基于人工蜂群的连续域蚁群优化算法

连续域蚁群优化算法是蚁群优化算法的一个重要研究方向,针对连续域蚁群优化算法(ACOR)计算时间较长、易陷入局部最优的问题,提出了一种基于人工蜂群的连续域蚁群优化算法(ABCACOR)。首先,引入一种替代机制来选择指导解,以替换原来的基于排序的选择方式,目的是节约计算时间和尽可能地保持搜索的多样性;其次,结合人工蜂群算法的搜索策略来提高算法的全局搜索能力,进一步减少计算时间和提高求解精度。通过对大量的测试函数进行仿真实验,结果表明,ABC-ACOR算法较现有的一些连续域蚁群算法具有更好的寻优能力。     

基于信息素的自适应连续域混合蚁群算法

针对连续域混合蚁群算法（HACO）易陷入局部最优和收敛速度较慢的问题,提出了基于信息素的自适应连续域混合蚁群算法（QAHACO）。首先提出了一种新的解更新方式,对档案中的解进行信息素挥发,扩大了搜索范围,提高了算法的全局搜索能力,并且自适应地调整信息素挥发速率,更好地平衡收敛速度和收敛精度,其次采用了一种信息分享机制,将当前解与其他所有解的平均距离和当前解与至今最优解的距离相结合,进一步加快收敛速度。通过对测试函数进行仿真实验,结果表明,和连续域蚁群及其改进算法相比,QAHACO算法的寻优能力明显提高,寻优速度有一定的优势。     

一种动态划分的混合连续域蚁群优化算法

连续域蚁群优化算法在处理高维问题时易陷入局部最优,而且收敛速度较慢。针对这些问题,提出了一种改进的连续域蚁群优化算法。该算法将解划分为优解和劣解两部分,并在迭代过程中动态调整优解和劣解的数目。对于优解,利用全局搜索策略进行预处理,这样能提高算法的收敛速度和收敛精度。对于劣解,则利用随机搜索策略进行预处理,这样能扩大搜索范围,增强搜索能力。通过标准测试函数对所提算法进行测试,结果表明改进策略能够有效提高连续域蚁群优化算法的收敛速度并改善解的质量。     

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。     

化学反应蚁群优化算法

针对化学反应优化对反馈信息利用不足导致后期求解效率低的问题,提出化学反应蚁群优化算法.该算法利用化学反应优化生成较优解,通过信息素转换策略将较优解转换为蚁群算法的初始信息素,最后由蚁群算法累积更新信息素得到最优解.以TSP为例进行仿真,结果表明,与化学反应优化、蚁群算法、模拟退火算法相比,所提算法具有更高的寻优能力、收敛效率和计算效率.     

一种定向式挖掘的连续域蚁群算法

针对蚁群算法在求解连续域优化问题时存在复杂度较大、迭代次数较长等问题,提出了一种用于连续域寻优的改进蚁群算法。改进的蚁群算法通过对解空间定向式挖掘来实现全局快速搜索。给出了新算法仿真实验步骤,并将改进后的蚁群算法与其他连续域蚁群算法以及其他智能优化方法进行仿真对比实验。详细的测试结果表明,改进后算法具有优良的全局优化性能,收敛速度也有很好的提升。     

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%。     

多目标优化问题的连续域蚁群算法仿真研究

本文研究了一种用于求解带有多个约束条件(multi-objective optimization problem,MOP)的连续域蚁群算法。该算法定义了连续域中信息量的留存方式和蚂蚁的行走策略,并将信息素交流和基于全局最优经验指导两种寻优方式相结合,将当前发现的所有的非支配解保存起来,进而用这些解来指导蚂蚁朝着散布较为稀疏的区域寻优,以保证解的分布性能,并提高了蚁群算法的收敛速度,同时维持了群体的多样性。     

基于IC度优化的蚁群多级路径优化策略

栅格中的节点调度路径规划问题一向是信息栅格中的关键需要解决的技术。针对基本蚁群算法在复杂的栅格资源调度中容易出现停滞现象这一缺陷,对基本蚁群算法进行改进,提出了一种基于IC度优化的蚁群多级路径优化策略,该策略根据优化过程中平均信息素分布度,增强全局（或局部）最优解和全局（或局部）次优解的路径上的信息量浓度,从而有效地克服了传统蚁群算法中容易陷入局部最优解的问题。实验证明,基于IC度优化的蚁群多级路径优策略比传统蚁群优化策略具有更好的搜索全局最优解的能力,特别对于路径搜索问题,其收敛性较传统蚁群算法有明显提高。     

