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。     

基于二分法和控制信息素量的改进蚁群算法

为弥补蚁群算法易陷入局部最优、收敛速度较慢等不足,提出一种基于二分法和控制信息素量的改进蚁群算法。在每次迭代结束时,利用二分法放弃行走路程较远的半数蚁群的信息素,使收敛速度得到提高;利用3-opt局部优化方法提高解的精度;通过控制信息素量动态调整蚁群选择路径的概率,避免算法早熟;将改进的算法应用于旅行商问题。实验结果表明,该算法在寻优能力、可靠性、收敛速度以及稳定性方面均表现出明显的优越性。     

动态学习机制的双种群蚁群算法

针对蚁群算法易陷入局部最优与收敛速度较慢的不足,提出了动态学习机制的双种群蚁群算法。该算法重点引入奖惩模型,奖励算子提高算法的收敛速度,惩罚算子增加种群的多样性。由SA-MMAS(adaptive simulated annealing ant colony algorithm based on max-min ant system)和MMAS(max-min ant system)两个种群合作搜索路径,蚁群间根据不同城市规模动态地进行信息素交流,在种群交流后利用奖惩模型对双种群间的学习合作行为给予动态的反馈,从而平衡算法的多样性与收敛速度。通过17个经典旅行商问题(traveling salesman problem,TSP)实例进行验证,结果表明该算法能以较少的迭代次数取得最优解或接近最优解。对于中大规模的TSP问题效果更好,从而验证了算法的高效性和可行性。     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。     

基于聚度的自适应动态混沌蚁群算法

针对蚁群算法收敛速度慢，容易陷入局部最优的问题，提出了一种基于聚度的自适应动态混沌蚁群算法（A_ACS）。在迭代前期利用聚度来衡量解的多样性，自适应调节局部信息素分布，同时引入混沌算子来增加种群多样性，避免算法陷入局部最优，从而提高解的精度；在迭代后期去掉混沌算子，减少混沌扰动性，来提高算法的收敛速度。将A_ACS用于TSP问题，仿真结果表明，该算法较ACS和MMAS算法减少了搜索时间，并且提高了解的质量，其平衡了多样性与收敛性之间的矛盾，整体性能优于其他两种算法。     

动态信息素更新和路径奖惩的蚁群算法

针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题的情况,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效地平衡算法的多样性和收敛性。在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,跳出局部最优。同时基于最优路径集合,对较优路径进行奖励,对其他路径进行惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度。并且使用三种局部优化方法,从而进一步提高解的精度。经过实验测试,该算法用于解决旅行商问题（traveling salesman problem,TSP）,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾。     

基于改进蚁群算法的机器人路径规划

针对机器人路径规划问题,提出一种改进的蚁群算法.建立栅格地图模型,结合蚁群算法,设置禁忌表,同时针对死锁问题,提出丢弃陷入死锁的蚂蚁;当蚂蚁迭代次数大于60代后,通过减小信息素增强系数Q,达到提高算法收敛速度的目的.实验结果表明,改进后的算法能快速规划出最优路径,同时能避免陷入死锁和局部优化.     

动态混沌蚁群系统及其在机器人路径规划中的应用

针对蚁群系统（ACS）解决机器人路径规划问题时种群多样性与收敛速度的不足,对蚁群系统引入动态混沌算子,从而平衡种群多样性和收敛速度之间的关系。动态混沌蚁群系统的核心是在传统蚁群系统引入Logistic混沌算子来增加种群多样性,从而提高解的质量。在迭代前期加入混沌算子,以调整路径中的全局信息素值,增加算法的种群多样性,从而避免算法陷入局域优化解;在后期则转为蚁群系统,来确保动态混沌蚁群系统的收敛速度。仿真结果表明,对于机器人路径规划问题,与蚁群系统相比,动态混沌蚁群系统具有更好的种群多样性、更高的解的质量和更快的收敛速度;与精英蚁群系统（EAS）和基于排序的蚂蚁系统（ASrank）相比,动态混沌蚁群系统能够平衡解的质量与收敛速度之间的关系,即使在复杂障碍物的环境下,动态混沌蚁群系统也能较好地找到最优解。动态混沌蚁群系统能够提升移动机器人路径规划中的效率。     

引入熵的自适应双种群蚁群算法

为了克服蚁群算法解决旅行商问题（TSP）存在的收敛速度慢和解的质量不高等问题，提出了一种新的引入熵的自适应双种群蚁群算法RBAC。将蚁群划分为红蚁群和黑蚁群，红蚁群在路径选择中引入反馈算子优化解的质量，黑蚁群在信息素更新规则引入负荷算子和反馈算子加快收敛速度并防止陷入局部最优。运用信息熵调控红黑蚁群的划分，当熵值达到目标数值时使红蚁群失活并复制相应数量黑蚂蚁，从而前期提高解的质量，后期加速收敛速度。应用RBAC求解TSP问题，并与经典ACS算法进行比较，结果表明RBAC算法在解的质量和收敛速度之间达到良好的平衡，尤其在大规模城市问题中效果更好。     

