蚁群系统模型的比较及参数优化

蚁群算法是一种模拟进化算法，根据信息素更新策略的不同，蚁群系统模型分为蚁密系统、蚁量系统和蚁周系统。本文对三种模型的原理、特点进行研究，并通过仿真实验分析三种模型的性能及参数对其性能的影响，进而提出的参数优化规则，有利于蚁群算法在组合优化问题中的推广和应用。     

基于蚁群算法的高速公路入口匝道控制

提出一种具有普适性的蚁群算法,该算法对参数的转移概率和信息素的计算方法进行了改进,提高了算法的全局性能,将其用于高速公路入口匝道控制器的参数寻优.建立了高速公路交通流模型,结合非线性反馈理论设计了蚁群算法优化的入口匝道PI控制器,给出了蚁群算法优化的步骤,并用Matlab软件对控制器进行了仿真研究.仿真结果表明,基于蚁...     

蚁群算法在系统辨识中的应用

将传统用于离散空间问题求解的蚁群算法引入连续空间内的系统参数辨识问题求解, 定义了各智能单蚁的信息量分布函数和相应的系统辨识求解算法,并在线性系统参数辨识的实 例仿真中得到了很好的结果,显示了蚁群算法在连续空间优化问题中的应用前景.最后,对蚁群 算法在连续空间优化领域中的适用特征作了总结,并指出了今后进一步工作的方向.     

带混沌侦查机制的蚁狮优化算法优化SVM参数

蚁狮优化算法作为一种新的仿生智能算法,有许多有待完善和发展的方面。由于在算法迭代过程中蚁狮种群存在适应度相对较差的个体,若蚂蚁选定该蚁狮进行随机游走将会增加算法陷入局部极值的可能性,同时会影响算法的寻优性能。针对该问题,借鉴人工蜂群算法的侦查思想,在蚁狮原有信息的基础上引进混沌搜索机制,提出了一种带混沌侦查机制的蚁狮优化算法。该算法首先将排序蚁狮种群中适应度较差的个体定义为侦查蚁狮,并将其原始位置信息作为Fuch混沌映射的初始值,然后通过一定次数的混沌搜索迭代获得一个适应度值更优的位置再重新赋值给侦查蚁狮,以提高蚁狮种群的优良性和算法的寻优性能。最后将改进蚁狮优化算法用于支持向量机参数的优化中,以UCI标准数据库中的数据进行数值实验,结果表明改进算法具有较强的寻优性能和较好的算法稳定性。     

结合ABC算法动态分级的双蚁态蚁群算法

针对蚁群算法收敛速度慢、易陷入局部最优等问题，结合人工蜂群算法的分级思想，提出动态分级的双蚁态蚁群算法。根据适应度不同，将蚁群划分为寻优蚁和侦查蚁，并执行不同加权系数的动态信息素更新策略：寻优蚁负责较优路径的搜索，执行较大权重的信息素更新策略，以增强其导向性，提高算法收敛速度。侦查蚁则负责探索非较优路径，发现其他更优解，以保证算法多样性。然后，每次迭代结束则两类蚂蚁进行优良解交换，以提高解的质量。以旅行商问题为例，将其与经典蚁群算法、最新蚁群改进算法以及其他最新优化算法进行对比，其表现皆更优。     

融合改进蚁狮算法和T-S模糊模型的噪声非线性系统辨识

针对传统的T-S模糊辨识方法难以准确辨识含噪声的非线性系统问题,将噪声信号和系统的其他输入变量一起作为模糊前件的输入,采用具有动态随机搜索和寻优半径连续收缩机制的改进蚁狮算法优化模糊前件的结构参数,使用加权最小二乘法实现模糊后件的参数辨识.数值仿真表明,所提出的辨识方法可以有效抑制噪声的影响,经过改进蚁狮算法优化后的T-S模糊模型辨识效果更好.最后,将所提出方法用于直拉硅单晶生长热模型的辨识,实验结果表明该方法优于传统的辨识方法.     

