基于邻域搜索的改进最大最小蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优的问题,提出一个改进的混合最大最小蚁群算法,并应用于求解旅行商问题.上述算法设计了一种新的信息素更新模型,单个蚂蚁每走一步就进行信息素局部更新,在所有的蚂蚁搜索一周后,最优路径蚂蚁进行全局信息素更新.提出一种新的邻域搜索模型,将邻域大小设置为原来的一半,提高了计算的效率.在每个蚂蚁的一个周期循环后,使用邻域搜索算法优化最优解的路径长度.仿真结果表明,改进算法具有较高的求解精度和收敛速度.     

基于混合信息素递减的蚁群算法

根据蚁群算法信息素更新的特性,提出了求解旅行商问题的混合信息素递减的蚁群算法。把基本蚁群的三种不同的信息素更新方式混合在一起,同时提出了信息素递减更新的方法。新的更新方式避免了蚂蚁在寻找最优解的过程中,由于禁忌表元素的逐渐增加而限制蚂蚁巡游路径选择的缺点,减少了巡游后期信息素对于后继蚂蚁的影响,提高了后继蚂蚁的巡游质量。仿真实验表明了该混合算法的有效性。     

面向智能信息素释放的网格GIS资源查找算法

针对基本蚁群算法中蚂蚁速度无限且信息素同步更新的情况,该文提出了基于智能蚁群信息素释放的资源查找算法。该算法以蚂蚁的速度有限为前提,采用面向信息素更新规则来调整各个蚂蚁的信息素浓度,从而间接地改变蚂蚁间合作方式。根据实际蚁群的寻路过程,该算法具有较好的全局搜索能力,对于查找初始化数据量庞大的网格GIS资源有着高于基本蚁群算法和其他资源搜索算法的效率。     

基于信息素强度的蚁群算法

现有的蚁群算法在选择路径的时候都是同时考虑信息素和路径长度两个因素,导致算法未能很好地模拟真实蚂蚁。为了更好地模拟现实蚂蚁的行为,提出一种新的蚁群算法。该算法在选择路径的时候只考虑信息素强度, 而在信息素强度初始化和信息素强度更新的时候考虑了路径长度这一因素,同时也给出一种动态的信息素更新方式。经实验验证这一算法可以取得较好的搜索效果,并且它的运算速度要比现有的蚁群算法快5倍以上。     

网格计算中基于改进蚂蚁算法的任务调度研究

文中提出了一种以蚂蚁算法为基础的改进算法,用以解决网格环境下的任务调度问题.首先从蚂蚁算法的基本思想出发,结合网格环境下任务调度的特点,逐步改进了资源信息素的初始化处理、局部更新及全局更新方式,并针对网格环境下的任务给出信息素的概念;然后,综合考虑资源信息素和任务信息素两方面的需求,提出了一种新的任务选择资源机制;最终,提出了一种基于蚂蚁算法的、改进的网格任务调度方法.通过仿真实验的结果分析表明:基于蚂蚁算法的、改进的网格任务调度方法实现了网格环境下任务的有效调度问题,并使系统获得较好的负载平衡度.     

混合蚁群算法在网格计算任务调度中的应用

网格环境下的资源分配与任务调度问题已经被证明了是一个NP难题,而传统的任务调度算法很难对大量的异构的、动态的网格任务进行有效的调度。本文提出了一种任务调度模型,并且在该模型中采用混合蚁群算法,该算法以信息素为启发,引导蚂蚁选择最优资源。蚂蚁选择资源之后不仅进行信息素的整体更新,还要求预分配网格资源时进行信息素的局部更新。模拟实验表明该算法是一种快速,有效,负载更均衡的算法。     

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。     

简化蚁群算法

针对最大最小蚂蚁系统中信息素下界难以确定以及算法性能易受同构问题影响的缺点,提出一种简化蚁群算法.信息素的上下界被限制在一个固定的区间内,不随目标函数值的更新而改变;信息素的更新量是一个与具体目标函数值无关的常数.所提出的简化算法不仅具有强不变性和平移不变性,而且算法的性能不受信息素下界的影响.针对旅行商问题的仿真实验验证了改进算法的可行性和有效性.     

基于RBF的蚁群算法在求解TSP中的应用

针对传统蚁群算法容易出现早熟和停滞现象的缺陷,提出一种改进的蚁群算法。该方法基于径向基函数,先遴选出一部分蚂蚁对其路径上的信息素进行更新,再挑出最差蚂蚁进行更新。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法的寻优能力和收敛速度均得到较大提高。     

一种结合O3-opt局部优化的智能蚂蚁算法研究

针对基本蚂蚁算法容易出现停滞、参数难以确定的局限性,改进为一种智能蚂蚁算法,改进之处包括:(1)引入蚁群优化算法中对转移概率公式、信息素更新规则的修改;(2)在蚂蚁算法中加入O3-opt局部优化,从而进一步缩短解路线的长度,以加快蚂蚁算法的收敛速度.最后,通过实例仿真验证了智能蚂蚁算法与基本蚂蚁算法相比具有明显的优越性.     

