基于改进蚁群算法的物流配送车辆路径优化研究

蚁群算法具有十分广阔的应用前景,但蚁群算法在求解路径优化问题中存在收敛速度慢、易陷于局部最优路径等缺点。文章通过改进传统的蚁群算法,使蚁群算法求最优解的性能显著提升,大幅提高了物流配送的效率。     

基于蚁群算法求解TSP问题的参数优化与仿真

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性.阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响.对该算法做了一些改进尝试,仿真研究表明这些改进能在一定程度上使得算法取得更优的值.     

蚁群算法在求解TSP问题中的改进研究

针对蚁群算法在求解大规模优化问题时存在的3个缺点：消耗时间长、蚂蚁在下次搜索时目标导向不强导致搜索随机性大、寻优路径上的信息素过度增强导致得到假的最优解。本文提出了基于边缘初始化和自适应全局信息素的改进蚁群算法。在相同参数下,其搜索时间大大缩短,并且得到了更好的最优解。将其应用到旅行商（TSP）问题中,和基本蚁群算法、遗传算法相比较,其具有以下优点：较好的搜索最优解的能力;对新解不会过早的终止;探索新解的能力进一步增强。因此,改进的蚁群算法在求解TSP等组合优化问题时非常有效。     

装备抢修车多目标路径优化

针对战场抢修工作的特点,建立了考虑安全性、时间损耗等因素的多目标路径优化模型,采用蚁群算法对问题求解,并对蚁群算法进行改进,提升了算法的收敛速度。     

基于改进蚁群算法的组播路由算法研究

提出了一种基于改进蚁群算法的QoS组播路由优化求解方法.新算法采用精英策略进行信息素更新、转轮赌法进行路径选择和变化的信息素强度等方法进行改进.仿真结果表明改进的蚁群算法能有效满足各种业务的服务质量需求.     

基于改进蚁群算法的嵌入式系统软硬件划分

针对标准蚁群算法的软硬件划分问题求解难题,提出改进蚁群算法的系统软硬件划分方法。首先分析了当前嵌入式系统软硬件划分研究的现状,并构建软硬件划分的数学模型;然后采用蚁群算法模拟蚂蚁觅食行为搜索数学模型的最优解,并引入逆反馈机制提高蚁群算法的搜索性能;最后通过实验证明软硬件划分问题求解的有效性。实验结果表明,改进蚁群算法提高了问题求解的效率,获得了合理的软硬件划分结果,且结果优于标准蚁群算法。     

改进蚁群算法在交通系统最短路径问题的研究

求解交通路网中两点间的最短路径是智能交通系统中的一个重要功能,为了更为准确快速地找到最优解,这里分析Dijkstra算法处理动态车辆路径问题中的缺陷,提出一种改进的蚁群算法,即在基本蚁群算法中引入搜索方向和搜索热区机制提高算法的搜索性能.通过建立改进蚁群算法模型,用VC 6.0开发工具,以实际交通地图为例,求解交通网络两点间最短距离;并与基本蚁群算法进行对比.仿真实验表明,传统蚁群算法的平均迭代次数为71.06,改进蚁群算法平均迭代次数为55.82,比传统蚁群算法有了明显的提高.该方法能有效解决交通系统最短路径问题,具有一定的实际意义和参考价值和实际意义.     

求解约束满足问题的改进蚁群优化算法

为了克服传统的回溯算法在求解大型的约束满足问题时效率低,难以在合理的时间内求解这一问题。提出了基于启发式搜索的不完备性算法。结合不同算法特性,主要在蚁群优化元启发式约束求解算法的基础上提出了改进：一是在搜索之前用弧相容检查进行预处理以压缩搜索空间,二是提出了一种新的蚁群算法参数设置方案,提高算法的适应性。最后将改进后的算法应用于求解随机问题和组合优化问题。实验结果表明,改进后的算法求解效率得到大幅度提高。     

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.     

