带时间窗车辆路径问题的混合蚁群算法

为解决有时间窗的车辆路径问题,提出了一种基于进化规划和最大一最小蚁群算法相融合的混合蚁群算法,并与最大一最小蚁群算法作了比较。实验结果表明,混合蚁群算法可以、快速有效求得带时间窗车辆路径问题的优化解,是求解带时间窗车辆路径问题的一个较好方案。     

基于进化强度的蚁群算法过程性能评价

为了评价蚁群算法的过程性能,提出了一种基于进化强度的蚁群算法性能评价方法。以子集问题为例,引入谷元距离度量解的差异程度,并定义了迭代的相对进化幅度。将一次迭代的相对进化幅度与解的相对差异程度之比定义为进化强度,并据此将迭代区分为进化代与停滞代。通过多次运行算法并计算进化强度的平均值得到蚁群算法的进化强度趋势图,对比进化强度的趋势图进行蚁群算法过程性能评价。以4种求解子集的典型蚁群算法为例,通过标准测试实例验证了评价方法的有效性与合理性。     

蚁群算法在车间调度问题中的应用

提出用蚁群算法求解车间调度问题.车间调度问题是典型的非确定性多项式时间难问题,蚁群算法是一种分布式进化计算方法,具有鲁棒性,正反馈,并行性等特点,而且算法简单.给出了用蚁群算法求解车间调度问题的流程,并且用经典的JSP的样例对算法进行了测试,实验结果表明用蚁群算法可以求解得到车间调度问题的最优解或近似最优解.     

基于改进蚁群算法的物流车辆调度优化问题的研究

蚁群算法是人工智能领域的一种模拟进化算法,在求解调度问题方面具有一定的优势,是一种很有发展前景的智能优化算法.文章首先分析了蚁群算法的基本原理,接着提出了改进型蚁群算法,并阐述了其在物流车辆调度中的应用,进行了仿真实验,验证了改进型蚁群算法的可行性.     

基于改进蚁群算法求解连续空间寻优问题

蚁群算法是近几年优化领域中出现的一种启发式仿生类并行智能进化算法,并在离散空间领域中得到广泛应用,但在求解连续空间优化问题方面的研究相对较少。为了克服蚁群算法在连续空间中搜索时间过长等缺点,在原有的连续空间寻优方法的基础上,提出了一种用于求解连续空间寻优问题的改进蚁群算法。针对各子区间内的总信息量及应有的蚁数的求解方式进行改进,引入一个随迭代次数增加而变化的函数,以提高改进后蚁群算法的收敛速度。仿真实验表明,提出的基于信息量分布函数的改进蚁群算法较有关文献的算法有更好的收敛性能,从而为蚁群算法求解这类问题提供了一种可行有效的新方法。     

蚁群优化算法的原理及改进

蚁群优化算法是意大利学者M.Dorigo受蚂蚁觅食行为的启发,提出的一种新型的模拟进化优化算法,具有正反馈,分布式计算等特点,为求解复杂的组合优化问题提供了一种新的思路。本文在介绍蚁群算法基本原理的基础上,对蚁群优化算法提出了改进,最后在TSP问题上的应用表明改进算法具有良好的性能。     

自适应进化的蚁群算法及其仿真研究

蚁群算法广泛应用于求解组合优化问题,但基本蚁群算法与其它模拟进化算法存在进化速度慢,并易于陷入局部最小等缺陷,在此提出一种采用自适应选择和动态调整的进化策略,通过TSP问题的仿真表明,算法的性能明显得到改善,该方法不仅能够加快收敛速度,节省搜索时间,而且能够克服停滞行为的过早出现,有利于发现更好的解.这对于求解大规模的优化问题是十分有利的.     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题（traveling salesman problem,TSP）求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题(traveling salesman problem,TSP)求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

一种求解多目标旅行商问题的混合进化算法

许多科学与工程优化问题往往需要转化为多目标旅行商问题进行求解,由于目标函数之间的冲突性,使得这类问题不存在能够优化所有目标函数的唯一最优解,而是存在一个Pareto最优解集或者Pareto Front。为了获得一个高质量的Pareto最优解集,提出了一种基于蚁群优化和差分进化的混合多目标进化算法。在提出的算法中,一方面采纳分解机制利用蚁群优化算子实现对Pareto最优解的开发,另一方面采纳拥挤度概念利用差分进化算子实现对Pareto Front的探索。通过对一组标准测试算例的仿真实验,结果表明所提出的算法比现有的算法能够获得分布性和收敛性更优的Pareto解集。