基于免疫的蚁群优化算法

蚁群算法在寻优过程中很容易出现早熟现象而陷入局部最优,同时蚁群算法在构造问题的可行解时,计算复杂度较大.为解决以上问题,将免疫算法和蚁群算法相结合,构成了一种结合免疫机制的蚁群优化算法,并将其用于解决WTA(武器目标分配)问题.通过仿真及与其它多种优化算法对比发现:基于免疫的蚁群优化算法在搜索效率上要高于其它优化算法.     

用IAA求解约束模型多解问题

针对蚁群优化算法易于陷入早熟收敛和局部求精能力不足的缺点,提出一种用免疫蚁群算法(IAA)寻找最优解的方法.算法基于人工免疫系统原理,设计了具有免疫能力的蚂蚁抗体保持蚁群的多样性,在迭代后期蚁群依然保持进化能力,提高了算法的局部求精能力,使蚁群优化算法在局部开采与全局探索间都取得了更好的平衡.实验结果表明,算法具有良好的优化性能和时间性能.     

基于改进蚁群算法对 VRP 线路优化

针对基本蚁群算法存在易陷入局部最优解、 收敛速度慢等缺点, 先引入节约矩阵 U 作为先验信息引导蚂 蚁搜索, 然后通过不同搜索时段采用不同的信息素挥发因子, 使算法更好地在“探索冶和“利用冶之间达到平衡, 并对较优解应用 2-opt 方法进行优化。 最后将改进后的蚁群算法应用到物流配送车辆路径优化问题中。 实验结 果表明, 相比基本蚁群算法, 改进的算法可得到更好的物流配送路径, 是解决物流配送路径优化问题的一种有 效方法, 可快速、 高效地对送货车辆线路进行调整, 满足消费者的需求。     

无线传感网络改进混合移动代理路由的研究

移动代理路由的本质是一个多约束条件下的优化问题,针对遗传算法快速随机的全局搜索能力,但对于系统中反馈信息却无法利用、求精确解效率低的问题,本文提出了一种遗传蚁群混合算法的WSN移动代理路由方法.利用遗传算法快速随机的全局搜索能力找到较优解,将较优解代换成蚁群算法的初始信息素,最后采用蚁群算法收敛速度的优点,找到移动代理路由全局最优解.仿真结果表明,该算法能在较短的时间找到最优移动代理路由,相对于其他的路由算法,减少了网络延时和平均能量消耗,提高了数据传输的速度和效率.     

一种基于免疫-蚁群算法的Ad hoc网络QoS路由算法

由于Ad hoc网络的动态性和处理能力不强等因素，使得之前的启发式算法和近似算法在解决Qos路由问题中存在很大的局限性．针对Ad hoc网络QoS路由的上述研究现状提出了一种基于免疫-蚁群算法的QoS路由算法．该算法前过程利用人工免疫算法（Artificial Immune Algorithm，AIA）快速寻求较优的可行解，在此基础上算法后过程采用蚁群算法（Ant Colony Algorithm，ACA），利用前过程中人工免疫算法获得的较优可行解，进一步提高求解效率．该算法结合了人工免疫算法与蚁群算法二者的优点，具有并行度高，全局寻优，快速收敛等特点．实验证实，这种算法是行之有效的．     

基于优势肽和免疫记忆的混合蚁群算法

为了克服基本蚁群算法求解速度慢、易于出现早熟和停滞现象的缺陷,借鉴免疫算法中的免疫记忆和优势肽选择继承的思想,提出了基于优势肽和免疫记忆的混合蚁群算法(SPIM-ACA).该算法在原有蚁群模型基础上增加内部记忆库,将记忆库中的解对应免疫抗体,将问题对应为抗原,运用免疫算子和优势肽选择算法进行新解的构造和记忆库的更新.将该算法从解的质量和多样性方面与传统蚁群算法、免疫算法及已有的改进算法进行了比较,结果表明:本文提出的算法不但明显提高了两个传统算法的性能,而且为解决其他组合优化问题提供了一个新的思路.     

基于交叉变异操作的连续域蚁群算法研究

研究一种基于交叉变异操作的连续域蚁群算法,该算法对解的每一分量的可能取值组成一个动态的候选组,并记录候选组中的每一个可能取值的信息量.在蚁群算法的每一次迭代中,首先根据信息量选择解分量的初值,然后使用交叉、变异操作来确定全局最优解的值,通过相应算法设计,对于来自相对适应度较大的解的分量值, 其变异的区域较小,成为局部搜索,反之,变异的区域较大,则构成全局搜索.同时,随着迭代次数的增多,分量值的变异幅度逐渐变小,这样可使收敛过程在迭代次数较多时得到适当的控制,以加速收敛.最后通过仿真实验,把交叉变异操作的连续域蚁群算法与遗传算法性能进行比较,证明了交叉变异操作的连续域蚁群算法具有较高的搜索较优解的能力,大大节约了计算时间.     

求解无容量设施选址问题的混合蚁群算法

无容量设施选址(UFL)问题是经典的优化问题,属于NP难题,易于描述却难于求解.首先,介绍了UFL问题的数学模型,并对UFL问题的特点进行深入分析,得到其最优解所具有的基本特征;其次,针对UFL问题的最优解所具有的基本特征,设计了两种局部搜索策略,并将其与基本蚁群算法相结合,提出了一种用于求解UFL问题的混合蚁群搜索算法;最后,为了测试该算法的性能,分别利用混合蚁群算法和基本蚁群算法求解UFL问题基准问题库中的16个测试算例.计算结果表明,混合蚁群算法有效改进了基本蚁群算法求解UFL问题时易陷入局部最优、收敛速度慢等不足,该算法对求解UFL问题具有明显的可行性和有效性.     

