带佳点交叉算子的非均匀窗口蚁群算法

基本蚁群算法具有较强的鲁棒性，但收敛慢并容易陷入局部最优。针对这些缺陷，通过将蚂蚁的搜索空间缩减在非均匀的小窗口中，减少了蚂蚁的搜索时间。并将佳点集遗传算子引入到解的优化中来，提出了带佳点杂交算子的非均匀窗口蚁群算法，从本质上探索蚁群算法的寻优能力。实验结果表明：新提出的算法明显快于基本蚁群算法，佳点集杂交算子对解的优化有较好的作用。但需要继续探索避免陷入局部最优的方法，以及算法各部分所采用的方法的平衡问题。     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.     

变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

基于可选节点集优化的变异蚁群算法的QoS路由算法

多约束QoS单播路由问题是一个NP-完全问题,针对基本蚁群算法在解决多约束QoS单播路由问题时易陷入局部最优解、收敛速度慢的突出缺点,提出一种基于可选节点集优化的变异蚁群算法对该问题进行求解.该算法采取混合蚂蚁行为,可选节点集优化,二次变异,借助节点使用计数器,引入二次蚁群搜索机制,减少了算法陷入局部极值的可能性,提高了算法的寻优能力和收敛速度.仿真实验结果验证了该算法的可行性和有效性.     

带杂交算子的蚁群算法

蚁群算法是一种由意大利学者Macro Dorigo等提出的新型模拟进化算法,它具有许多优良性质,因此被广泛用于求解组合优化问题。但基本蚁群算法有许多不足。特别是许多搜索速度慢,且容易陷入局部最优。该文针对这个问题提出了一种改进算法。该算法通过引入遗传算法中用到的杂交算子来改善蚁群,使其对应的问题的解更加优良,用改进算法求解TSP问题的结果表明改进算法是有效的。     

基于混合多种群自适应蚁群算法的无人机航路规划

针对基本蚁群算法在航路规划中易于过早陷入局部最优解,对蚁群算法进行了改进;提出了具有多种群的蚁群算法,并将导引因子引入到状态转移策略中,减少蚂蚁局部搜索的盲目性,确保蚂蚁最终完成航路搜索;当算法陷入局部收敛时,通过交换各种群的信息素,并对每个种群的挥发系数进行自适应调整,从而扩大了搜索空间,提高了搜索全局性;最后在代价函数简化后的栅格图中对改进算法进行了仿真;仿真结果表明,该方法可以有效防止算法陷入局部最优,是一种有效的航路规划方法.     

一种基于MMAS的具有奖罚机制的分组蚁群算法

蚁群算法是由意大利学者M.Dorigo等人提出,近几年迅速发展起来,并得到广泛应用的一种模拟进化的优化类算法.然而蚁群算法和其他进化算法一样存在搜索速度慢、易陷入局部最优的缺点.为了克服上述的不足,在MMAS基础上提出一种具有奖罚机制的分组蚁群算法,即在MMAS基础上对蚂蚁进行分组,利用蚂蚁组之间合作和组内蚂蚁相遇合作思想,并引入奖罚机制对信息素更新.实验数据表明改进后的算法避免了停滞陷入局部最优的现象且加快了搜索速度,最优解也较优.     

求解置换流水车间调度问题的混合蚁群算法

针对最大—最小蚂蚁系统在解决置换流水车间调度问题时易陷入局部最优的问题,引入最好—最差蚂蚁系统中的信息素变异和重置规则,提出了一种混合蚁群算法。使信息素矩阵变异并在搜索过程停滞时重置信息素矩阵以在搜索过程中引入多样性。在基准问题集上的对比实验表明,该算法比传统的蚁群算法具有更好的搜索全局最优解的能力。     

混合蚁群蜂群算法在旅行Agent问题中的应用

针对蚁群算法在解决旅行Agent问题（TAP）时存在搜索时间长和易陷入局部最优的缺点,提出一种将蜂群和蚁群算法相结合的新型算法。通过修改状态转移概率和信息素更新规则使算法更符合TAP问题的特征,引入跟随蜂思想使蚂蚁尽快搜索到问题最优解,加入阻塞度因子以避免算法陷入局部最优。仿真结果表明,该算法在解决旅行Agent问题时有效避免了蚁群算法的上述缺点,且在解的性能上优于相关算法。     

改进蚁群算法在支持向量机中的应用

提出一种改进的蚁群算法(ACA)来优化支持向量机(SVM)训练参数.该改进算法建立于每只蚂蚁只根据参数β在其前次迭代的最优解附近搜索,可快速减少搜索范围.参数β的提出可以保证蚁群快速地达到最优解.仿真结果表明:使用该方法优化SVM参数可有效避免陷入局部极值,提高收敛速度.     

