网格资源的组织与发现研究

分析了网格资源的组织形式,阐述了蚁群算法的基本原理,提出了一种基于蚁群算法的网格资源发现方法.其中,将用户请求本体看作蚂蚁,查找的资源即搜索的目标视为食物,食物源就是存在搜索目标的节点.蚂蚁寻找食物的过程就是网格资源的发现过程.     

优化的蚁群算法在无线传感器网络中的应用

蚁群算法是一种新型的用于求解组合优化或函数优化问题的启发式算法,其基本思想是借用生物界的蚂蚁群体觅食机理,将每个蚂蚁看作一个智能体,作为智能群体的蚁群,其觅食过程显现出高度的并行性、正反馈性和鲁棒性,以此为基础的蚁群算法也具有这样一些特点。蚁群算法在路径选择方面的优势正好应用于无线传感器网络中源节点到目标节点的最优路径的建立。     

最短路的蚁群算法收敛性分析

蚁群算法最初出发点是模拟蚂蚁觅食,蚂蚁可以利用局部信息素的变化找到从蚁穴到食物的最短路。对求解最短路问题的蚁群算法的收敛性进行了探索性分析,定理给出了寻找最短路的蚁群算法收敛的充分条件,并通过一个数值例子验证了该结果。     

基于交换机制的自适应蚁群聚类算法

在研究了基本聚类模型的基础上,模拟蚂蚁寻找食物源的行为,提出了一种基于蚁群最优化的自适应聚类分析的新方法。与之前的蚁群聚类不同,引入交换机制增强蚁群的觅食能力以提高聚类性能。该算法可以不用预先输入聚类数目,在仿真实验中该方法获得了比GCA算法和Kmeans算法更好的表现,表明这种基于交换机制的聚类算法具有较好的聚类性能。     

一种基于蚁群算法的用户浏览路径推荐方法

在协同过滤算法的基础上,结合仿生学蚁群算法设计出一种新型的推荐算法.该算法模拟蚂蚁觅食原理,将用户视为"蚂蚁",目标商品视为"食物",利用蚂蚁之间通过信息素的交流来预测用户下一步将要浏览的商品项目.从标准数据集MovieLens上的测试结果表明,相比于传统的协同过滤算法,该算法可有效减少由数据集稀疏带来的问题,提高推荐系统的推荐质量.     

蚁群优化算法的研究进展

综述了用于组合优化的蚁群算法近年来的研究成果,简述了蚁群的觅食行为及蚂蚁的信息系统,介绍了人工蚁群算法及其在组合优化中的应用,并对这种算法仍需解决的问题和未来的发展方向进行了探讨.     

蚁群算法研究进展

人工蚁群算法是受到蚂蚁在觅食过程中能发现蚁巢到食物的最短路径这种搜索机制的启发而发展起来的一种群体智能算法、蚁群算法在求解一系列困难的组合优化问题上取得成效，成为解决TSP，VRP，QAP，JSP等典型问题的一种新型的强有力算法．对蚁群算法的起源和发展历史、算法理论研究的主要内容和方法、基于算法的改进以及应用范畴等，进行了系统的总结与综述，并对这一新型现代启发式算法的发展方向进行了展望．     

基于蚁群算法的移动机器人全局路径规划

移动机器人路径规划是机器人学的一个重要研究领域,蚁群算法是一种模拟蚂蚁群体觅食行为的仿生优化算法。结合机器人路径规划的特点,将确定性选择和蚁群算法的随机性选择相结合进行节点转移,每次循环后只对较优蚂蚁路径进行信息素更新,提高了算法收敛的速度;在寻找路径过程中蚂蚁无后继转移节点时,采用蚂蚁回退策略,增强了算法在复杂障碍物环境中寻找路径的健壮性。仿真试验表明,该算法能在障碍物较复杂的情况下迅速规划出较优的全局路径。     

典型生物群集行为

<正>蚂蚁群体是一种广为人知的高度结构化的社会组织,其觅食行为是一种典型的群集行为。蚂蚁在活动过程中会释放出信息素,其他蚂蚁可以检测出信息素的浓度,并确定自身前进的方向。信息素会随着时间的推移逐渐挥发,蚂蚁走过的路径上信息素浓度会得到加强,从而促使更多蚂蚁选择该路径,形成正反馈过程。蚁群通过这种简单的信息交流,实现正反馈的信息学习机制,从而找出食物源和巢穴之间的最短路径。     

基于蚁群优化算法求解最大团问题的研究

蚁群算法是一种通过模拟自然界中蚂蚁觅食行为而发展而来的新型启发式仿生优化算法,提出至今被研究人员广泛应用于各种组合优化问题.最大团问题是图论中著名的NPC问题,本文对于基本蚁群算法进行了分析与讨论,针对基本蚁群算法的容易陷入局部最优解、收敛速度慢等问题进行了改进,提出了一种新型蚁群优化算法.本文提出的新型蚁群优化算法增加了结点度和历史选择次数表策略影响蚂蚁选点;另外提出了构造独立的局部信息素更新机制.最后通过对比实验验证,数据结果证明新提出的优化算法相对于基本蚁群算法的优越性和可行性.     

