元胞蚂蚁算法的收敛性分析

提出一种新的优化算法，元胞蚂蚁算法，该算法将元胞自动机的邻居和规则引入传统的蚂蚁算法，实验结果证明该算法可行且有效，有良好的全局优化能力。定义元胞蚂蚁算法的求解迭代过程为一个概率测度空间中的随机算子，利用随机不动点理论，证明了该算子为连续压缩算子，存在唯一的随机不动点，从而给出了元胞蚂蚁算法的收敛性的论证，为算法奠定了相应的理论基础。     

元胞蚂蚁算法的收敛性

蚁群优化算法是一种新型的解决组合优化问题的仿真型算法,在许多领域中都已获得成功的应用,但却有容易陷入局部最优的缺陷.本文将元胞自动机思想引入到蚂蚁算法中,提出一种新的元胞蚂蚁算法,通过算法的元胞演化机制对信息素的二次分配,改善了对解空间的搜索性能,并从理论上证明了算法的渐近收敛性.     

非线性0-1规划的元胞蚁群算法

基于元胞自动机原理和蚁群优化算法,提出一种求解非线性0-1规划问题的元胞蚁群优化算法。该算法将元胞的演化规则和蚁群的信息素更新规则相结合,利用元胞及其邻居增强搜索过程的多样性,提高蚁群的全局优化能力。经实验和与其他算法比较,表明该算法可行有效,有良好的全局优化能力。     

若干扩展TSP的元胞蚂蚁算法

给出一种通用组合优化算法--元胞蚂蚁算法,并将其应用于一些扩展TSP问题(包括瓶颈TSP、最小比率TSP、时间约束TSP等)的求解.经过数据测试和验证,获得了较好的结果.     

多目标0-1规划问题的元胞蚁群优化算法

为求解多目标0-1规划问题,基于元胞自动机原理和蚁群算法,提出一种元胞蚁群算法.将元胞演化规则和蚁群寻优相结合,提高非劣解集的多样性和分布性.经数值实验和已有算法相比较,该算法具有较好的性能.     

处理动态优化问题的演化元胞遗传算法

已有演化元胞遗传算法中的演化规则多从元胞自动机中直接引入，未在状态演化中考虑个体间适应值的差异。根据密度制约关系提出一种新的演化元胞遗传算法来处理动态优化问题，在考虑个体适应值优劣与局部种群密度的前提下，通过密度制约与种内竞争实现个体在元胞空间内的生死演化，并建立种群规模增长模型控制元胞空间内存活个体规模。选取不同强度、复杂度的动态优化问题对算法性能进行验证，结果表明新算法具有良好的处理动态优化问题的能力。     

基于元胞自动机的自旋玻璃离散优化

对无序复杂系统的研究,自旋玻璃一直是科学界最具成功的尝试之一。在对复杂事物的认知上,认为真正的复杂性问题只可能以复杂资源进行趋近。基于自旋玻璃的离散特性,首先论证了可以采用元胞自动机来研究自旋玻璃问题;进一步,通过在对一组铁磁与反铁磁材料的实验中,证实了用元胞自动机来解决自旋玻璃问题的可行性;在与模拟退火算法的比较研究中,表明用元胞自动机这一复杂资源探求自旋玻璃问题更具优越性。     

基于蚂蚁元胞自动机的地铁通道双向行、流仿真

通过对北京市地铁通道内行人走行特性的观测,分析了对向行人具有右侧行走、跟随行走、右侧避让对向行人、对后方信息缺乏关注、与对向行人的位置互换以及行人趋于选择最短路径等行为特性及交通特性.结合蚂蚁在走过的路径上留有信息素的思想,提出了反映双向行人走行特性的元胞自动机更新规则,建立了基于蚂蚁算法的元胞自动机模型,并研究了信息素挥发系数对仿真结果的影响.仿真实例表明,该模型能有效显现双向通道内的行人走行特性.     

函数优化的量子蚂蚁算法

借鉴蚁群算法的进化思想,提出一种求解连续空间优化问题的量子蚂蚁算法.该算法主要包括全局搜索、局部搜索和信息素强度更新规则.在全局搜索过程中,利用信息素强度和启发式函数确定蚂蚁移动方向.在局部搜索过程中,提出了基于Delta势阱的量子搜索,以改善寻优性能,加快收敛速率.通过实例验证表明了该算法的有效性.     

基于BPSO的元胞自动机准周期三行为研究

为研究一维二值元胞自动机的一类重要的群体演化行为--准周期三行为,提出了基于离散粒子群的元胞自动机演化算法,并通过使用活性元胞迭代图的平均面积为适值函数,发现了具有准周期三行为的元胞规则.与遗传算法相比,基于离散粒子群的元胞演化算法的搜索效率更高.实验还进一步表明,准周期三行为是某些元胞规则的特定行为,一定条件下与元胞自动机的初始构型关系不大.     

