蚁群遗传算法对于TSP问题的应用

遗传算法和蚁群算法是两种具有代表性的智能算法。在解决组合优化问题时,遗传算法具有较快的全局搜索能力,但在解决规模较大的TSP问题时存在一定缺陷,不能取得全局最优解。相反蚁群算搜索速度相对较慢,但有着较高的准确性,对于大规模问题有较好的效果。本文改进了两种算法,将蚁群算法与遗传算法融化起来,得到最优解。     

改进的蚁群算法求解旅行Agent问题

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点。旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent 为完成用户指定任务,在不同主机间移动时的迁移策略问题。在蚁群算法的基础上,引入变异运算,并且对蚁群算法的全局和局部更新规则进行改进,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移。仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法。     

蚁群遗传算法对于TSP问题的应用

遗传算法和蚁群算法是两种具有代表性的智能算法。在解决组合优化问题时,遗传算法具有较快的全局搜索能力,但在解决规模较大的TSP问题时存在一定缺陷,不能取得全局最优解。相反蚁群算搜索速度相对较慢,但有着较高的准确性,对于大规模问题有较好的效果。本文改进了两种算法,将蚁群算法与遗传算法融化起来。首先借助遗传算法的快速搜索能力,快速接近最优解,通过求解结果为蚁群算法设置初始信息量,再借助蚁群算法进行最终结果的求解,得到最优解。经过计算机仿真发现,在一定情况下,新的改进算法对TSP问题的求解能力有一定提高。     

基于任务权重蚁群算法在Agent迁移中的应用

针对移动Agent在路径迁移的问题,提出了基于Agent任务权重的改进蚁群算法。该方法是将Agent任务权重的思想应用到蚁群路径信息素的更新当中,使任务权重较大的Agent有权去更新所经过的路径上的信息素,从而提高该算法的全局搜索能力。实验结果表明,相比现有的Agent迁移中路径选择的蚁群算法,提出的改进蚁群算法,在提高该算法的搜索全局最优解的能力的基础上,能更好地提高多任务的Agent系统的运行效率。     

基于多群智能算法的云计算任务调度策略

为提高云计算任务调度的服务质量(QoS),提出一种多群智能算法的云计算任务调度策略。首先利用全局搜索能力强的遗传算法快速找到云计算任务调度问题的较优解,然后将较优解转换成蚁群优化算法的初始信息素,最后通过蚂蚁间的信息交流和反馈找到云计算任务调度的全局最优解。以CloudSim为仿真平台进行了模拟实验,结果表明,与同类算法相比,多群智能算法不仅大幅提高了云计算任务调度效率,而且减少了处理请求任务的平均完成时间。     

遗传算法与蚂蚁算法的融合

遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，当求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低．蚂蚁算法是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度慢，算法是将遗传算法与蚂蚁算法融合，采用遗传算法生成信息素分布，利用蚂蚁算法求精确解，优势互补，仿真表明取得了非常好的效果。     

蚁群算法在移动Agent迁移中的应用研究

移动Agent提供了一种全新的分布计算范型 .移动Agent技术给分布式系统的设计、实现和维护都带来了新的活力 .旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent在不同主机间移动时如何根据移动Agent的任务和其他约束条件来规划最优的迁移路线 .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,是一种解决旅行Agent问题的有效手段,受到了广泛的关注,但它与其他进化算法一样存在易陷入局部最小的缺点 .在蚁群算法的基础上,通过修改它的信息素轨迹更新规则,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移 .仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法 .     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

微粒群优化算法在基站分布规划中的应用

微粒群优化算法（PSO）是一种具有全局随机优化的智能算法。该算法编程简单,鲁棒性强,并行运算能力强,能以较快的速度收敛至全局最优解。本文在PSO的思想基础上提出了一种改进搜索方向,降低“早熟”概率的方法,即结合遗传算法,引入了爬坡算子。本文并将该改进算法应用于基站分布规划的研究中,实验仿真结果表明,利用该改进算法能提高基站覆盖率,降低经济成本。     

基于二进制粒子群与遗传算法的数据分配研究

针对目前分布式数据库数据分配方法法存在寻求最优分配方案和运行效率等问题的不足,在基于改进的遗传算法的数据分配方法基础上,引入二进制粒子群算法,提出了一种基于二进制粒子群与遗传算法的数据分配方法,既具有二进制粒子群算法的运行速度快、记忆功能好等特点,又具有遗传算法的全局搜索能力、变异能力等特点。该分配方法能够提高搜索效率,并且快速有效地获得全局最优解。实验结果表明,所提出的数据分配方法在搜索全局最优解方面优于基于遗传算法的分配方法,在搜索速度方面比枚举法的分配方法和基于遗传算法的分配方法更快。     

