求解TSP问题的一种改进蚁群优化算法

针对基本蚁群算法求解TSP问题时容易出现早熟和停滞现象的缺陷,提出了一种改进的蚁群算法。算法的基本思想是,将信息素分为局部和全局二种不同的信息素,在搜索过程中。对局部和全局信息素采用不同的更新策略和动态的路径选择概率,使得在搜索的中后期能更有效地发现全局最优解。以TSPLIB的数据进行实验的结果表明．在中大型问题上有着更好的发现最优解的能力。     

一种改进的自适应蚁群算法求解TSP问题

文章提出了一种改进的蚁群算法,其核心是限制单步路径上的蚂蚁数目,当该路径上的信息素达到一定浓度时,人为的迫使蚂蚁改换路径,从而更好的全局寻优,避免算法陷入局部极优,并使用2-Opt方法对路径进行优化。对旅行商问题（TSP）的实验结果表明：新算法的优化结果和效率都优于基本蚁群算法。     

一种改进的蚁群算法在TSP问题中的应用研究

蚁群算法是近几年发展起来的一种新型的拟生态启发式算法,它已经被成功地应用在旅行商(TSP)问题上.由于基本蚁群算法存在过早陷入局部最优解和收敛性较差等缺点,文中对基本蚁群算法在基于蚁群系统的基础上进行了改进,在信息素的更新和解的搜索过程中更多地关注了局部最优解的信息,以使算法尽可能地跳出局部最优,并且改进后的算法对一些关键参数更容易控制.多次实验表明改进的蚁群算法在解决TSP问题上与基本蚁群算法相比有较好的寻优能力和收敛能力.这种算法可以应用在其它组合优化问题上,有一定的工程应用价值.     

求解TSP问题的蚁群优化算法研究进展

从有效解决TSP问题的角度出发,系统地介绍了蚁群算法的基本原理和算法流程,简述了部分具有代表性的蚁群算法改进模型,提出了一种将蚁群系统纳入文化算法框架所形成的文化蚁群系统模型及其主要创新点,分析和设计了种群进化和文化进化协同进化机制,从而展示出文化进化在智能计算中对种群进化的指导作用及其加速种群进化的重要意义,并对该模型在今后的研究方向作了展望.     

蚁群算法在求解TSP问题上与遗传算法的对比研究

蚁群算法(ACA)与遗传算法(GA)都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题(TSP)问题中。本文通过实验验证了两种算法在解决TSP问题上各自的优缺点,并给出了未来的进一步研究方向。     

一种求解TSP问题的改进蚁群算法

针对基本蚁群算法存在收敛速度慢,易陷于局部最优解等缺点,提出了一种求解旅行商(TSP)问题的改进蚁群算法.通过在基本蚁群算法中提出保留最优解和引入个体差异策略的改进方法,有效地抑制了算法收敛过程中的停滞现象,提高了全局搜索能力和解的质量.TSPLIB的实例验证了该改进算法的有效性.     

一种求解TSP问题的改进蚁群算法

针对基本蚁群算法存在收敛速度慢,易陷于局部最优解等缺点,提出了一种求解旅行商(TSP)问题的改进蚁群算法。通过在基本蚁群算法中提出保留最优解和引入个体差异策略的改进方法,有效地抑制了算法收敛过程中的停滞现象,提高了全局搜索能力和解的质量。TSPLIB的实例验证了该改进算法的有效性。     

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。     

求解TSP问题的自适应模拟退火蚁群算法

针对蚁群算法易陷入局部最优,收敛速度较慢的问题,在最大-最小蚁群算法的基础上,提出一种自适应模拟退火蚁群算法。在高温阶段以一定概率接受次优解,优化每次迭代后的路径,增加算法的全局搜索能力,并采用一种自适应的信息素更新策略,前期增加算法的全局搜索能力,后期加快算法的收敛速度;在低温阶段通过降温系数的取值,加快算法收敛速度,在温度机制上采用了回火机制,避免局部最优,使解的质量得到了提高。同时在算法中结合了3opt进一步优化了算法解的质量。实验结果表明该算法的收敛速度以及求解质量得到了一定程度的改善,较好地平衡了种群多样性以及收敛速度的关系。     

蚁群算法改进探讨及其在TSP中的应用研究

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法，能够有效的解决组合优化问题。本文在介绍了蚁群算法的基本原理和解决旅行商（TSP）问题的模型的基础上。对蚁群算法做了相应的改进：通过应用新的选择策略和引入扰动以避免陷入局部优化，使得算法可以在减少计算量的同时。取得更好的搜索结果。     

求解旅行商问题的改进蚁群算法研究

针对蚁群算法收敛速度慢的问题,对蚁群算法信息素更新规则进行研究,提出一个基于迭代思想的信息素更新规则。对信息残留因子进行实验,确定在新的信息素更新规则下信息素挥发系数的最佳合理值。最后针对eil51问题和dantzig42问题两个例子的仿真实验对比基本蚁群算法。实验结果表明,改进的蚁群算法在收敛性和求得最优解方面都明显优于基本蚁群算法和其它人工智能算法。     