狭义TSP小窗口蚁群算法研究

蚁窗^[1]算法是蚁群算法研究的重要进展之一。定义了大窗口和小窗口,指出经典蚁群算法实质上是大窗口蚁窗算法。研究表明,小窗口蚁窗直径的下限统计平均值约为5,使狭义TSP问题的计算复杂性由1/2（n-1）!降为5^n-1。     

基于改进蚁群优化的盲均衡算法研究

基本蚁群优化算法在信号的盲均衡处理中存在收敛速度慢、容易陷入局部最小的缺点.为了解决基本蚁群算法所存在的不足,文是通过修正基本蚁群算法的转移概率公式给出一种改进的蚁群优化盲均衡算法,建立了基于改进蚁群优化算法的 SIMO 系统盲检测模型,并对基于基本蚁群优化盲均衡算法和改进蚁群优化的盲均衡算法性能进行仿真.仿真分析结果表明,文中提出的改进算法能很好地恢复出未知的发送信号,同时提高了计算效率和加快了收敛速度,表现出了优于文献算法的良好性能     

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。     

一种基于蚁狮优化的极限学习机

极限学习机(Extreme Learning Machine,ELM)是一种高效率的单隐层前馈神经网络,由于其训练速度快与泛化性能好,在各个领域中都有广泛的应用。但是极限学习机随机生成输入权值与隐含层偏置矩阵,随机性影响训练模型的泛化性能与稳定性,降低模型分类的精度。为了解决这一问题,借鉴蚁狮优化算法中利用蚁狮种群中的多个个体进行并行寻优的能力,改进优化极限学习机的输入权值与隐含层偏置矩阵,得到一个分类精度更高模型。以UCI标准数据库中数据进行分类实验分析验证,实验结果表明,在5类UCI数据集上基于蚁狮优化的极限学习机(ALO-ELM)相比于PSO-ELM和SaDE-ELM具有更高的分类精度。     

基于改进型蚁群系统的多约束电路路由算法

分析现有路由算法的缺点,对蚁群系统工作模型和传送网多约束电路路由选择原则进行描述,指出传统蚁群系统在解决多约束路由选择问题中的不足,改进了传统蚁群系统。阐述采用改进后的蚁群系统的多约束电路路由选择算法过程,用实例验证了算法的有效性。     

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。     

双链量子蚁群系统及应用

针对现有量子蚁群算法构造、更新两条信息素链,但只选择一条链进行寻优操作的问题,提出了一种双链量子蚁群系统。该算法采用余弦和正弦双链蚂蚁寻优构造解空间,针对不同链上蚂蚁的特征构造了不同的路径选择策略;定义了信息素量子比特相位角的范围和量子信息素最大最小区间,给出了基于量子旋转门的量子信息素挥发与增强策略,运用了一种信息素的平滑机制以提高算法的性能;最后结合TSP算例对算法进行验证、比较与分析,仿真结果表明双链量子蚁群系统具有算法稳定、寻优能力强的特点。     

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     

多蚁群伪并行优化算法

针对传统蚁群算法容易出现早熟和停滞现象，提出了一种多蚁群伪并行优化算法，将蚁群分成若干个子蚁群，在各子蚁群中引入信息素平滑机制，通过设计迁移算子，使多个子蚁群并行、协同寻优，从而使算法跳离局部最优解。类比实验表明，该算法比传统的蚁群算法具有更好的搜索全局最优解的能力。     

动态蚁群算法求解TSP问题

蚂蚁群体能完成单个蚂蚁所无法完成的工作。它们通过称为信息素的物质交流信息而协同工作。蚂蚁在觅食活动中,在食物与巢穴之间的路径上留下信息素,较短路径信息素相对较浓,而蚂蚁倾向于沿信息素较浓的路径往返于巢穴与食物之间。经过一段时间后,就可发现从巢穴到食物的较短的路径。基于此原理,MarcoDorigo提出了蚁群算法,并首先用于求解TSP问题。该文从更多方面模仿真实自然界中蚂蚁的行为,更为合理地制定信息素动态挥发规则,提出动态蚁群算法并用于解决TSP问题,实验表明了该算法有较好的性能。     

基于蚁群算法车辆导航系统路由选择问题的研究

利用蚁群运动的遍历性、随机性和规律性特点,分析了车辆导航系统路由选择问题的蚁群优化算法,仿真结果 表明该方法是一种简单有效的算法。     

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。     

群智能蚁群算法及其改进策略研究

本文首先介绍了群智能理论的产生、蚁群的觅食行为以及蚂蚁的信息系统,其次介绍了蚁群算法的基本原理以及基本模型。最后对蚁群算法的改进策略和未来的发展方向进行了探讨。