求解TSP问题的改进蚁群算法研究

文章提出了运用一种改进的蚁群算法,主要用来求解旅行商问题(Travelling Salesman Problem,TSP)。实验表明,改进的蚁群算法一定程度上弥补了基本的蚁群算法容易陷入收敛停滞的缺点,且更容易发现更好性质的解。     

基于遗传蚁群优化算法的认知无线电频谱分配

针对认知无线电中的频谱分配问题,提出一种融合了遗传算法和蚁群算法优点的频谱分配方法。该方法利用遗传算法快速随机的群体性全局搜索能力生成初始解,然后利用衔接策略将遗传算法初始解转化为蚁群算法所需的信息素初始分布,最后利用蚁群算法正反馈、收敛高效的特点求取最优解。通过仿真比较了该方法与颜色敏感图着色算法的性能。结果表明动态融合了遗传算法和蚁群算法的优化算法性能明显优于颜色敏感图着色算法,它能更好地实现网络效益最大化。     

机器组卷问题的遗传-蚂蚁算法研究

计算机智能组卷的关键技术在于组卷算法，蚂蚁算法在初期信息素缺乏导致搜索时间较长；遗传算法需要在一组解中寻找最优解而产生大量的重复数据，导致算法效率较低。为了开发出一个具有高效性和鲁棒性的组卷算法，提出了一种融合遗传算法与蚂蚁算法的机器组卷算法，算法利用遗传算子操作的全局收敛快的特点，将最优结果作为蚂蚁算法的初始信息素分布，按照蚂蚁算法的并行反馈信息、求解效率高的特点进行信息更新求得最优解，优势互补。实验表明，算法在收敛性和寻优性都有很好的效果。     

基于群智能神经网络的线性直流电源故障诊断

反向传播算法是应用广泛的一种多层前馈神经网络模型,具有求解精度低、易于陷入局部极小值的缺点.群智能研究领域主要有粒子群优化算法和蚁群算法.粒子群优化算法有收敛速度快、算法参数简洁等特性;蚁群算法具有正反馈、启发性收敛等特性.将群智能神经网络的方法应用于线性直流电源的故障诊断:利用蚁群算法来约简故障特征参数;用粒子群优化算法来训练神经网络的权值.实验表明:此方法提高了网络训练效率和故障定位准确性.     

一种新的基于混合蚁群算法的聚类方法

建立了聚类分析问题模型，分析了K-均值算法、模拟退火算法和基本蚁群算法的优缺点。对蚁群算法作了改进．思路是K-均值方法混合，利用K-均值方法的结果作为初值。经过比较测试，两种混合蚁群算法的效果都比较好．特别混合方法二的效果最好。     

基于蚂蚁算法的传感器网络路由算法研究

深入分析了蚂蚁算法基本原理和实现方法,重点分析了三类蚂蚁算法的实现策略并总结了这三种算法的缺陷和不足之处,结合无线传感器网络的特点,有针对性地提出了一种应用于无线传感器网络的改进的蚂蚁算法,给出了算法的详细实现流程,并证明了在n趋于无穷大的情况下,算法是收敛的,即以100％的概率能得到最优解。而仿真测试结果也表明本文设计的算法在功耗上比Flooding算法大幅度减少,平均延迟却与Omniscient multicast基本相当。     

基于蚁群和模拟退火算法的聚类新方法

模拟退火算法具有良好的全局搜索能力,而蚁群算法具有良好的分布式并行性和正反馈能力.针对样本维数大、数目多时聚类效果不满意的问题,提出了混合的蚁群模拟退火算法,思路是利用K-均值算法的结果作为初值,再使用蚁群算法和模拟退火算法对初值进行调整聚类,结果表明这种算法比较有效.     

基于蚁群算法的P2P网络资源发现算法

Gossip协议是P2P网络的一种流行的资源发现算法,但它没有考虑寻找最低成本的资源。论文提出了基于蚁群算法的新的资源发现算法,在查找资源的同时,综合考虑路径载荷、延时等因素,找到综合费用最低的路径。仿真实验表明,该算法比Dijkstra算法解集的平均综合费用低10%左右,从而能更有效地利用网络资源。     

一种基于混合蚁群算法的矢量量化码书设计算法

提出了一种基于混合蚁群算法的矢量量化码书设计算法。该算法首先通过自适应地调整截取转移概率的参数,加大蚁群算法的搜索最优解的力度;然后以蚁群算法搜索的结果作为初始解,利用改进的LBG算法作进一步的搜索,从而加快算法的收敛速度。实验结果表明,该算法不但大大提高码书性能,而且也缩短了运行时间,解码恢复图像能获得较高的主、客观质量。     

基于蚂蚁算法的PCB板路径优化研究

本文在分析目前焊接PCB板路径规划理论依据的基础上,尝试了将路径规划问题抽象为TSP问题的数学模型解决思路。文章分析研究了该数学模型的计算方法,运用蚁群算法作为计算引擎,通过将蚂蚁算法信息素的引入,使得蚂蚁算法能够以较稳定的速度逼近最优解,编写了相应的Matlab优化程序。结果证明,该算法不仅有效,而且具有较快的计算速度。