蚁群算法求解函数优化中的参数设置

蚁群算法的参数设置一直是依靠经验和实验来确定,造成实验工作量大且难以得到最优的参数组合,影响了算法的使用。从基本蚂蚁算法出发,结合实验结果,讨论了α、β及ρ的变化对实验结果的影响,提出了相应的参数改进方案。并将经此方案修正的蚂蚁算法与基本蚂蚁算法同时运用于经典函数优化问题中,对仿真结果进行了对比。     

蚁群算法中约束和边界搜索的研究

蚁群算法是一种仿生式算法,模拟蚂蚁寻径过程。尽管蚁群算法不像模拟退火等算法具有相对坚实的数学基础,但从应用效果来看,尤其在离散优化问题具有一定优势。本文研究参数变化对蚁群算法的影响进行蚁群优化。     

蚁群算法的研究现状

蚁群算法是一种新型的模拟进化算法，研究表明该算法具有很好的通用性和鲁棒性．在离散的组合优化问题中实验，取得了良好的效果。介绍了蚁群算法的原理，对目前蚁群算法的研究进展情况进行了分析，同时对比国内外的研究状况提出了自己的观点，以推动该算法在更广阔的领域内得到应用。     

蚁群算法概述

本世纪50年代中期创立了仿生学,人们从生物进化的机理中受到启发,提出了许多用于解决复杂优化问题的新方法,如遗传算法、蚁群算法、进化规划、进化策略等。研究成果已经显示出这些算法在求解复杂优化问题（特别是离散优化问题）方面的具有很强的优越性。本文将对蚁群算法做详细的介绍。     

蚁群算法的研究及应用进展

蚁群算法是优化领域新出现的一种启发式仿生类并行智能进化系统,该算法采用分布式计算和正反馈机制,易于和其他算法结合,目前已得到了广泛的应用。本文在介绍基本蚁群算法的基础上,介绍了蚁群算法目前的一些研究情况,然后例举了蚁群算法的一些应用,最后对蚁群算法今后的研究方向作了分析和展望。     

蚁群算法原理的仿真研究

从蚁群觅食行为受到启发,意大利学者M．Dorigo等人提出了一种新型的模拟进化算法——蚁群算法,初步的研究表明该算法具有极强的鲁棒性和发现较好解的能力。该文通过直接模拟真实蚁群的觅食行为,提出了一种真实蚁群模拟算法(Real Ant Colony Simulating Algorithm,RACSA),并通过仿真实验对影响蚁群行为的因素(信息素的重要程度、信息素的蒸发系数、蚂蚁数及信息素留存量)进行了研究,其结论对蚁群算法的理论研究和算法实现具有重要的参考价值。     

一种优化的蚁群算法

蚁群算法是一种新型的启发式算法,它具有许多优良性质,被广泛用于求解组合优化问题,但基本蚁群算法也存在诸多不足。为使蚊群算法对应TSP问题的解更加优良,提出了一种改进的蚁群算法并对它进行了试验,结果表明改进算法是有效的,这也为蚁群算法的优化提供了一个新的途径。     

蚁群优化算法及其应用

蚂蚁算法是由意大利学者M．Dorigo等人提出的一种新型的模拟进化算法。该算法首先应用于旅行商问题并获得了极大的成功,其后,又被用于求解指派问题、Job—shop调度问题、图着色问题和网络路由问题等。实践证明,蚂蚁算法是一种鲁棒性强、收敛性好、实用性广的优化算法,但同时也存在一些不足,如收敛速度慢和容易出现停滞现象等。     

蚁群算法优化模糊规则

模糊控制器设计的关键是根据专家经验确定模糊规则。然而,在专家经验难以获取的情况下将无法进行设计,这就要求模糊规则能够自动优化。模糊规则的优化过程为前件选择后件的过程,是一个组合优化问题,本文应用蚁群算法对其进行优化。蚁群算法是一种新型的模拟进化算法,已被广泛且有效的应用到求解复杂的组合优化问题中。仿真结果显示了蚁群算法应用于优化模糊规则的可行性和有效性,扩大了蚁群算法的应用范围,也为模糊控制器的设计提供了新的思路。     

