改进的蚁群算法求解连续性空间优化问题

为了克服基本蚁群算法搜索时间过长,易陷于局部最优等缺点。引入了随机算法,并提出了一种采用随机模式调整信息素的改进蚁群算法RACA(Randomized Ant Colony Algorithm)。采用随机地计算部分点的函数值,并对当前最优、次优解的部分解启用新的信息素调整规则。该算法保持了解的多样性,增强了全局搜索的能力。运算结果表明新的蚁群算法对求解连续函数优化问题有较好的改进效果。     

蚁群算法的分析及其改进研究

蚁群优化算法（Ant Colony Optimization ACO）是一种新颖的仿生进化类算法,适用于求解各种复杂组合优化问题。当前该研究方法尚处于研究的初级阶段,本文针对传统的蚁群算法容易出现早熟和停滞现象,提出了一种新的自适应蚂蚁算法,对传统的蚁群算法中的信息素参数进行动态的自适应调整,并选取几个典型TSP问题进行实验,结果表明改进蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性。     

混合群智能算法在模体识别中的应用

为了避免传统吉布斯算法的诸多缺陷,提高算法的求解能力,对蚁群算法(ACO:Ant Colony Optimization)进行了改进:引入粒子群算法(PSO:Particle Swarm Optimization)动态调节ACO函数中的参数获得最优解。在奔腾PC机的实验平台上、Windows 2003 Server操作系统下、开发工具为VB的模拟实验中,结果证明,混合的群智能算法使经典旅行商问题求解的计算时间缩短,提高了算法的收敛速度,有较好的发展前景。利用PSO处理连续优化问题的优点,将混合算法应用于生物信息学的模体识别中,可实现更加快速的基序发现处理。     

自适应蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出了一种自适应蚂蚁算法(Self-Adaptive Ant Colony Algorithm,SAACA)并选择典型TSP问题进行实验.结果表明:改进的蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性.     

基于群体智能的蚁群算法原理及应用研究

自然界中群居性生物通过协作表现出的宏观智能行为特征被称为群体智能,群体智能已成为人工智能及相关领域的研究热点.蚁群算法(Ant Colony Optimization,ACO)是一种新颖的组合优化算法,它具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合等优点.主要介绍了蚁群算法的原理,探讨了蚁群优化算法及其应用.     

基于改进模拟退火的多星任务规划方法

多星任务规划是一个多任务冲突、多资源约束的优化问题。随着卫星数量的日益增多,其地位越来越重要。针对该问题,综合蚁群算法的反馈特性和模拟退火算法的局部搜索特性,设计了一种基于知识的改进模拟退火算法。并对知识定义、知识更新规则和任务冲突处理策略做了详细描述。仿真表明算法在性能上比遗传算法(Genetic Algorithm,GA)和蚁群算法(Ant Colony Algorithm,ACO)均有一定的优势,证明了改进模拟退火算法的有效性。     

基于蚁群优化的故障分类研究

蚁群优化(Ant Colony Optimization,ACO)是一种基于种群的启发式搜索算法,得到广泛应用.分类问题由于其潜在应用领域的广泛性而成为研究热点.将ACO算法用于设备故障的分类中,提高了分类的准确率及时间效率.并对蚁群优化研究提出了新的课题.     

求解TSP问题的文化蚁群优化算法

将蚁群系统(Ant Colony System,ACS)纳入文化算法框架,提出了一种新的高效文化蚁群优化算法(Cultural Ant Colony System,CACS)。该计算模型包含基于蚁群系统的群体空间和基于当前最优解的信仰空间,两空间具有各自群体并独立并行演化。群体空间定期将最优解贡献给信仰空间,信仰空间采用随机2-OPT交换操作,对最优解进行变异优化;经演化后的解个体用来对群体空间全局信息素更新,帮助指导群体空间的进化过程,从而达到提高种群的多样性、防止早熟、降低计算代价的目的。针对典型的旅行商问题(TSP)进行对比实验,验证了所提出的算法在速度和精度方面优于传统的蚁群系统。     