基于蚁群行为的自适应Web站点及其仿真研究

被蚂蚁的觅食行为所激发(在巢与食物源之间总能找到一条最短路径),提出了一种建立Web自适应站点的方法。该方法把Web用户比作人工蚂蚁,在蚁群理论的指导下使Web用户能通过最短路径到达目标页面,从而自适应地标识出最重要的链接。同时,通过仿真实验对影响Web用户行为的因素(信息素的重要程度、信息素的蒸发系数、Web用户数等)进行了研究,其结论对进一步的理论研究和算法实现具有重要的参考价值。     

耦合体系拓扑空间的局部损坏与子空间的重构

本文设想由蚁穴和食物源之间多条可能路径形成一个网络结构空间,考察该空间的拓扑结构发生局部改变或出现缺损时,对蚁群寻找最佳路径的影响。采用蚁群优化算法进行模拟计算,构建出让耦合体系重新达到最优状态时所对应的拓扑结构,计算出相应的连接通道。研究发现,利用蚂蚁可搜索出新的路径通道,一方面,蚁群可以搜索出替代的路径通道,构建出子空间来弥补局部缺损带来的影响,恢复体系的相应功能;另一方面,蚂蚁搜寻的最佳路径与出现局部毁损的时间长短有关,分别对应于局部最优解和组合式最优解。研究表明,利用蚁群优化算法,不仅可以构建新的子空间修复信息通路,而且可以通过对信息过载现象来预测和排查神经网络或信息网络中的局部病变或故障所在。     

蚁群算法理论及其应用研究

蚁群算法是一种模拟昆虫王国中蚂蚁群体觅食行为的仿生优化算法,该算法采用了正反馈并行自催化机制,具有较强的鲁棒性、优良的分布式计算机制、易与其它方法结合等优点,在解决许多复杂优化问题方面已经展现出其优异的性能和巨大的发展潜力。本文介绍了基本蚁群算法的原理、数学模型,总结近年来蚁群算法在一些新领域中的发展应用,分析了蚁群算法未来的研究方向和主要研究内容。     

基于混合人工势场-蚁群算法的机器人避障

针对移动机器人避障的路径规划问题,提出一种基于混合人工势场-蚁群算法的方法。在栅格环境中,以人工势场法的规划信息作为蚁群算法寻优的基础,引入势场合力作为蚂蚁搜索路径点的部分启发信息。Mat-lab7.6仿真表明,该方法解决了人工势场法的目标不可达、易陷入极值点等弊端,提高了经典蚁群算法的寻优效果和收敛速率,具有更强的稳定性和环境适应力。     

基于蚁群算法求解TSP

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发式算法,被广泛地用于解决组合优化问题,它是新兴的仿生进化算法,具有并行计算、正反馈等特点,具有较强的发现问题的能力,在许多领域得到应用。文章应用蚁群算法求解TSP问题,分析了蚁群算法的原理、特征、参数及求解TSP问题的具体实现步骤。     

基于动态参数蚁群算法的寻源导热反问题研究

基于蚁群优化算法,求解含有未知内热源位置的导热逆问题.通过分析计算表明:信息素启发因子、能见度启发因子、信息素挥发率等蚁群参数对蚁群选择路径以及路径上信息素浓度更新有直接影响,其取值最终会影响求解结果的准确性及收敛速度.在计算过程中,路径上的信息素浓度不断改变,蚂蚁选择路径也趋于集中,采用定值蚁群参数不能满足在整个计算过程中都具有良好的性能,为此提出了动态参数蚁群算法,并根据计算分析结果确定蚁群参数值随全局循环次数而变的动态函数.计算结果证明,采用动态参数蚁群算法能有效提高求解反问题的质量及收敛速度.     

基于混沌蚁群算法的连铸二冷参数多准则优化

针对连铸二冷配水参数设置这一多准则优化问题,提出了基于混沌蚁群算法和二维凝固传热数学模型的二冷参数优化方法.采用控制容积法建立的凝固传热模型主要用于连铸过程仿真,研究铸流表面温度分布和参数搜索空间特性.混沌蚁群算法用于解决二冷参数优化问题,具有蚂蚁觅食过程的混沌和自组织特性,克服了一般蚁群算法收敛速度比较慢、容易出现停滞以及全局搜索能力较低的缺点,对解决多准则优化具有较好的收敛性和鲁棒性.应用此方法进行实际铸机二冷参数优化,结果表明可以明显改进铸坯内部质量.