对一类带聚类特征TSP问题的蚁群算法求解

蚁群算法是近几年提出的一种新型的模拟进化算法,初步的研究表明该算法具有极强的鲁棒性和发现较好解的能力,但同时也存在收敛速度慢的缺点。针对带聚类特征的TSP问题,提出了一种新型的蚁群算法。该算法利用TSP问题本身所具有的聚类特征,从数据域上将其分解成多个子问题,对每个子问题分别采用蚁群算法并行求解,最后将所有子问题的解按一定规则合并成问题的解。对带聚类特征TSP问题的仿真实验表明该算法的收敛速度得到了极大的提高。     

一种求解约束优化问题的连续域蚁群算法

借鉴蚁群优化算法和粒子群优化算法的思想,提出了一种用于求解约束优化问题的连续域蚁群算法.将搜索域中的任意一点看成食物源,使用多组蚁群进行寻优,每一组蚁群代表问题的一个解,在每一迭代中首先在所有蚁群中选则一组种子蚁群,然后在该组蚁群的信息素密度分布函数下进行采样,生成子代蚁群,最后进行蚁群选择,从而使各组蚁群不断向适应度值较高的搜索区域移动,最终收敛到最优解.对基准测试函数G01-G12的求解结果表明,该方法具有较快的收敛速度和较好的全局寻优能力.     

求解子集问题的鲶鱼效应蝙蝠蚁群优化

为求解子集问题,提出一种新的基于图的蚂蚁系统--鲶鱼效应蝙蝠蚁群优化(catfish bat algorithm ant colony optimization,CBA-ACO)。基于子集问题的构造图,利用路径概率转移公式进行路径搜索,采用等效路径信息素增强进行信息素更新;动态维护一定数量较好路径作为档案信息;使用混沌映射并结合鲶鱼效应对蝙蝠算法(bat algorithm,BA)进行改进,在全局最优解多次未更新时,利用档案信息初始化鲶鱼效应增强搜索,返回较好路径解;采用本轮迭代最优更新和增强搜索更新两种方式更新信息素,兼顾算法的收敛速度和搜索能力。对算法进行了描述并分析算法复杂度。结果表明,CBA-ACO具有更好的稳定性和获取较好解的能力。     

自动化立体仓库拣选作业路径优化问题研究

合理优化货物的拣选路径是提高自动化仓库运行效率的一种有效方法.通过分析自动化仓库拣选作业的工作特点,为自动化仓库拣选作业创建了含装箱约束条件的多目标优化新型数学模型,用遗传算法对该数学模型进行了求解,基于不可行程度和作业次数对遗传算法初始种群的生成进行了改进.实验仿真和工程实际应用表明该模型和算法是可行、有效的.     

基于改进粒子群优化算法的虚拟企业伙伴选择

在分析基本粒子群优化算法和建立虚拟企业伙伴选择多目标决策模型的基础上,提出了一种求解供应链联盟伙伴选择的优化问题的改进粒子群算法.在优化过程中,该算法以优良适应值粒子取代部分不良适应值粒子,使算法具有过滤能力,加快了搜索速度,并保证了收敛于全局最优解.实验结果用基本粒子群算法进行了验证和比较,表明该改进粒子群算法具有较好的性能和简单快速准确等特点.     

一种改进的粗粒度并行蚁群算法

蚁群算法是一种模拟进化算法,具有很强的全局搜索能力。提出了一种基于粗粒度模型的并行蚁群算法,该算法采用了一个新的信息素更新策略———Ant-proportion,这种新的更新策略是综合考虑全局和局部信息,依据蚂蚁在搜索过程中所得到的路径的优劣程度和路径中各路段对其贡献的大小来分配信息素增量;另一方面,该算法采用的粗粒度模型充分利用了蚁群算法内在的并行性,使得算法具有更快的收敛速度和更好的优化质量。最后,选用了CHN144问题对该算法进行了检验,算法求得的最优路径优于已知的最优结果。     

基于记忆曲线的ACO在柔性作业车间的调度优化

为克服蚁群算法存在收敛速度慢、容易陷入局部最优解的问题,通过研究记忆曲线模型和蚁群算法信息素更新规则的特点,提出了一种基于生物记忆曲线模型的信息素更新规则对蚁群算法进行改进,并通过实验确定改进后的蚁群算法各参数的合理取值。以最短加工时间为目标函数,建立柔性作业车间调度的目标函数,结合实际算例借助MATLAB求解。通过与其他改进蚁群算法的对比,对6个Job-Shop Benchmark的基准问题进行仿真,通过仿真结果发现,无论是最优解的质量还是求解速度上改进的蚁群算法较基本蚁群算法都有较大提升。最终得出本文提出的基于生物记忆曲线模型的信息素更新规则具有良好的求解能力和收敛能力。     

一种改进的蚁群算法及其在TSP 中的应用

为了提高传统蚁群优化算法求解的质量,对传统的蚁群优化算法进行了改进,引进了一种信息素适时交换方法,同时在信息素积累的过程中,自适应地改变信息素的挥发率,将算法中的正反馈作用抑制到适当的程度,扩大了可行解的范围,避免了算法过早的停滞,提高了解的质量,同时算法的收敛速度没有明显的降低.通过三种TSP问题的仿真实验,证明该算法具有较强的发现较好解的能力,解的稳定性也比较好.     

具有广泛学习策略的回溯搜索优化算法

回溯搜索优化算法(backtracking search optimization algorithm, BSA)是一种新型的进化算法。同其他进化算法类似,该算法仍存在收敛速度较慢的缺点。针对这一问题,在详细分析该算法原理的基础上,提出了具有广泛学习策略的改进算法。为了充分利用种群搜索到的较优位置,该策略首先利用提出的最优学习进化方程,通过与引入的随机进化方程之间随机选择来提高算法的收敛速度和搜索精度;另一方面,该策略利用提出的最优学习搜索方程,通过控制种群的搜索方向,促使种群尽快收敛至全局最优解。最后对20个复杂测试函数进行了仿真实验,并与其他3种目前流行的算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

一种求解车辆路径问题的混合多蚁群算法

提出一种新的蚁群算法（Multiple Ant Colonies Algorithm based on Sweep Algorithm, SbMACA）用以求解车辆路径问题（Capacitated Vehicle Routing Problem, CVRP）。该方法同以往蚁群算法的不同之处主要体现在两个方面：第一,首次将扫描算法应用于蚁群算法,通过对蚂蚁所构造的初始解中的不同子回路之间的点进行交换优化,该算法可以有效地改进初始解的质量;第二,提出并采用了一种新的多蚁群技术,各个蚁群分别进行各自的搜索,在各个蚁群均停滞后,对蚁群之间的信息素进行交换与更新,以利于蚁群跳离局部最优值。实验结果表明,SbMACA算法具有很强的搜索能力,求取各CVRP的Benchmark问题所得解的质量同最好解相比较而言,平均仅有 0.28%的差距,是求解车辆路径问题的一种十分有效的方法。