一种基于蚁群算法的多媒体网络多播路由算法

为了克服蚁群算法（Ant Colony Optimization,ACO）收敛速度慢，易限于局部最小点等缺陷，对ACO进行了改进，在每次循环结束时，保留最优解，自适应地改变挥发度系数，引入遗传算法的交叉算子，提出了一种基于ACO的有时延约束的多播路由算法模型。仿真结果表明，基于改进ACO的多播路由算法模型 可以稳定地获得优于现有启发式算法的解，是一种有效的多播路算法，该算法也适用于并行执行和应用。     

基于改进ACS算法的移动机器人路径规划研究

针对蚁群系统(Ant Colony System,ACS)算法存在收敛速度慢、路径不平滑、易陷入局部最优等缺点,提出了一种基于万有引力搜索策略的ACS算法.为了解决算法初期由于地图信息匮乏,导致蚁群寻路盲目性较大的问题,提出了简化ACS算法对初始信息素浓度进行更新.引入万有引力算法搜索策略,提升了算法收敛速度,且有效解决了局部最优问题.对每次迭代获取到的最优路径进行优化,减少了路径的转折点数量、提升了路径平滑性.仿真试验表明,改进算法能够有效提升算法的收敛速度、路径平滑性.将改进算法应用到实际的移动机器人导航试验中,试验结果表明,改进算法能够有效解决移动机器人的路径规划问题,且有效提升移动机器人的导航效率.     

混沌蚁群算法在回归分析中的应用

混沌蚁群优化算法将混沌搜索与蚁群算法相结合，在蚁群搜索完成后，利用混沌进行细搜索，以提高搜索精度，避免陷入局部最小点．将其用于线性回归分析，仿真结果表明，混沌蚁群算法能够有效地解决回归分析问题，为回归问题提供了一个新的解决方法．     

基于SACO算法的碎纸片拼接复原模型

破碎文件的拼接在司法物证复原、历史文献修复以及军事情报获取等领域都有着重要的应用．文章基于灰度图像原理和欧氏几何理论,定义了列约束匹配准则,分别设计了基于列约束匹配准则的欧氏距离变换算法、类蚁群优化算法SACO,建立了欧氏距离变换模型、类蚁群优化算法的碎片拼接等模型,对碎纸片的拼接复原问题进行了相应的求解．     

基于蚁群和粒子群优化的混合算法求解TSP问题

提出了一种基于蚁群优化和粒子群优化的混合算法求解TSP(Traveling Salesm an Prob lem)问题。在应用蚁群算法对TSP问题的求解过程中,利用粒子群算法对蚁群系统的参数进行优化,其目的是提高蚁群系统的优化性能,使蚁群系统的参数不必靠人工经验或反复试验选取,而是通过粒子搜索自适应选取。     

带有动态参数决策模型的改进蚁群优化算法

蚁群优化算法的参数设置一直是依靠经验和试验来确定,造成试验工作量大且难以得到最优的参数组合。通过对蚁群优化算法各操作参数作用与意义的分析,将蚁群优化算法的参数设定描述为一个多因素多水平优化设计问题。为使蚁群优化算法在应用中发挥最佳的寻优性能,提出带有动态参数决策模型的改进蚁群优化算法。作业车间调度问题的仿真试验表明,利用动态参数决策模型得到的参数组合可使蚁群优化算法获得较优的运行性能,说明了该方法的可行性和有效性。     

用分层蚁群算法求解优化问题

提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。     

探索因子蚁群算法及其在VRP中的应用

蚁群算法是一种新兴的模拟进化算法,由于其具有鲁棒性、正反馈、并行分布式计算等特点,迅速得到广泛的应用和发展。本文首先介绍了一种引入探索因子的改进型蚁群算法的原理和实现方法,进而运用该算法求解VRP问题,取得了优于原蚁群算法和遗传算法的实验效果。     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

求解TSP问题的蚁群算法研究

蚁群算法是一种新型仿生算法,但存在搜索时间长,收敛速度慢,易陷入局部最优等缺点.提出了一种改进蚁群算法,利用象限近邻表构造候选集和对偶象限近邻的方法初始化信息素,可以克服上述缺陷.TSP的仿真结果表明新算法大大缩小了其搜索范围,提高了搜索精确度并减少了搜索时间.     

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.