求解VRP问题的改进蚁群算法

由于基本VRP算法收敛速度慢,易于陷于局部最优等缺点,现对VRP进行了一些改进,在每次循环中所有蚂蚁都是从起点出发结束于终点,同时在原始的蚁群算法上增加了节点信息素更新策略以及对所有节点改进使得每个节点都有记忆功能,提出了一种基于基本蚁群算法的有节点信息素更新和记忆功能的算法模型.仿真结果表明,基于改进的蚁群算法模型在寻找最优解时表现出很高的效率,优于现有的启发式算法的解,是一种有效的算法,该算法也适用于并行计算和应用.     

一种连续空间优化问题的蚁群算法及应用

针对随机优化算法收敛困难及搜索时间较长的问题,提出一种求解连续空间优化问题的蚁群算法,为蚁群算法在连续空间中的应用提供了一个可行的方案。给出了该算法的详细定义及实现步骤,并将该算法应用于多变量函数优化及热工控制系统控制器参数优化,仿真结果表明:该算法具有良好的全局优化性能,能加快收敛速率,解决了随机优化算法收敛困难的问题,并提高寻优精度。     

基于改进信息素的蚁群算法在QoS 组播路由中的研究

针对传统的蚁群算法在求解大规模旅行商问题时容易导致搜索时间过长或陷入停滞的问题,提出了一种基于改进信息素的蚁群算法。通过蚁群算法的改进,使得每轮搜索之后的信息素都能更好地反映解的质量。实验仿真结果表明,改进后的蚁群算法能获得比传统的蚁群算法更优的解,同时具有更快的收敛速度和较好的稳定性。     

求解旅行商问题的改进型量子蚁群算法

针对传统量子蚁群算法在求解TSP时容易陷入局部最优以及收敛速度较慢,提出了一种求解旅行商问题的改进型量子蚁群算法（IQACA）。该算法设计了一种新信息素挥发因子的自适应动态更新策略,对信息素进行动态更新;并采用一种新的量子旋转门对量子概率幅值的收敛趋势进行改变。通过三个基本函数极值优化仿真与传统量子蚁群算法进行对比,证明算法性能较优。基于TSPLIB的仿真实验与其他几种算法进行比较,结果表明,算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。     

基于量子蚁群算法的建筑消防疏散路径规划

摘要：针对现在大空间建筑消防应急疏散问题,在火灾发生时,为撤离人群提供一条从危险区域到安全地带的最短安全路线。对疏散路径优化进行了研究,提出一种融合量子进化算法的改进蚁群算法用于消防疏散路径规划,用量子比特表示信息素,量子旋转门反馈控制信息素更新,即能体现量子并行计算的高效性,又能拥有蚁群算法较好的寻优能力。通过三个基准函数优化仿真与传统量子进化算法进行对比,证明算法较优的性能。再通过路径优化的仿真实验与经典蚁群算法进行比较,结果表明,算法能够有效避免陷入局部最优和拥有更快的收敛速度,在疏散路径规划中更为有效。     

改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在路径规划中存在易陷入局部最优与收敛速度慢等问题,提出一种改进的蚁群算法.采用初始信息素差异化分布策略,增强目标点导向区的初始信息素浓度;基于回退策略与禁忌搜索结合分块优化,利用叉积运算进行局部折点优化;引入信息素自调节加强因子,改进信息素浓度更新公式;引入随机状态转移参数,增强全局搜索能力;将改进算法...     

基于启发式蚁群算法的VRP问题研究

针对蚁群算法求解VRP问题时收敛速度慢,求解质量不高的缺点,把城市和仓库间的距离矩阵和路径节约矩阵信息融入到初始信息素矩阵中作为启发式信息引入到蚁群算法中用于求解有容量限制的车辆路径规划问题（CVRP）,在三个基准数据集上的实验研究表明,基于启发式信息的蚁群算法与基本蚁群算法相比能够以较快的速度收敛到较好的解。     

基于混沌扰动和邻域交换的蚁群算法求解车辆路径问题

为求解车辆路径问题,提出一种新的基于混沌扰动和邻域交换的蚁群算法。针对标准蚁群算法存在搜索时间长,容易出现早熟收敛,得到的解不是最优解等缺点,新算法利用混沌的随机性、遍历性及规律性,在算法陷入早熟时,对小部分路径的信息素采用混沌扰动策略进行调整;针对标准蚁群算法的贪心规则随机性缺点,新算法采用邻域交换策略对最优解进行调整。在用于求解不同规模车辆路径问题的仿真结果表明,新算法比标准蚁群算法和遗传算法具有更好的效果。     

蚁群算法中信息素增量和扩散模型的研究

文章提出一种新的基于信息素增量和扩散模型的蚁群算法。首先,基于能量守恒与转换定律对信息素的增量模型进行修正,以体现蚂蚁在不同路径上行走时所产生的信息量差异;其次,以蚂蚁经过的路径(直线段)作为信息素扩散浓度场的信源,改善了信息素扩散模型,强化了蚂蚁间的协作和交流。大量TSP(Traveling Salesman Problem)问题的实验表明:该算法不仅能获得更好的解,而且能加快算法的收敛速度。