基于拥挤度因子的动态信息素更新策略蚁群算法

针对蚁群算法易陷入局部最优、收敛速度慢的问题,文中提出了一种基于拥挤度因子的动态信息素更新策略的蚁群算法(CFACS)。引入鱼群算法中拥挤度的思想,扩大种群中蚂蚁分布范围,使其探索更大的解空间,提高算法全局搜索能力;采用动态信息素更新策略,在每一次迭代中,自适应调整当前最优路径所释放的信息素浓度,保证蚁群前期的多样性,同时保证算法在后期的收敛性。求解TSP问题的仿真实验表明,改进算法求得解的质量和求解的收敛速度都明显优于传统蚁群算法,较好地平衡了种群多样性与收敛速度之间的矛盾。     

改进的蚁群算法及其在TSP问题中的应用

针对蚁群算法容易陷入局部最优解的缺点,提出了一种改进的蚁群算法。该算法通过禁忌当前取得的最优路径,有选择地更新信息素,而后重新搜索,有效提高了基本蚁群算法的寻优能力。文中将改进后的蚁群算法应用于TSP问题,通过对典型的Eil51.tsp进行测试,证明了改进后算法的可行性有和效性。     

旋转货架拣选作业优化的交叉蚁群算法求解

单伺服机分层水平旋转货架存取路径优化问题是一个特殊的TSP问题,为NP完全难题。使用蚁群算法来求解该问题,搜索时间长、收敛速度慢、易陷于局部最优解。为此,根据遗传算法中的交叉操作对该算法进行了改进,构造交叉蚁群算法,并进行计算机仿真,结果表明该算法能较快地找到最优解。     

基于自然选择策略的蚁群算法求解TSP问题

针对蚁群算法收敛速度慢,容易陷入局部最优解的缺陷,提出了一种基于自然选择策略的改进型蚁群算法,改进后的算法利用自然选择中“优胜劣汰”的进化策略,对每次迭代的随机进化因子大于进化漂变阈值的路径信息素进行二次更新,增强满足进化策略路径上的信息素浓度,以加快算法的收敛速度;而随机进化因子的随机性增强了算法跳出局部最优解的概率。将提出的改进型蚁群算法求解经典的TSP问题,并通过实验证明了改进后的蚁群算法在最优解精度和收敛速度等方面均有所提高。     

基于基因表达式编程的混合蚁群算法简

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。针对此问题,本文提出了一种先用基因表达式编程生成信息素分布,再利用蚁群算法求优化解的新的混合算法。并通过求解复杂TSP问题的仿真数据实验验证了这种基于基因表达式编程的混合蚁群算法的高效性。     

基于基因表达式编程的混合蚁群算法

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。针对此问题,本文提出了一种先用基因表达式编程生成信息素分布,再利用蚁群算法求优化解的新的混合算法。并通过求解复杂TSP问题的仿真数据实验验证了这种基于基因表达式编程的混合蚁群算法的高效性。     

基于混沌搜索的蚁群优化算法

文中算法将蚁群算法与混沌搜索相结合,蚁群算法陷入局部最优时,利用混沌搜索对局部最优解进行二次寻优;对二次寻优结果再重复利用蚁群算法,扩大了搜索范围,避免了算法易陷入局部最优的特点。最后通过三个TSP问题进行实验对比,结果表明基于混沌搜索的蚁群算法充分利用了混沌搜索的随机性和蚁群算法的并行性,在收敛性和优化性方面得到了提高。     

基于蚁群算法的仿射变换参数求解

仿射变换参数估计是图像配准的基于蚁群算法的仿射变换参数估计方法,针对蚁群算法求解多维连续优化问题的不足,将仿射变换参数空间划分成若干子域,改进蚁群的搜索方法和信息素更新方法,快速搜索全局最优解,实验结果表明,该算法能够有效地估计仿射变换参数.     

一种求解TSP问题的改进遗传蚁群算法

旅行商问题(TSP)是一种经典的组合优化问题.传统的蚁群算法运用正反馈和分布式计算机制,具有较强的鲁棒性.但是该算法搜索时间长、易出现早熟停滞现象.因此本文根据旅行商问题的模型特点,在蚁群算法的基础上针对TSP问题提出了一种新型的改进蚁群算法:即变参数选择城市策略,并且在交叉策略中选择PMX(Partially Matched Crossover)交叉策略.实验结果表明,与传统基本蚁群算法和遗传算法相比,能够较快地找到最优解,解的质量也相对较好,因此提高了蚁群算法对TSP问题的求解效率.     

