群体智能优化算法

群体智能优化算法利用群体的优势,在没有集中控制并且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础.介绍了两种群体智能算法模型:蚁群算法模型和粒子群算法模型,研究了两种算法的原理机制、基本模型、流程实现、改进思想和方法;通过仿真把蚁群算法与其他启发式算法的计算结果作对比,验证了蚁群算法具有很强的发现较好解的能力,不容易陷入局部最优;微粒群算法保留了基于种群的、并行的全局搜索策略,采用简单的速度-位移模型操作,在实际应用中取得了较高的成功率.     

群体智能典型算法研究综述

群体智能是指无智能的或具有简单智能的个体通过协作表现出群体智能行为的特性,它在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题求解方案提供了基础。群体智能潜在的并行性和分布式特征使之成为计算机领域一个重要的研究方向。在介绍群体智能模型的基础上,分别对基于该模型的蚁群优化算法和粒子群优化算法这两类代表性算法进行较为详尽的归纳阐述并进行比较,最后就目前应用最为广泛的蚁群算法对群体智能的发展趋势进行展望。     

群智能算法优化SVR预测模型的应用与分析

群体智能是基于生物群体行为规律的智能计算技术,常用以解决参数寻优等问题;作为群体智能的两种典型算法,蚁群算法和粒子群算法应用极为广泛;文章分析了标准蚁群算法和粒子群算法的不足,分别采用改进的蚁群算法和粒子群算法对支持向量机回归模型参数进行优化,并以钕铁硼吸氢阶段合金氢含量预测为例,通过MATLAB对改进后的预测模型进行了仿真验证,最终给出了两种方法优化后,模型的预测效果及性能对比;仿真结果表明,改进的群体智能算法对工艺优化控制有着重要的意义。     

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。     

室内环境下基于最优路径规划的PSO-ACO融合算法

为了使移动机器人在室内障碍物环境下寻找到达指定目的地的最优路径,提出了一种基于粒子群算法(PSO)和蚁群算法(ACO)的改进路径规划的PSO-ACO融合算法。PSO-ACO融合算法针对粒子群算法中粒子容易早熟引起的局部最优问题,采用蚁群算法获得全局最优解;同时有效地解决了粒子群算法中粒子多样性、种类少,以及蚁群算法中初始化信息素匮乏及耗时过多的问题。仿真结果表明,与粒子群算法和蚁群算法相比,PSO-ACO融合算法在提高算法的全局搜索能力和搜索速度的前提下,极大地改善了算法寻找最优解的能力,实现了最优路径的规划。     

融合粒子群与改进蚁群算法的AUV路径规划算法

针对传统蚁群算法在处理自主式水下机器人AUV（Autonomous Underwater Vehicle）三维路径规划问题时存在初期寻径能力弱、算法收敛速度慢等问题,提出一种融合粒子群与改进蚁群算法的AUV路径规划算法PSO-ACO（Particle Swarm Optimization-improved Ant Colony Optimization）。基于空间分层思想建立三维栅格模型实现水下环境建模;综合考虑路径长度、崎岖性、危险性等因素建立路径评价模型;先使用粒子群算法预搜索路径来优化蚁群算法的初始信息素;再对蚁群算法改进状态转移规则、信息素更新方式并加入奖惩机制实现全局路径规划。实验表明,算法能有效提高初期寻径能力和全局搜索能力,减少收敛迭代次数并缩短搜索使用时间。     

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。     

一种并行的多群蚁群算法研究与应用

针对蚁群算法易出现早熟收敛的缺陷,蚁群按照一定比例分解为具有启发信息的多种群,同时利用多核系统发挥蚁群算法并行性,提出一种并行的多群蚁群算法。该算法在初始化蚁群时产生带有启发信息的多种群,多种群采用多核系统并行处理方式相对独立求解最短路径。在求解过程中每个群体可分享路径信息,当某个种群求解到最短路径时即生成整个群体全局最短路径,从而保证种群多样性,算法求解速率及全局搜索均衡性。实验以Visual Studio2005中C＋＋编程实现仿真,结果表明此算法不但能有效求解GIS的最短路径,而且综合改善了算法性能。     

电梯群控系统的最优调度仿真

在电梯群控节能优化问题的研究中,电梯群控调度是一个开放、动态、复杂系统的多目标优化问题。但是目前大多数群控系统都采用了乘客最少候梯时间的原则来派梯,并没有从电梯的能源消耗等综合因素来调度电梯,从而降低了电梯群控系统的调度性能。并且传统的调度方法在全局收敛性上不能得到很好的满足。为此提出一种蚁群算法的电梯群控系统来进行最佳电梯调度,利用乘客的候梯时间、电梯耗能和电梯拥挤度作为算法的变量数据,并且建立多目标评价函数的蚁群优化模型的控制器,通过蚁群算法进行仿真,验证了蚁群算法对电梯群控得到良好效果,并解决了电梯群控制器对电梯调度单一和全局快速收敛性的问题,为提高电梯群控调度性能提供了参考。     

