基于混合蚂蚁算法的二维装箱问题求解

二维装箱问题是一个NP-Hard组合优化问题.根据蚂蚁优化算法和二维装箱问题的特点,本文提出了改进的BL算法与蚂蚁算法相结合的混合算法来解决二维装箱问题,实验结果表明,该算法是行之有效的,并具有一定的通用性.     

水下传感器网络时间同步和定位的联合实现方法

水下传感器网络的信号传播速度受环境参数的影响而难以确定,增加了时间同步和定位的难度.当信号传播速度未知时,提出了一种水下传感器网络的时间同步和定位联合实现方案.通过建立该问题的优化函数和模型,设计了线性最小二乘(LLS)估计、最小二乘半定规划(LS-SDP)、平方最小二乘半定规划(SLS-SDP)及平方最小二乘二阶锥规划(SLS-SOCSDP)算法,分析了各算法的计算复杂度.仿真分析表明,线性代数LLS算法计算速度快,在低噪声条件下具有较高的估计精度.凸优化的LS-SDP、SLS-SDP及SLS-SOCSDP算法对未知参数估计的稳定性较好,但计算复杂度较高.     

蚂蚁算法在FIR数字滤波器优化设计中的参数

蚂蚁算法中参数的准确分析和合理配置直接影响着算法的性能.在已完成的蚂蚁算法应用于有限冲激响应(Finite impulse response,FIR)数字滤波器优化设计研究基础上,分析了各个参数的不同配置对算法性能的影响,推导了参数配置的基本公式,提出了参数之间的一般配置原则.不失一般性,在最小最大优化准则下进行的仿真实验结果表明,文中提出的算法参数配置原则对于提高FIR数字滤波器的优化设计性能较为有效,同时还验证了蚂蚁算法在其他应用领域中的参数设置也满足参数配置原则,进一步表明本文的参数选取原则的可行性,有利于蚂蚁算法在优化问题中的推广和应用.     

利用改进的蚁群算法确定有机化合物分子式

在现有蚁群算法的基础上,提出了一种改进的蚁群算法(IACA)来确定有机化合物分子式.人工蚂蚁在整数空间移动,并根据与信息素相关的转移概率指导搜索方向.在算法优化过程中使用了带最大最小信息素的信息素更新规则.实验证明,该算法用来确定有机化合物分子式时,在收敛性和可搜索的变量取值范围等方面优于改进的自适应遗传算法(IAGA).     

改进的蚁群算法求解带时间窗的车辆路径问题

设计了一种改进的蚁群算法,将蚁群系统(ACS)与最大最小蚂蚁系统(MMAS)相结合,在状态转移规则中引入时间窗跨度与服务等待时间因素,并在算法的不同阶段采用不同的信息素蒸发策略以防止算法陷入局部最优.使用路径内2-opt优化方法以及路径间2-opt*优化方法对每次迭代过程所得到的最优解进行局部优化.通过对相关文献实验数据的测试结果表明,该算法在求解效果及运算效率上优于遗传算法与禁忌搜索算法.     

最大—最小蚂蚁系统及K-TSP问题的求解

蚂蚁算法目前已得到广泛的运用.为克服基本蚂蚁算法容易出现停滞现象等缺陷,许多学者提出了改进的蚂蚁算法.最大-最小蚂蚁系统是其中性能最优良的蚂蚁算法.在简述基本蚂蚁算法及最大-最小蚂蚁系统对其改进的基础上,实现了用最大-最小蚂蚁系统求解K-TSP问题的算法,列出了求解结果,并与文献[7]中的结果进行了对比,指出最大最小蚂蚁系统是求解K-TSP问题的有效算法.     

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.     

基于文化的连续蚂蚁优化算法的研究*

针对蚂蚁优化算法在求解连续空间问题方面的缺陷,提出一种基于文化的连续蚂蚁优化算法。该算法将蚂蚁优化算法纳入文化算法的框架,组成基于蚂蚁优化算法的主群体和信念的两大空间。在知识和群体层面使用双重进化机制支持问题的求解和知识的提取,从而充分利用精英蚂蚁所携带的特征信息,在很大程度上提高了收敛速度,增强了搜索的多样性。实验结果表明,该算法求解速度快、寻优成功率高,是一种提高蚂蚁优化算法性能的有效算法。     

遗传算法与蚂蚁算法动态融合的软硬件划分

面向嵌入式系统和SoC(system-on-a-chip)软硬件双路划分问题,提出遗传算法与蚂蚁算法动态融合的软硬件划分算法.基本思想是:(1)利用遗传算法群体性、全局、随机、快速搜索的优势生成初始划分解,将其转化为蚂蚁算法所需的初始信息素分布,然后利用蚂蚁算法正反馈、高效6收敛的优势求取最优划分解;(2)在遗传算法运行过程中动态确定遗传算法与蚂蚁算法的最佳融合时机,避免由于遗传算法过早或过晚结束而影响划分算法的整体性能.该算法既发挥了遗传算法与蚂蚁算法在寻优搜索中各自的优势,又克服了遗传算法在搜索到一定阶段时最优解搜索效率低以及蚂蚁算法初始信息素匮乏的不足,并且在算法中提出了遗传算法与蚂蚁算法动态融合的衔接策略.实验结果表明,该算法在性能上明显优于遗传算法和蚂蚁算法,并且划分问题规模越大,优势越明显.     

背包问题的蚂蚁优化算法

针对经典的背包问题,给出一种新的基于蚂蚁优化思想的求解算法。数值试验计算结果表明,该方法是行之有效的,并具有通用性。