求解强异类集装箱装载问题的混合蚁群算法

针对强异类集装箱装载问题,设计了一种混合蚁群算法。算法中搜索空间分为货物摆放的优先序列和货物摆放的状态两部分;引入体积大的货物优先放入的启发式规则;将蚂蚁搜索得到的序列与历史最优序列进行交叉,取三者最优序列作为该蚂蚁的搜索路径;在更新信息素时,采取两种挥发系数更新信息素以避免信息素过快饱和,同时分析了算法的复杂度。通过三个强异类实例的测试,表明算法得到的装载方案有较高的空间利用率。     

改进的蚁群遗传优化算法及其应用

针对当前移动机器人的一些路径规划算法存在的局限性,提出了一种基于改进蚁群优化和遗传优化的融合算法。利用改进的信息素更新技术和路径节点选择技术使算法尽快找到优化路径,来形成融合算法的初始种群,机器人每前进一步,蚂蚁就对局部路径重新搜索,并处理随机出现的障碍物;然后利用遗传算法(GA)对种群个体进行全局优化,从而能使机器人沿一条全局优化的路径到达终点。仿真结果表明了该融合算法的可行性和有效性。     

遗传算法和蚁群算法在求解TSP问题上的对比分析

遗传算法(Generation Algorithm, GA)和蚁群算法(Ant Colony Optimization, ACO)都是解决组合优化问题的强有力算法。特别是近几年的研究表明,蚁群算法具有极强的鲁棒性和求最优解的能力。本文在分析这两种算法的特点基础上,通过实例验证它们在解决TSP问题上各自的优缺点,并给出做进一步研究的建议。     

Solving the traveling salesman problem using cooperative genetic ant systems

The travelling salesman problem (TSP) is a classic problem of combinatorial optimization and has applications in planning, scheduling, and searching in many scientific and engineering fields. Ant colony optimization (ACO) has been successfully used to solve TSPs and many associated applications in the last two decades. However, ACO has problem in regularly reaching the global optimal solutions for TSPs due to enormity of the search space and numerous local optima within the space. In this paper, we propose a new hybrid algorithm, cooperative genetic ant system (CGAS) to deal with this problem. Unlike other previous studies that regarded GA as a sequential part of the whole searching process and only used the result from GA as the input to subsequent ACO iterations, this new approach combines both GA and ACO together in a cooperative manner to improve the performance of ACO for solving TSPs. The mutual information exchange between ACO and GA in the end of the current iteration ensures the selection of the best solutions for next iteration. This cooperative approach creates a better chance in reaching the global optimal solution because independent running of GA maintains a high level of diversity in next generation of solutions. Compared with results from other GA/ACO algorithms, our simulation shows that CGAS has superior performance over other GA and ACO algorithms for solving TSPs in terms of capability and consistency of achieving the global optimal solution, and quality of average optimal solutions, particularly for small TSPs.     

适用于寻源导热逆问题的混沌-蚁群算法

为克服蚁群算法应用于寻源导热逆问题求解时容易陷入局部最优解和收敛速度慢的不足,利用混沌算法的遍历性和对初值的敏感性,将其融入到蚁群算法中,建立了基于混沌路径选择机制和局部混沌搜索机制的混沌-蚁群算法。计算结果表明,建立的混沌-蚁群算法可以很好地解决寻源导热逆问题,较蚁群算法而言,提高了计算精度和计算速度。     

基于加速寻径收敛的改进型蚁群算法

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,明显地优于现有的启发式算法的解,是一种有效的算法。     

求解旅行商问题的高效自适应混合蚂蚁算法

在目前求解TSP问题效果最好的混合算法——最大最小蚂蚁算法和3-opt局部搜索算法的基础上,提出了一种改进的混合蚂蚁算法。算法前期使用局部搜索的解初始化信息素矩阵,加快收敛速度,后期依Metropolis接受准则概率接受局部优化解,有效地避免陷入局部最优,自适应的信息素调节机制使算法更加灵活,而K近邻候选集则使之适应大规模问题求解,理论分析和TSPLIB中部分实例仿真结果表明,此算法能比其他改进蚁群算法具有更多优越性。     

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。     

Ad Hoc网络中基于遗传蚁群算法的QoS多播路由算法

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,把蚁群算法和遗传算法融合起来,提出了一种遗传蚁群算法（GAAC）来解决Ad Hoc网络中QoS路由问题。首先利用遗传算法生成信息素分布,然后用蚁群算法求精解,优势互补,期望获得优化性能和时间性能的双赢。并针对算法应用于Ad Hoc网络QoS路由普遍产生的拥塞问题,采用拥塞回避的策略,从而实现网络业务流负载均衡。仿真表明该算法比其它单一采用蚁群算法进行路由选择更适合于动态Ad Hoc网络环境。