基于一种改进的遗传算法的空间聚类分析

空间数据挖掘是数据挖掘的一个研究分支。空间聚类分析是空间数据挖掘的一个重要的研究领域。传统的K-均值方法用于聚类具有收敛速度快、算法实现简单等特点,但容易陷入局部最优,并对初始解敏感。遗传算法是一种全局搜索算法,但是收敛速度较慢。提出一种改进的遗传算法进行聚类,该算法通过全局搜索与局部搜索相结合,取得较好效果。实验表明:文中提出的算法在聚类分析中搜索到全局最优解(或近似全局最优解)的能力要优于经典的K-均值聚类算法,且局部收敛速度和全局收敛性能较好。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

基于约束区域神经网络的动态遗传算法

提出一种基于约束区域神经网络的动态遗传算法,将遗传算法的全局搜索和约束区域神经网络模型的局部搜索结合了起来.利用动态遗传算法确定神经网络模型的初始点,同时使用神经网络确定动态遗传算法的适应度函数.该算法具有一定的理论意义和生物意义.与标准的遗传算法相比,缩小了搜索规模,可获得不定二次规划问题更好的近似最优解.     

原对偶遗传与蚁群算法的融合

原对偶遗传算法(PDGA)较好地保持了种群的多样性和较强的稳定性,改善了在搜索空间里的搜索能力,使搜索更为有效,但没有利用系统中的反馈信息,导致无为的冗余迭代,求解效率不高。而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢。通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种全局寻优性能好,稳定性强,效率高的启发式算法,通过仿真计算,表明融合算法的性能优于遗传算法,原对偶遗传算法和蚁群算法。     

多阶段动态扰动和动态惯性权重的布谷鸟算法

针对布谷鸟仿生智能优化算法存在着的易陷入局部最优、求解精度低以及收敛速度慢等问题,提出了基于多阶段动态扰动和动态惯性权重的布谷鸟搜索算法（MACS）。利用多阶段动态扰动策略对布谷鸟算法的全局位置的最优鸟巢位置根据方差可调的正态随机分布进行扰动,有利于增加种群的多样性和鸟窝位置的灵活性,提高算法全局搜索能力。在局部位置处引入动态惯性权重,使得算法有效克服易陷入局部最优的缺陷,提高局部寻优搜索能力。引入了动态切换概率[p]代替固定概率,可以动态平衡全局搜索和局部搜索。通过与4种算法相比和11个测试函数的仿真结果表明：改进布谷鸟算法（MACS）的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

一种引入奖励与惩罚机制的蚁群算法

蚁群算法是一种新型的仿生类算法，大量实验表明该算法具有较强的搜索最优解的能力，但同时与其它进化算法一样存在搜索速度慢，易于陷于局部最优的缺陷。为了克服蚁群算法在这方面的不足，该文通过引入奖励与惩罚机制，在蚂蚁搜索最优解的过程中，根据每次循环后的搜索结果，对蚁群算法中信息素更新的方法进行自适应调整，以达到从可行解中寻求尽可能好的解（满意解）的目的。通过与ACS算法的对比实验表明本算法在搜索速度和性能方面都有更好的效果。     

综合反向传播算法

提出一种用于多层前向神经网络的综合反向传播 算法。该算法使用了综合考虑了绝对误上对误差的广义指标函数,采用了在网络输出空间搜索的反传技术。     

自适应调整挥发系数的逆向蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生并行智能进化系统。它具有很多优良的性质,但同时也存在一些缺点,如运算过程中收敛速度慢,易出现停滞现象等。基于上述不足提出了一种自适应地调整挥发系数的逆向蚁群算法,在逆向蚁群算法的基础上自适应调整挥发系数ρ,提高了算法的性能,使算法比传统蚁群算法相比不仅更有利于全局寻优而且对其收敛速度有了很大地提高。将该算法用于旅行商问题,模拟计算结果显示该算法具有更强的全局最优解搜索能力,收敛速度上也有很大提高。     

一种两级混合遗传算法的结构与性能

遗传算法的搜索能力很强,但容易陷入早熟。在遗传算法的基础上,提出一种将二级遗传算法混合使用的新算法。新算法用第一阶段的遗传搜索进行全解空间的搜索,第一阶段的搜索结果经过范围缩减策略后,为第二阶段的遗传搜索提供一个改善了的搜索空间,使第二阶段的搜索能够有效地接近全局最优点,克服了早熟现象。通过实例,与其它改进遗传算法相比,新算法在收敛精度上有所提高。