多目标优化的生长竞争蚁群算法

提出一种求解多目标优化的生长竞争蚁群算法。该方法将生长竞争规则引入蚁群算法,给出了在连续空间多目标函数优化的算法描述,定义了生长竞争规则及蚁群邻域的转移概率,并提出了实现算法的具体步骤。算法在MATLAB环境下,对一些典型的测试函数进行了求解和验证,实验结果表明该方法具有向真实的Pareto前沿逼近的效果,是一种求解多目标优化的有效方法。     

一种求解连续空间优化问题的改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。     

基于相位编码的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题, 提出一种适合连续优化的量子蚁群算法. 该方法直接采用量子位的相位对蚂蚁编码. 首先基于信息素强度和可见度构造的选择概率, 选择蚂蚁的前进目标; 然后采用量子旋转门更新描述蚂蚁位置的量子比特, 完成蚂蚁移动; 采用Pauli-Z 门实现蚂蚁的变异增加位置的多样性; 最后根据移动后的新位置完成蚁群信息素强度和可见度的更新. 由于优化过程统一在空间[0,2π]ⁿ 进行, 而与具体问题无关, 因此, 对不同尺度空间的优化问题具有良好的适应性. 以函数极值优化和聚类优化为例, 仿真结果表明该方法的搜索能力和优化效率明显优于普通蚁群算法和标准遗传算法.     

带时间窗车辆路径问题的量子蚁群算法

带时间窗的车辆路径问题(VRPTW)是VRP的一种重要扩展类型, 是组合优化中的一个NP难题, 针对蚁群算法在求解VRPTW问题时易陷入局部最优和收敛速度慢的问题, 本文结合量子计算提出一种求解VRPTW的量子蚁群算法(QACA). 通过定义人工蚂蚁的转移概率, 增加量子比特启发式因子, 以及用量子旋转门实现信息素更新, 从而提高算法的全局搜索能力, 有效避免了算法陷入局部最优. 经一系列VRPTW的仿真实验表明, 量子蚁群算法较蚁群算法在求解VRPTW问题上具有更好的性能, 通过与其他算法的比较, 进一步说明量子蚁群算法是可行有效的.     

用于连续域优化的蚁群算法及其收敛性研究

蚁群算法作为一种新的智能计算模式,由于其离散性本质而在组合优化问题上取得巨大成功,但这也限制了它在连续问题求解中的应用.为此,提出一种用于连续域寻优的改进蚁群算法.算法的局部搜索基于解决离散问题的经典蚁群优化思想,全局搜索利用Ant Walk和Ant Diffusion技术, 且每代寻优结束后均采用"精英策略"把本代最优个体保留到下一代中.最后在理论上对其进行了收敛性分析,证明可较快地收敛到全局最优解,并用几个基准函数对算法做了仿真测试,均取得良好效果.     

Novel method based on ant colony opti mization for solving ill-conditioned linear systems of equations

1 .INTRODUCTIONStudies have shownthat some systems are highlysen-sitive :a small perturbationin the data can result in alarge changeinthe solutions .Such systems are calledill-conditioned systems .Ill-conditionedlinear systemsof equations have a wide application in many fieldssuch asi magine processing,deconvolution, model pa-rameters esti mation.Because the condition number ofill-conditionedlinear systems of equationsis very big,the data error andthe rounding error inthe computa-tional p…     

Quantum-inspired ant algorithm for knapsack problems

The knapsack problem is a well-known combinatorial optimization problem which has been proved to be NP-hard. This paper proposes a new algorithm called quantum-inspired ant algorithm (QAA) to solve the knapsack problem. QAA takes the advantage of the principles in quantum computing, such as qubit, quantum gate, and quantum superposition of states, to get more probabilistic-based status with small colonies. By updating the pheromone in the ant algorithm and rotating the quantum gate, the algorithm can finally reach the optimal solution. The detailed steps to use QAA are presented, and by solving series of test cases of classical knapsack problems, the effectiveness and generality of the new algorithm are validated.     

基于形态学和蚁群聚类的台风分割方法研究

蚁群算法是具有离散性、并行性、鲁棒性、正反馈性等特点的一种仿生进化算法。根据数字图像的离散性特点,从聚类角度出发,将蚁群聚类算法引入到台风云系分割中,并通过引入初始聚类中心和引导函数来解决传统蚁群聚类算法计算量大,搜索时间过长的问题。在蚁群聚类算法的基础上,针对单纯采用蚁群聚类算法可能会将类似于台风云系的分布不均匀的无关云团分割出来而造成分割精度低的情况,提出了一种蚁群算法融合数学形态学方法的台风云系分割方法。仿真结果表明此方法可以准确的分割出台风云系,是一种有效的图像分割方法。