基于群体智能理论的聚类模型及优化算法

聚类是一种把整个数据库分成不同的群组,使群与群之间差别很明显,而同一个群之间的数据尽量相似的算法。该文通过对现有群体智能理论和聚类算法的研究,提出了一种基于群体智能理论的聚类模型,并在此基础上给出了一种优化蚁群聚类算法。实验证明,该优化蚁群算法具有良好的聚类效果,可应用于经济分析、模式识别、文档归类等多个领域。     

基于群集智能的蚁群优化算法研究

群集智能是近年来人工智能领域研究的一个新的热点课题。介绍了这一研究的思想方法和数学模型，以蚂蚁群体的智能行为研究对象，阐述了基于群集智能的蚁群优化算法，并介绍了该算法的工程应用。     

群智能算法的研究进展

群智能是一种仿生自然界动物昆虫觅食筑巢行为的新兴演化计算技术。目前主要的群智能优化算法有蚁群算法、微粒群算法和人工鱼群算法。本文介绍了群智能算法的产生、发展和优点,并着力阐述了上述三种典型算法的基本原理,同时概述了各算法的应用现状,最后提出了算法将来有待研究的内容。     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

混合智能算法在多约束优化问题中的应用*

提出了一种将蚁群算法、遗传算法和粒子种群优化融合的混合智能算法来解决多约束最优路径和QoS路由问题。采用蚁群算法进行寻径生成初始群体,利用遗传算法对路径进行优化,利用PSO算法来优化蚁群算法中的信息素,优势互补。仿真结果表明该算法是可行、有效的。     

随机微粒群优化算法

微粒群优化算法是继蚁群算法之后又一种新的基于群体智能的启发式全局优化算法，其概念简单、易于实现，而且具有良好的优化性能，目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时，算法易陷入局部最优。该文结合模拟退火算法的思想，提出了一种改进的微粒群优化算法——随机微粒群优化算法，该算法在运行初期具有更强的探索能力，可以避免群体过早陷入局部极值点。基于典型高维复杂函数的仿真结果表明，与基本微粒群优化算法相比，该混合算法具有更好的优化性能。     

连续函数优化的一种新方法-蚁群算法

针对连续函数优化问题,给出了一种基于蚂蚁群体智能搜索的随机搜索算法,对目标函数没有可微的要求,可有效克服经典算法易于陷入局部最优解的常见弊病。对基本的蚁群算法做了一定的改进,通过几个函数寻优的结果表明,算法具有良好的效果。同时,运用遗传算法对蚁群算法中的一些重要参数进行了寻优,提高了蚁群算法的收敛速度。     

Subdomain generation using emergent ant colony optimization

Finite elements mesh decomposition is a well known optimization problem and is used to split a computationally expensive finite elements mesh into smaller subdomains for parallel finite elements analysis.The ant colony optimization is a type of algorithm that seeks to model the emergent behaviour observed in ant colonies and utilize this behaviour to solve combinatorial problems. This technique has been applied to several problems, most of which are graph related because the ant colony metaphor can be most easily applied to such types of problems. This paper examines the application of ant colony optimization algorithm to the partitioning of unstructured adaptive meshes for parallel explicit time-stepping finite elements analysis.The concept of ant colony optimization technique in addition to the notion of swarm intelligence for finding approximate solutions to combinatorial optimization problems is described. This algorithm combines the features of the classical ant colony optimization technique with swarm intelligence to form a model which is an artificial system designed to perform a certain task.The application of the ant colony optimization for partitioning finite elements meshes based on triangular elements using the swarm intelligence concept is described. A recursive greedy algorithm optimization method is also presented as a local optimization technique to improve the quality of the solutions given by the ant colony optimization algorithm. The partitioning is based on the recursive bisection approach.The mesh partitioning is carried out using normal and predictive modes for which the predictive mode uses a trained multi-layered feedforward neural network that estimates the number of triangular elements that will be generated after finite elements mesh generation is carried out.The performance of the proposed hybrid approach for the recursive bisection of finite elements meshes is examined by decomposing two mesh examples and comparing them with a well known finite elements domain decomposer.     

群集智能算法研究现状及进展

基于群集智能的算法研究,近年来受到了广泛的关注。本文讨论了群集智能的两种算法,蚁群智能与微粒群智能。分别阐述了它们的原理、基本算法及其一些改进算法。最后讨论了群集智能算法的一些应用实例以及它们的应用领域和未来的研究方向。     

群集智能算法研究现状及进展

基于群集智能的算法研究,近年来受到了广泛的关注.本文讨论了群集智能的两种算法,蚁群智能与微粒群智能.分别阐述了它们的原理、基本算法及其一些改进算法.最后讨论了群集智能算法的一些应用实例以及它们的应用领域和未来的研究方向.