改进型粒子蚁群算法的应用研究

粒子蚁群算法综合了蚁群算法和粒子群算法的特点,在局部最优和全局最优解之间取得平衡。新算法在蚂蚁迭代过程中,每隔一定代数将数据引入粒子群运算以提高收敛速度。根据对TSP的eil51问题进行仿真结果可以看出,与通常蚁群算法相比,该算法不仅精度上较为满意,而且效率极高,具有良好的应用前景。     

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。     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

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。     

优选策略的自适应蚁狮优化算法

针对基本蚁狮优化算法收敛速度较慢、易陷入局部极值、高维求解精度较低等缺点,提出具有自适应边界、优选轮盘赌和动态比例系数的改进蚁狮算法.在蚂蚁围绕蚁狮游走的过程中引入自适应边界机制,增加蚂蚁种群活跃性,防止算法陷入局部极值.轮盘赌选择蚁狮过程中加入优选轮盘赌策略,在保持蚁狮个体多样性的同时加快算法收敛速度.在蚂蚁位置更新公式中加入动态比例系数,提高算法前期的探索能力和后期的开发能力.理论分析证明文中算法的时间复杂度与基本算法相同.针对16个不同特征标准测试函数,在多个维度上的优化仿真实验测试结果表明,文中算法具有较好的可行性,寻优精度和收敛速度均有明显提升,受维度变化影响很小,高维求解能力更强、更稳定.     

用自适应的多种群蚁群算法求解频率分配问题

提出一种自适应的多种群蚁群算法求解移动通信中的频率分配问题。该算法改变了传统蚁群算法只有一个蚂蚁群体的做法,使用多个蚂蚁子群体同时进行优化处理。为每个蚂蚁子群体定义一个收敛系数,根据收敛系数来决定子群体内部的路径选择和信息量更新、子群体间的信息交流策略,同时采用自适应的信息更新策略以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡。通过对固定频率分配和最小跨度频率分配问题进行仿真的实验,表明此算法不仅具有较强的全局收敛性,而且有更快的寻优速度。     

云资源中多目标集成蚁群优化调度算法

针对云计算环境的复杂性和云资源的不确定性,提出多目标集成蚁群优化调度算法。采用熵度量云资源的不确定性,进行信息素全局更新,以提高算法收敛速度;将Min-min算法得出的任务预期最小完成时间作为启发信息,以实现最小调度时间;在信息素局部更新时加入负载系数,根据当前负载情况调节信息素,满足负载均衡需求,同时在更新时考虑信息素扩散因素,不仅计算当前节点还考虑周遭节点信息素情况,可增强蚂蚁间协作,提高最优解的性能。改进后算法比原始蚁群算法降低了算法复杂度,提高了最优解精度。云仿真系统实验测试表明改进算法在调度时间、负载均衡等方面表现均优于其他算法。     

基于用户延迟感知的移动边缘服务器放置方法

物联网和5G网络的快速发展产生了大量数据,通过将计算任务从移动设备卸载到具有足够计算资源的边缘服务器上,可有效减少网络拥塞和数据传播延迟等问题。边缘服务器放置是任务卸载的核心,高效的边缘服务器放置方法能有效满足移动用户访问低时延、高带宽等需求。为此,文中以最小化访问延迟和最小化负载差异为优化目标,建立边缘服务器放置优化模型;然后,提出了一种基于改进启发式算法的移动边缘服务器放置方法ESPHA(Edge Server Placement Based on Heuristic Algorithm),实现多目标优化。首先将K-means算法与蚁群算法相结合,通过效仿蚁群在觅食过程中共享信息素,将信息素反馈机制引入边缘服务器放置方法中,然后,通过设置禁忌表对蚁群算法进行改进,提高算法的收敛速度;最后,用改进的启发式算法求解模型的最优放置方案。使用上海电信真实数据集进行实验,结果表明提出的ESPHA方法在保证服务质量的前提下取得了低延迟和负载均衡之间的优化平衡,其效果优于现有的其他几种代表性的方法。     

基于改进蚁群算法的虚拟网络映射优化

优化了基于改进蚁群算法的虚拟网络映射结果。以最优化应用底层网络的资源,提升虚拟网络映射底层网络的资源利用效率为研究目标,在不需要支持路径分裂底层网络的情况下,提出一种新的基于改进蚁群算法的虚拟网络映射。通过引入高斯过程模型,加快蚁群优化算法的收敛速度,满足实际应用的实时性要求;并且以映射开销作为适应度函数,最终解决虚拟网络映射问题。实验结果表明,在满足相同准确度的前提下,该算法显著地降低了算法的求解时间,发挥了积极影响。