基于KPCA及改进蚁群遗传算法的齿轮箱故障诊断

鉴于齿轮箱系统的复杂性和齿轮箱故障信号的多样性,提出一种基于KPCA和改进蚁群遗传算法(IACG)相结合的齿轮箱故障诊断新方法.通过KPCA去掉原始故障参数集中的冗余信息,再利用IACG算法找出降维后参数的最优解.IACG算法改进了传统蚁群算法中的概率转移公式,通过增加区域目标函数值,提高了转移运算的效率和准确率;IACG算法增加了局部搜索功能,计算得到的蚂蚁解与遗传算法的均匀两点交叉算子相结合,减少了算法的搜索时间,扩大了搜索空间,使得收敛效果更趋近最优解.实验结果表明,KPCA与IACG相结合的算法可以有效识别齿轮箱故障,相对于传统的蚁群算法,其运算效率和准确率有很大提高.     

基于改进蜂群算法的波浪发电最大功率跟踪

在波浪发电装置最大功率点跟踪中,浮子受到水动力的非线性导致传统群智能算法收敛速度不佳,易陷入局部最优。为此提出纵横交叉优化的人工蜂群算法(CABC)控制方案。引入纵横交叉算法(CSO)横向交叉算子的个体间变量全交叉思想,优化引导蜂、采蜜蜂搜索方式,增强CABC算法局部搜索能力。引入CSO纵向交叉算子优化侦查蜂,使侦查蜂能利用已知蜜源信息探索未知可行解域,提升CABC算法全局搜索能力。优化蜜源选择概率和人工蜂群结构,进一步改善CABC算法性能。仿真表明,CABC算法全局寻优能力强,收敛速度快,适用于波浪发电装置最大功率点跟踪。     

求解子旅行商问题的改进蚁群算法

已有求解子旅行商问题的蚁群算法存在容易早熟、易于陷入局部最优的问题。为此,提出一种改进的蚁群算法。将拥挤因子嵌入到蚁群算法的状态转移和信息素更新过程中,增强全局搜索能力,设计邻域搜索技术和局部变异技术,以提高解的质量和加快收敛速度。实验结果表明,该算法的求解质量和稳定性较好。     

求解TSP问题的一种改进蚁群算法

TSP问题是典型的NP—hard组合优化问题,用蚁群算法求解此问题存在搜索时间长,容易陷入局部最优解的不足。本文提出了一种改进的蚁群算法。该算法在蚁群算法中植入遗传算法,利用遗传算法生成信息素的分布,克服了蚁群算法中搜索时间长的缺陷。此外,在蚁群算法寻优中,采用交叉和变异的策略,改善了TSP解的质量。仿真结果显示,改进的蚁群算法是有效的。     

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。     

不确定近似骨架蚁群聚类算法在滑坡危险性预测中的研究与应用

受不确定因素降雨难以准确处理的制约以及蚁群聚类算法在搜索空间容易陷入局部最优解和搜索速度慢的特征影响,为了提高滑坡危险性预测的精度,提出一种不确定近似骨架蚁群聚类算法。首先采用Gauss点概率模型来描述不确定数据,对不确定数据进行相似性度量;其次引入信息素重分配和自适应动态变量实现蚁群聚类算法局部信息素和全局信息素更新,提高蚁群聚类算法搜索速度,加载遗传算法避免蚁群聚类算法过早陷入局部最优;最后结合近似骨架理论,构建不确定近似骨架蚁群聚类算法模型,缩减迭代次数,快速搜索出聚类结果。在UCI真实数据集和延安宝塔区滑坡实验数据集上的实验结果显示,不确定近似骨架蚁群聚类 算法具有较高的聚类质量,预测精度达到93.3%,验证了算法在滑坡危险性预测中的可行性。     

聚类佳点集交叉的约束优化混合进化算法

提出一种基于聚类佳点集多父代交叉和自适应约束处理技术的混合进化算法用于求解约束优化问题.新算法的主要特点是:在搜索机制方面,利用佳点集方法构造初始化种群,使个体能够均匀地分布在整个搜索空间.然后根据父代个体的相似度将种群个体进行聚类分析,从聚类中随机选择个体进行佳点集多父代交叉操作,利用多个父代个体所携带的信息产生新的具有代表性的子代个体,能够维持和增加种群的多样性.另外,引入局部搜索策略以提高算法局部搜索能力和收敛速度.在约束处理技术上,新算法引入了一个自适应约束处理技术,即根据当前种群中可行解的比例自适应选择不同的个体比较准则.通过15个标准测试函数验证了新算法的有效性.     

改进优化问题混合算法研究

针对蚁群算法和遗传算法存在的不足,提出了一种优化混合算法。利用遗传算法快速搜索性和改变选择算子、交叉算子和变异算子操作来确定路径上信息素的分布,然后通过蚁群算法的并行性和正反馈机制,反复迭代进行高效求解,从而克服了两种算法的缺点,降低了算法空间复杂度,提高了算法运行效率,进而达到了组合优化的目的。通过对旅行商问题仿真实验结果表明了该算法的有效性和可行性。