蚁群算法中参数设置对其性能影响的研究

蚁群算法是一种新型的仿生智能算法,但由于算法中参数众多,各种参数值的设置对蚁群算法的性能影响很大。因此。蚁群算法中各参数的合理设置是十分关键的,这也是蚁群算法研究的一个难点问题。对蚁群算法的基本原理进行详细介绍,对蚁群算法中各参数对其性能的影响以及各参数的合理设置进行分析研究。     

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。     

嵌入混和混沌搜索的蚁群算法

介绍了一种嵌入变尺度方法和禁忌搜索的混沌优化的蚁群优化法（ACA-HCO）,通过产生随机性的混沌变量,加入智能性禁忌表,采用变尺度法,加速搜索过程,混沌变量的随机性和遍历性有效克服了基本蚁群算法陷入局部最优的不足。将此方法用于求解C-TSP问题结果令人满意,用此方法进行数值计算,并与混和混沌法（MSCOA-TB）比较,其效果明显高于MSCOA-TB。     

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。     

可控搜索偏向的二元蚁群算法

蚁群算法按照信息素轨迹产生的偏向对解空间进行搜索．当前改进蚁群算法性能的主要方法是提高种群的多样性,少有对搜索偏向进行控制．本文以可控搜索偏向作为研究的出发点,通过对至今最优信息素更新方式的分析,得出了从任意代到算法收敛没有发现较优解的概率下限．并以此为基础,把访问量与蚂蚁数量的关系作为控制偏向的依据,在兼顾提高种群多样性的前提下,设计了可控搜索偏向的二元蚁群算法．通过多个函数的测试以及0—1多背包问题的应用,其实验结果表明该算法有较好的搜索能力以及较快的收敛速度．     

一种混沌蚁群优化的多约束QoS算法*

蚁群算法提高算法了精度,但易陷入局部寻优过程,本文利用混沌算法随机性、规律性和遍历性来优化蚁群算法,充分考虑两种算法的优点,并将其结合求解最短QoS路由问题,提高了蚁群算法的搜索范围,仿真实验表明,该算法避免了系统的早熟收敛,并具有较好的稳定性和收敛性。     

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。     

基于局部禁忌搜索策略的连续空间蚁群算法

针对蚁群算法容易陷入局部最优解及搜索时间长等不足,引入一种基于连续空间的禁忌搜索算法,并将其与蚁群算法相结合,提出了一种引入禁忌搜索策略的蚁群算法,以求解连续对象优化问题。经测试验证了该算法不仅跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,表明算法的有效性。     

蚁群优化算法求解TSP问题研究

介绍了信息素混合更新的蚁群优化算法,并用来求解TSP问题。混合信息素更新的蚁群优化算法是在蚁群系统（ACS）的基础上改进而成的,它在演化过程中,通过改变信息素的迭代最优更新规则和全局最优更新规则的使用频率,逐渐增加全局最优更新规则的使用频率,从而提高系统收敛的速度和减少系统搜索的导向性,并以Oliver30和att48为例给出了实验结果,说明了该混合算法的有效性。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

蚁群优化算法的研究现状及研究展望

本文首先简要地介绍蚁群优化算法的来源、对应的生物原理和算法实现的框架．然后详细地讨论了算法的研究现状以及在各种优化问题中的应用情况，同时也指出了蚁群优化算法在当前应用中的一些不足．针对这些不足提出了解决方法，描述了几种蚁群优化算法的修正策略.最后对蚁群优化算法下一步的研究方向进行了展望．     

基于分层搜索的蚁群算法及收敛性分析

针对蚁群算法容易陷入局部最优的问题,提出一种新的解决连续空间优化的蚁群分层搜索算法。该算法将蚁群搜索空间逐层分割,用信息素分布函数给出了基于分层结点的信息素分布方法。定义了适用于连续域的信息素局部更新、全局更新、状态转移规则,其中局部更新算子能够通过选取合适的参数来增加解的多样性。实验结果表明,相比传统算法,该算法全局搜索能力强,求解精度更高。该算法能达到连续域问题的理论最优值,通过下鞅的停时理论证明了算法以概率1收敛。     

蚁群算法的BP网络优化算法

利用蚁群算法和BP网络训练算法相结合的方法对无线传感网络节点路由路径搜索展开了分析研究,简单分析了蚁群算法实现的基本原理,在此基础上重点给出了基于蚁群算法的BP网络优化算法的基本原理及其实现步骤,并对该优化算法与传统的BP网络训练算法的性能进行了对比仿真测试。     

泛区间搜索的连续函数优化鲁棒蚁群算法

针对现有连续函数优化蚁群算法对自变量的初始区间存在敏感度问题,提出泛区间搜索的理念.通过在网格策略上加入新元素——自调整定义域的机制、自适应的蚁群规模、自适应的信息素增加强度和自适应的网格划分份数,提出泛区间搜索的连续函数优化蚁群算法.该算法可根据现有区间判断最优解的方位,实现全实数范围内的广度搜索.仿真实验表明该算法具备鲁棒性,在初始区间不含最优解的条件下也能找到最优解,且收敛速度和计算准确性受区间变化的影响较小.     

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。     

基于改进蚁群算法的物流配送问题研究

对带时间窗的物流配送车辆路径优化调度问题进行了描述,给出了数学模型,在最大～最小蚁群算法的基础之上,提出了一种改进的蚁群算法,在物流配送路径优化问题初始解的构造、路径优化、转移规则、信息素更新方式、算法终止判断等进行了改进,并通过引入信息熵的概念,利用与算法运行过程有关的信息熵的值表示选择过程中的不确定性,来控制路径选择和局部随机变异扰动的概率,以实现算法的自适应调节,同时结合局部优化方法对解进行二次优化,通过这些改进,提高了算法的搜索效率,实验仿真整明了该改进算法的有效性.     

蚁群算法及其应用研究

蚁群算法是一种新型的模拟进化算法,是受到真实蚁群的觅食机制的启发而提出的。介绍了蚁群算法的基本原理和工作机制,并分别就蚁群算法的理论和应用进行了阐述,包括蚁群算法改进的不同算法以及蚁群算法在各个领域中的应用,并进一步给出了研究重点和发展方向。     

一种基因与蚁群的融合算法研究

蚁群算法具有分布式并行搜索能力，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，收敛较慢。提出一种基因算法与蚁群算法融合的算法，将基因算法加入蚁群算法的每一次迭代中，利用基因算法快速收敛的优点，来加快蚁群系统的收敛速度；且基因算法中的变异机制，有利于提高蚁群算法跳出局部最优的能力。优势互补，实验结果表明该基因蚁群融合算法在寻优能力和收敛速度上都比基因算法和蚁群算法有较大的提高。     

基于蚁群算法的多维有约束函数优化研究

利用蚁群算法的基本原理,将多维有约束的优化问题通过罚惩因子方式转换为统一的多变量目标函数形式,并将所有独立变量分成不同的等份区域,以蚂蚁走过每一变量的一个区域并访问完所有变量所构成的构造图作为优化问题的可行解,获得这一可行解的过程即为蚁群算法的粗搜索;再将粗搜索所获得的解执行遗传交叉及变异操作,从而构建另一种精搜索蚁群算法以获得更精确的全局优化解。给出了基于蚁群算法的多维有约束函数优化的具体算法。通过其他三种优化方法及本文方法对行星轮系优化设计的对比求解,验证了该优化方法的高效性及准确性。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。