一种自适应相位旋转的二进制量子蚁群算法

基于量子进化理论以及蚂蚁群体的寻优策略,结合一种二进制量子蚁群算法,提出了一种自适应相位旋转的二进制量子蚁群算法（Binary Quantum Ant Colony Optimization Algorithm,BQACO）。该算法采用量子比特概率幅表示蚁群信息素,利用伪随机选择策略实现蚂蚁的位置移动,通过自适应相位旋转以及变异操作,实现蚂蚁信息素的动态更新,并有效降低算法早熟收敛概率。通过标准测试函数对其优化性能进行研究,该算法在函数优化的全局寻优能力和快速搜索能力上,均优于二进制量子蚁群算法和连续量子蚁群算法。     

多目标优化的多种群混合行为二元蚁群算法

针对二元蚁群算法在求解多目标问题时难以同时得到多个解和难以得到Pareto曲面的缺陷,使用多种群策略,改善算法的全局搜索能力,引入环境评价/奖励因子和蚁群混合行为搜索机制,提出了多种群混合行为二元蚁群算法。通过对几个不同带约束多目标函数的测试,实验结果表明该算法在保证全局搜索能力的基础上,拥有很好的多目标求解能力。     

分组教学蚁群算法改进及其在机器人路径规划中应用

针对蚁群算法收敛速度慢、易陷入局部最优问题,提出一种基于分组教学优化改进蚁群算法。该算法从3个角度对蚁群算法进行改进。首先,利用分组教学优化算法改进蚁群算法适应度函数,提高算法全局求解能力。同时,引进一种新的回退策略,通过该策略处理U型障碍死锁问题,确保算法求解可行性。其次,采用一种新的动态信息素更新策略,滚动更新每轮迭代后路径信息素值,避免算法陷入局部最优。最后,引入路径简化算子,将冗余角简化为直线路径,缩短路径长度。仿真实验证明改进算法能有效提高移动机器人路径规划收敛速度和精度。     

求解旅行商问题的混合量子蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优和收敛速度慢的问题,提出一种新的求解旅行商问题的混合量子蚁群算法。该算法采用量子比特的概率幅对各路径上的信息素进行编码,采用量子旋转门及蚂蚁走过的路径对信息素进行更新,设计一种新的变换邻域准则。基于TSPLIB的仿真实验结果表明了该算法具有较快的收敛速度和求解精度。     

区域破坏重建的蚁群优化算法

传统蚁群算法在解决旅行商问题（TSP）有较大的优势，但也存在一些不足，如收敛速度慢、易陷入局部最优等。针对这些问题，提出区域破坏重建的蚁群优化算法（RDRACO）。RDRACO应用区域破坏重建算法解决因信息素积累而陷入局部最优的问题，并将蚁群算法的信息素更新规则和全局更新策略进行了调整，使之与该算法匹配。另外在蚁群路径选择中加入2-Opt算子，加快收敛速度和提高收敛精度。实验采用TSPLIB中的20个经典TSP数据集对RDRACO进行仿真实验，仿真结果表明：RDRACO算法通过较少的迭代次数就可找出数据集较小TSP的已知最优路径，并在数据集较大TSP收敛精度上有显著的优化。RDRACO在提高收敛速度的同时具有较高的精度和较好的鲁棒性。     

Hybridization strategies for continuous ant colony optimization and particle swarm optimization applied to data clustering

Ant colony optimization (ACO) and particle swarm optimization (PSO) are two popular algorithms in swarm intelligence. Recently, a continuous ACO named ACOR was developed to solve the continuous optimization problems. This study incorporated ACOR with PSO to improve the search ability, investigating four types of hybridization as follows: (1) sequence approach, (2) parallel approach, (3) sequence approach with an enlarged pheromone-particle table, and (4) global best exchange. These hybrid systems were applied to data clustering. The experimental results utilizing public UCI datasets show that the performances of the proposed hybrid systems are superior compared to those of the K-mean, standalone PSO, and standalone ACOR. Among the four strategies of hybridization, the sequence approach with the enlarged pheromone table is superior to the other approaches because the enlarged pheromone table diversifies the generation of new solutions of ACOR and PSO, which prevents traps into the local optimum.     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

连续区域改进蚁群算法的研究

为了解决蚁群算法难处理连续区域的问题,本文结合微粒群操作改进蚁群算法。采用平均分割定义域的方法,融入随机操作和微粒群操作的交叉应用,并加入了信息素的变异操作跳出停滞状态。该混合群算法同时具有全局寻优特性和较强的局部搜索能力,在确保全局收敛性的基础上,能够快速搜索到高质量的优化解。通过仿真算例分析了其可行性、优越性。