蚁群算法研究与应用的新进展

蚁群算法是一种源于大自然生物界的仿生进化算法,具有自组织性、正反馈性、较强的鲁棒性和分布式计算等特性,且易于与其它算法相结合,在众多的复杂组合优化领域中有着广阔的应用前景。首先对蚁群算法的理论及其重要参数进行了阐述,继而分析了其在参数优化和智能融合方面的改进与应用;然后对其在车间作业调度问题、车辆路径问题、图像处理、电力系统优化等领域的应用进展进行了综述;最后对其理论研究和应用领域可能存在的问题及对策进行了探讨和展望。     

用改进蚁群算法求解函数优化问题

提出将蚁群算法用于求解函数优化问题的新方法。使用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁觅食的方式,更新搜索路径上的信息素,按照转移概率来决定搜索方向,即通过信息素来指引搜索,最后搜索收敛于各个全局最优解。给出了基于此思想的具体算法,并通过计算示例仿真说明了该算法的有效性,表明该算法可以同时快速收敛发现多个全局最优解,并保持稳定。     

基于细粒度模型的并行蚁群优化算法

蚁群优化算法的研究和应用已取得了不少重要成果,然而在大规模优化应用中还存在搜索时间长的问题,为此研究了一种基于细粒度模型的并行蚁群算法。实验结果表明,该算法与最新的改进算法相比,搜索速度提高数十倍至数百倍以上。     

蚁群算法在TSP问题中的应用

TSP问题（旅行商问题）是组合优化问题中最经典的NP问题之一，蚁群算法是基于群体的一种仿生算法，为求解复杂的组合优化问题提供了一种新思路，本文讨论了如何用基本的蚁群算法来求解TSP问题。     

蚁群算法在TSP问题中的应用

TSP问题(旅行商问题)是组合优化问题中最经典的NP问题之一,蚁群算法是基于群体的一种仿生算法,为求解复杂的组合优化问题提供了一种新思路,本文讨论了如何用基本的蚁群算法来求解TSP问题。     

一种求解函数优化的混合蚁群算法*

将遗传算法与蚁群算法中的协同模型进行有机结合,在蚁群算法中引入交叉、变异、选择算子来改进基本蚁群算法,克服了蚁群算法不太适合求解连续空间优化问题的缺陷。通过测试函数表明该方法具有较好的收敛速度和稳定性,求解结果好于遗传算法。     

蚁群算法的研究现状及其展望

蚁群算法是一种新型的模拟进化算法，研究表明该睡具有并行性，鲁棒性等优良性质。本文阐述了蚁群算法的原理，介绍了该算法在理论和实际问题中的应用，并对其前景进行了展望。     

改进蚁群算法及其仿真研究

针对蚁群算法存在停滞现象的缺点,提出一种改进的蚁群算法。该算法基于动态权重的选择策略以强化其全局搜索能力。改进的更新策略以信息素为主,扩大搜索范围,提高蚁群算法的求解性能。仿真结果表明,改进后的蚁群算法在TSP的求解中具有优良的求解性能。     

在网格资源发现中使用蚁群算法的应用研究

网格中包含多种多样、分布领域广、系统结构差异大、变化频繁等特点的资源．这给网格环境下的资源发现机制带来更大的难度和更多的挑战。阐述网格资源发现在网格资源管理中的重要性,分析网格资源发现中应用蚁群算法的优势,在此基础上,对网格资源发现中应用蚁群算法的方案进行综合的设计与分析．讨论在网格资源发现机制中蚁群算法的实际应用。     

基于生命周期的二元蚁群优化算法

将自然生态系统中生物生命周期的思想引入二元蚁群优化算法中,通过对蚂蚁设置相应的营养阈值而执行繁殖、迁徙、死亡操作,从而保持种群的动态多样性,进而克服二元蚁群优化算法易陷入局部最优的缺陷,然后结合分形维数将该算法应用于属性约简问题中,通过UCI中的6个数据集进行测试,结果表明该算法具有较好的可行性和有效性.     

混合遗传算法和蚁群算法在HP模型中的应用

遗传算法和蚁群算法在HP模型中已经有了大量的研究及成果,蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。提出了一种先用遗传算法生成信息素分布,再利用蚁群算法求优化解的新的混合算法。将该算法用于二维HP模型中,计算结果显示该算法在寻优能力和收敛速度上都比单一的遗传算法和蚁群算法有所提高。