TSP的改进蚁群算法求解及其仿真研究

蚂蚁数目是影响蚁群算法性能的重要参数,常规蚁群算法在求解TSP时易于陷入局部最优解。文章针对该问题,提出了一种蚂蚁数目动态改变的蚁群算法,即每次周游时的蚂蚁数目是在一个范围内随机取值,该改进算法借用遗传算法中的排序选择策略对每次遍历时的蚂蚁位置进行初始化;分别对常规蚁群算法的TSP求解和改进蚁群算法的TSP求解进行了原理阐述,并对2种算法求解TSP的结果进行了Matlab仿真。对比仿真结果表明,改进的算法在求解TSP时,能够有效地跳出局部最优解,并能很好地收敛,它比常规蚁群算法的性能要优。     

求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.     

云模型蚁群算法在无人机航迹规划中的应用

为中高空飞行的无人机提出了一种新型航路规划算法。该方法基于云模型蚁群算法。基本蚁群算法有着突出的缺陷:易陷入局部最优解而且需要计算时间长。提出的改进型蚁群算法,通过云模型来控制信息素强度Q和挥发系数ρ的大小,从而得到更好的收敛性与避免陷入局部最优解,并进行了TSP问题的仿真计算。通过将无人机任务地图网格离散化,运用云模型蚁群算法进行航迹规划。     

基于免疫进化的蚁群算法在梯级水库优化调度中的应用研究

针对蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,结合梯级水库优化调度的特点,提出了基于免疫进化的蚁群算法。该混合算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,提高了求解效率。实例计算表明该混合算法在求解梯级水库优化调度问题时,与逐次逼近动态规划相比较,结果合理、可靠,计算效率较高,从而为求解高维、复杂的梯级水库优化调度提供了一条新的求解思路。     

基于QoS云计算任务调度优化

由于云计算技术快速发展,为了满足日益多样化的云计算用户服务质量(QoS需求)以及提高云计算资源调度的效率,提出基于改进蚁群算法的云计算资源调度优化算法,包括建立云计算资源模型和用户QoS需求模型.为了得到更准确的结论,针对传统蚁群算法过快收敛造成的局部最优解现象,在传统的蚁群算法的基础上加入随机选择机制,时间、成本和结果有效可用性适应度因子进行了优化改良,以求得全局最优解.通过仿真实验将传统的蚁群算法、Mi n-Mi n调度算法和改进的蚁群优化算法进行比较,实验表明,改进的蚁群优化算法在调度效率、节约成本、减少任务执行时间和任务得到结果质量方面有明显的优势.     

基于跨邻域搜索的连续域蚁群优化算法

针对连续域蚁群算法寻优能力差、容易产生局部最优的问题,提出了一种基于跨邻域搜索的改进蚁群算法。首先,通过自适应种群划分方式计算可行解和不可行解群体;然后,针对不可行解群体利用自主选择学习算子选择对象进行学习,目的是不断扩大种群规模,避免算法陷入局部极值点,继而对可行解群体采取全局跨邻域搜索的方式,引导蚂蚁向全局最优解靠近,加快收敛速度;最后,基于全局最优解采用局部跨邻域的方式引导蚂蚁在小范围内进行细致搜索,提高收敛精度。通过与其他连续域蚁群优化算法针对CEC2017测试函数在低维和高维情况下的实验对比,证明本文算法具有较好的寻优能力和稳定性,能有效避免陷入局部最优。     

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.     

人工鱼群算法在孔群加工路径优化中的应用研究

将人工鱼群算法应用于孔群加工路径优化的研究,建立以最短加工路径为目标的路径优化数学模型,阐述算法实施的具体过程并进行算例分析.结果表明,该方法求最优解的性能优于Hopfield算法、进化蚁群算法、人工免疫算法以及改进的遗传算法,获得的最优路径可以节省71.47%的行走路程.     

无线传感器网络中基于双向分工蚁群的QoS路由算法

无线传感器网络中的Qos路由虽能提供有保证的差别服务,但却是一个NP完全问题,而蚁群算法能有效解决该类问题．针对基本蚁群算法在无线传感器网络QoS路由应用上收敛速度慢和易陷入局部最优解的不足,提出了一种基于双向分工蚁群的QoS路由算法．该算法通过采用局部更新与全局更新相结合的规则,并使用双向分工蚁群搜索机制有效提高收敛速度,从而获得全局最优解．仿真结果表明,该算法能快速获得有效的QoS路径．     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...     

改进蚁群算法在车间作业调度中的应用研究

研究了基于机器最短加工时间的一类车间作业调度问题,建立了多约束的数学模型,为解决蚁群算法收敛性差和易陷入局部最优的问题,提出了一种基于插入移动的领域搜索方法,并使用该领域搜索方法嵌入蚁群算法.采用国际著名的benchmark测试集FT06进行了实例验证,计算结果表明,该算法可收敛到最优值55,且最优值、平均值和标准差都优于蚁群算法,标准差远远小于蚁群算法.