求解二次分配问题的预处理快速蚂蚁系统

分析了快速蚂蚁系统(FANT)跳出迭代最优解的策略,指出算法易发生停滞现象的原因,并通过改进算法解的构建步,引入一个变动的参数,提出了求解二次分配问题的一种新算法———预处理快速蚂蚁系统(PFANT).新算法改进了FANT算法易发生停滞的现象,拓宽了迭代最优解邻域的搜索范围,提高了二次分配问题解的质量.     

基于改进蚁群算法的Web服务选择

提出一种改进的蚁群算法并将其应用于Web服务选择问题中.该算法使用非线性动态变化的伪随机比例选择参数及蚂蚁多重最优解随机加权路由选择算法控制蚁群的行为,使用5维Web服务质量向量和蚁群适应度函数评价蚂蚁构造的路径质量,蚂蚁根据其构造的路径质量进行信息素更新;该算法使蚁群在其解空间的进化能力得到很大的提高.实验证明,该算法在Web服务选择问题上比传统的蚁群算法效率更高.     

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。     

电网节点编号优化的一种改进蚁群算法

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系统,目前已经在众多组合优化领域中得到广泛应用。不同于传统的节点编号优化方法,采用最大最小蚁群系统改进的蚁群算法能快速地找到多个全局最优解,并且不易陷入局部最优解。将多种蚁群算法的改进融合在一起,取长补短,得到了较满意的效果。根据节点编号本身的特点,通过引入初始节点选择开关算子,同时在迭代过程中不断淘汰劣势蚂蚁,使蚂蚁能更快地找到最优解。     

蚁群算法在旅行商问题中的应用研究

蚁群算法是一种新的启发算法,能够有效的解决组合优化问题.本文通过蚁群算法在旅行商问题中的应用,分析了蚁群算法的设计思想.蚁群算法把可行解表示为蚂蚁走过的路线,通过信息素传递路线优劣的信息,并通过反馈机制强化这些信息,吸引蚂蚁向好的可行解靠拢,从而较快地找到最优解.并且所采用的方法对解决同类组合优化问题也有一定的启发.     

混沌蚁群算法在PMSM直接转矩控制 系统优化设计中的应用

在永磁同步电机(PMSM)的直接转矩控制策略中,PI控制器参数的优劣直接影响到系统的性能.将蚁群中每个蚂蚁的混沌动力学机制与所有蚂蚁的自组织优化机制进行巧妙结合,从而给出混沌蚁群算法,用混沌蚁群算法来优化直接转矩控制系统中PI控制器的参数.通过仿真实验得出:混沌蚁群算法应用于永磁同步电机直接转矩控制系统中PI参数优化时,相比遗传算法和蚁群算法,在收敛速度、全局优化性能以及控制精度等方面都有较大的提高,从而有效地降低了电机的磁链脉动,提高了系统的响应速度.     

多物流配送中心选址及求解

经典蚁群算法不能直接用于求解多配送中心选址问题(MDLP),据此,将MDLP映射为扩展K-TSP过程并设计了改进的蚁群算法.改变了经典蚁群算法禁忌表的设置方式,算法运行时,给蚁群建立一个共享禁忌表,里面存放所有蚂蚁访问过的客户点,任何蚂蚁只能选择共享禁忌表未曾记录的客户点,从而增强蚂蚁间的信息交流,促进它们的分工与协作,使蚂蚁无遗漏无重复地遍历各配送点并找出问题的最优解.为提高算法的求解性能,在蚂蚁的选择规则里加入了代价引导函数,使用2-opt策略优化可行解并优化了信息素的更新方式.仿真算例及算法对比表明,模型和算法可以有效地表达和求解MDLP.     

基于MAPSO优化LSSVM的锅炉燃烧建模研究

针对锅炉燃烧系统智能算法建模,为克服标准粒子群(PSO)优化算法对最小二乘支持向量机(LSSVM)模型参数进行优化时容易陷于局部最优解的缺点,提出一种改进型的蚂蚁?粒子群算法(MAPSO)对LSSVM模型参数进行优化.根据模式搜索的"探测"思想,通过与蚁群算法移动规则的结合改进粒子群算法,增加粒子群算法的小步长局部搜索...     

基于MMAS的MIMO-OFDM系统上行多用户检测

在多输入多输出-正交频分复用(multiple input multiple output-orthogonal frequency division multiplexing,MIMO-OFDM)系统上行多用户检测(multi-user detection,MUD)中,针对基本蚁群算法(ant colony optimization,ACO)在搜索过程中易出现过早停滞及收敛于局部最优解等问题,提出一种基于最大最小蚁群系统(max-min ant system,MMAS)的MUD新算法.该算法在蚁群每次循环结束后,仅处于最优路径上的单只蚂蚁释放信息素;同时,通过限制每条路径上信息素的取值范围,避免路径间信息素的差值过大,从而使蚂蚁在每次循环时尽可能地选择不同的路径,提高算法的搜索能力.仿真结果表明,MMAS算法能够有效降低蚁群陷入局部最优解的概率,进而提高了检测性能;同时,随用户数的增加,该算法的计算复杂度却远低于最大似然(maximum likelihood,ML)检测算法,因此,该算法能够在检测性能与计算复杂度之间取得较好的折中.     

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.