数,在蚂蚁搜索起始点的选取、蚂蚁路径选择策略、信息素更新策略、启发因子的选择等方面提出了优化,实验证明,算法在收敛速度和边缘检测效果上相比传统蚁群算法有了较明显的改善,是一种较为有效的边缘检测方法。     

改进蚁群算法在电力线路检修计划中的应用

为了提高制定电力线路检修计划的效率,结合图论中的图着色问题,对辽宁省电力有限公司的线路检修计划进行了制定。在制定的过程中采用了改进的蚁群算法,其算法的核心是蚂蚁的数量随着迭代次数的不同由多变少,增强局部搜索能力,再由少变多,增强全局搜索能力。该算法利于跳出局部最优点,循环变化,在一定程度上防止在寻优过程中过早出现停滞现象。改进蚁群算法的优点是在求得满意解的基础上,大大提高了算法的速度。仿真实验结果表明,新算法的寻优效率优于基本的蚁群算法。     

Improved auto control ant colony optimization using lazy ant approach for grid scheduling problem

An auto controlled ant colony optimization algorithm controls the behavior of the ant colony algorithm automatically based on a priori heuristic. During the experimental study of auto controlled ACO algorithm on grid scheduling problem, it was observed that the induction of lazy ants not only reduces the time complexity of the algorithm but also produces better results on the given objectives. Lazy ants are basically a mutated version of active ants that remain alive till the fitter lazy ants are generated in the successive generations. This work presents an improved auto controlled ACO algorithm using the lazy ant concept. Performance study reveals the efficacy and the efficiency achieved by the proposed algorithm. A comparative study of the proposed method with some other recent meta-heuristics such as auto controlled ant colony optimization algorithm, genetic algorithm, quantum genetic algorithm, simulated annealing and particle swarm optimization for grid scheduling problem exhibits so.     

基于改进蚁群算法的贴片机贴装过程优化

为提高贴片机生产效率,对贴片机贴装过程中的元器件拾取贴放顺序进行优化,提出一种改进的蚁群算法。该算法将分散搜索算法中的参考解集引入到cunning蚁群系统中,使其参与到蚁群对解的搜索,从而提高算法的全局搜索能力。实验结果表明,该算法在多数情况下能够搜索到优于传统cunning蚁群系统的解。     

Genetic algorithm with ant colony optimization (GA-ACO) for multiple sequence alignment

Multiple sequence alignment, known as NP-complete problem, is among the most important and challenging tasks in computational biology. For multiple sequence alignment, it is difficult to solve this type of problems directly and always results in exponential complexity. In this paper, we present a novel algorithm of genetic algorithm with ant colony optimization for multiple sequence alignment. The proposed GA-ACO algorithm is to enhance the performance of genetic algorithm (GA) by incorporating local search, ant colony optimization (ACO), for multiple sequence alignment. In the proposed GA-ACO algorithm, genetic algorithm is conducted to provide the diversity of alignments. Thereafter, ant colony optimization is performed to move out of local optima. From simulation results, it is shown that the proposed GA-ACO algorithm has superior performance when compared to other existing algorithms.     

基于改进的边缘检测蚁群算法的大米轮廓检测

在蚁群算法的基础上针对大米轮廓检测提出了一种改进的边缘检测蚁群算法。该算法能有效地检测出米粒的边缘信息,解决了传统大米颗粒检测方法的不稳定和不精确等问题。与此同时,还将其结果与原蚁群算法、Roberts、Sobel和Prewitt等边缘检测算子对图像处理的结果进行了研究对比,实验结果表明,采用改进的边缘检测蚁群算法对大米粒形的检测效果较好,正确率较高,且具有适应性强、效率高等特点。     

基于16方向24邻域改进蚁群算法的移动机器人路径规划

为了提高蚁群算法的路径寻优效果和搜索效率,提出一种改进的蚁群算法,用于移动机器人在栅格环境下的路径规划.在标准蚁群算法中,蚂蚁的搜索方式一般是4方向4邻域或者8方向8邻域,在此基础上提出一种16方向24邻域的蚂蚁搜索方式,给出蚂蚁的移动规则;针对启发信息,结合向量夹角的思想设计2种启发信息的计算方法,通过实验分析两种计算方法的使用特点;在转移概率部分引入转移概率控制参数,通过调整转移概率控制参数可以调控算法的搜索范围.最后,在不同规模的栅格地图环境下,通过实验仿真验证所提算法的有效性.     

基于细菌觅食的改进蚁群算法

蚁群算法是模仿蚂蚁觅食行为的一种新的仿生学智能优化算法。针对其收敛速度慢和易陷入局部最优的不足,将细菌觅食算法和蚁群算法相结合,提出一种细菌觅食 蚁群算法。在蚁群算法迭代过程中,引入细菌觅食算法的复制操作,以加快算法的收敛速度;引入细菌觅食算法的趋向操作,以增强算法的全局搜索能力。通过经典的旅行商问题和函数优化问题测试表明,细菌觅食 蚁群算法在寻优能力、可靠性、收敛效率和稳定性方面均优于基本蚁群算法及两种改进蚁群算法。     

改进蚁群算法的配电网网架优化规划方法

利用改进蚁群算法对配电网络进行规划,将该算法应用到辐射型配电网络中。在己知各配电变电站供电范围的基础上,利用蚁群算法特有的路径寻优功能进行配电网布局,并处理蚂蚁留下的信息素,以方便地求得配电网络规划问题的最优或近似最优解。通过具体的算例证明,改进的蚁群算法具有更优的全局搜索能力,提高了算法的收敛速度。