改进蚁群算法求解最短路径问题

针对蚁群算法在收敛过程中需要多次迭代和容易陷入局部最优解的问题,本文提出一种改进策略的蚁群算法--自主复制蚁群算法(Auto Copy Ant Colony Algorithm,AC-ACO)。通过蚂蚁自主复制和分泌标记信息素实现快速找到最短路径问题最优解。仿真结果显示,AC-ACO算法能降低迭代次数,增强算法的搜索能力。     

基于蚁群算法的有时间窗车辆调度问题的研究

有时间窗的车辆调度问题（vSPITw）是一个复杂的非线性组合优化问题，一般运用分阶段方法求解。现将蚁群算法应用于车辆调度问题，设计动态确定车辆数和随机搜索路径的新方法，实现车辆数和路径长度的同时优化，并对蚁群算法的信息素更新规则进行了改进，以优化其搜索能力和加快收敛速度。同时给出了算法的实现过程，通过对实例求解，取得了满意的结果。     

人工蚁群聚类码书设计算法

文中将频率敏感算法引入到基本的蚁群算法中,提出了一种改进的蚁群聚类码书设计算法。在提出的码书设计算法中采用LBG码书优化准则,引入了频率敏感算法。仿真实验表明,提出的算法避免了停滞现象发生,有效地提高了其全局搜索能力。     

求解Job-Shop调度问题的改进蚁群算法

蚁群算法是一种新型的模拟进化算法,具有一些优良性质,但是蚁群算法容易陷入局部最优,且初期信息素匮乏导致求解速度慢.针对这一特点,在蚁群算法中引入遗传变异操作,并对蚁群算法做了改进.实验结果表明此方法行之有效.     

基于蚁群算法的网络层析故障链路诊断

为了解决网络层析成像中链路故障诊断的NP难问题,提出一种基于蚁群算法的故障链路诊断方法。首先将问题建模成一个组合优化问题,利用蚁群算法在解决组合优化问题中独特的优势进行求解。不同于传统的蚁群算法,求解故障链路时蚁群在初始放置点和可行路径上都受约束。为了加快算法的收敛速度,对蚁群算法的初始信息素浓度进行优化。仿真结果表明,所提出的算法在故障链路检测中具有较好的精度和召回率。     

蚁群算法收敛性验证系统的研究与实现

蚁群算法是一种新型的仿生优化算法,具有较强的鲁棒性、优良的分布式机制、并行性以及正反馈等特点。目前蚁群算法已涉及众多应用领域,在解决复杂优化问题上具有较多优越性。文中深入研究了蚁群算法的性能及机制,分析了参数对算法性能的影响。在理论研究的基础上,实现了蚁群算法的仿真实验;通过Java绘图界面形象完整地展现出整个收敛的过程,验证了蚁群算法的收敛性;通过对参数的调试、组合,得到了最佳的收敛效果。该系统的实现对今后收敛性的研究打下了基础。     

Ant colony algorithm of partially optimal programming based on dynamic convex hull guidance for solving TSP problem

To solve basic ant colony algorithm’s drawbacks of large search space,low convergence rate and easiness of trapping in local optimal solution,an ant colony algorithm of partially optimal programming based on dynamic convex hull guidance was proposed.The improved algorithm dynamically controlled the urban selection range of the ants,which could reduce the search space of ants on basis of helping the algorithm to jump out of local optimal solution to global optimal solution.Meanwhile,the delayed drift factor and the convex hull constructed by the cities to be chosen were introduced to intervene the current ants’ urban choice,it could increase the diversity of the early solution of the algorithm and improve the ability of ants’ partially optimal programming.Then the pheromone updating was coordinated by using construction information of convex hull and the complete path information that combined local with whole,it could improve the accuracy of the algorithm by guiding the subsequent ants to partially optimal programming.The pheromone maximum and minimum limit strategy with convergence was designed to avoid the algorithm’s premature stagnation and accelerate the solving speed of the algorithm.Finally,the proposed algorithm was applied to four classic TSP models.Simulation results show that the algorithm has better optimal solution,higher convergence rate and better applicability.     

基于MapReduce的并行蚁群算法研究与实现

蚁群算法在处理大规模TSP问题耗时较长,为解决这一不足,给出了一种基于MapReduce编程模式的并行蚁群算法。采用MapReduce的并行优化技术对蚁群算法中最耗时的循环迭代和循环赋值部分进行改进,同时运用PC集群环境的优势将具有一定规模的小蚁群分配到对应的PC机上,使其并行执行,减少运行时间。实验证明改进后的并行蚁群算法在大数据集上运行时间明显缩短,执行效率显著提高。     

求解函数优化问题的快速连续蚁群算法

 用蚁群算法进行函数优化时,存在收敛速度慢并易于陷入局部最小等问题.为此,根据对真实蚂蚁的最新研究成果,提出了一种全新的由侦察蚁和觅食蚁协作搜索的函数优化快速连续蚁群算法.该算法首先引入混沌序列确定侦察蚁的初始位置,然后由侦察蚁进行全局大视域快速搜索,且每迭代完一步和每迭代完一代都要对解进行评价,并对本代最优解的信息素进行标记,由此吸引觅食蚁在本代最优解周围空间进行小步长搜索.通过这种初始化方法和侦察蚁与觅食蚁的相互协作,不仅能很好的提高寻优精度,且使收敛速度大幅提高.计算机仿真实验结果表明,本算法寻优率高,收敛速度提高显著,效果令人满意.