共查询到10条相似文献,搜索用时 468 毫秒
1.
为提高蚁群算法的运算效率,提出一种改进的蚁群算法来求解问题。研究中中引入阀值排序算法对搜索路径进行优化,解决了蚁群算法前期搜索路径的盲目性问题。改进的蚁群算法加快了收敛速度,并提高了稳定性。经仿真试验证明,改进蚁群算法性在减少算法的迭代次数和提高解的稳定性方面有了较大的提高,并且能很好的用于求解路径时间最优问题。 相似文献
2.
遗传算法和蚁群算法被广泛应用于路径规划,但遗传算法收敛速度慢,蚁群算法易陷入局部最优,在求解旅行商问题上都有一定的缺陷。本文采用遗传与蚁群混合算法,充分利用遗传算法的快速全局搜索能力和蚁群算法的智能性,用蚁群算法迭代每只蚂蚁走过的路径序列作为遗传算法的初始种群,克服随机选择的盲目性,从而提高算法的性能。仿真计算结果表明,该算法可以找到最优解或近似最优解,并提高了求解效率。 相似文献
3.
蚁群算法与遗传算法对TSP的一种融合 总被引:1,自引:0,他引:1
蚁群算法是通过信息素的累积和更新收敛于最优路径上,求解速度慢,而遗传算法具有快速随机的局部搜索能力。为此本文将遗传算法和蚁群算法相融合,给出一种改进的算法并用于TSP问题的求解。在问题求解中,用蚁群算法迭代每只蚂蚁走过的路径序列作为遗传算法的初始种群,克服随机选择的盲目性,从而提高算法的性能。模拟结果显示该算法是有效的和可行的。 相似文献
4.
5.
针对蚁群(ACO)算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法(IPDULACO)。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题(TSP)进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。 相似文献
6.
研究了电网规划的优化问题。针对传统电网规划问题在计算过程中,由于物理参数和特定参数取值的广泛性,使得对整个电网网络全局搜索能力较差,收敛速度较慢,易出现陷入局部最优和停滞现象。为了解决上述问题,提出一种改进启发式蚁群算法求解电网线路规划问题。改进算法先建立电网网络体系模型,利用启发式蚁群算法对全局进行搜索,并通过信息素挥发因子的动态参数调节以提高路径的搜索能力和搜索概率,提高了对全局搜索精度,并要求对搜索路径进行求解并反复迭代,对局部更新方式进行重新组合,从而确定了电网网络线路规划问题的最优解。仿真结果表明,在求解过程中可以有效地提高计算精度,加快全局收敛速度,降低了计算的复杂度,增强了电网网络的鲁棒性和稳定性。 相似文献
7.
蚁群优化算法是一种能应用于求解旅行商问题(Traveling Salesman Problem,TSP)的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。 相似文献
8.
基本蚁群算法在求解图的最优路径问题时,随着图的节点的增加,搜索速度变慢,并且容易陷入局部最优的问题。针对这个问题,对基本蚁群算法进行改进,通过引入搜索方向引导信息和搜索热区信息提高了算法的搜索速度和精度。仿真实验表明,改进蚁群算法比基本蚁群算法具有更高搜索速度和精度,且易得到全局最优路径. 相似文献
9.
针对基本型蚁群算法迭代次数多,搜素时间较长,收敛速度慢的缺陷,采用改进的自适应蚁群算法,根据全局最优解的分布情况自适应地进行信息素范围的更新,从而动态地调整各路径上的信息素强度,同时,建立数学模型,给出求解TSP问题的改进算法,仿真出通过改进的自适应蚁群算法得到的最优路径,应用到患者位置与急救调度站之间最优路径的选择。结果表明,该模型和算法在收敛速度和迭代次数上均优于基本型蚁群算法。 相似文献