蚁群算法求解旅行商问题若干改进策略的研究

蚁群算法是求解TSP问题的一个性能较好的仿生型的智能优化算法,但存在着运行时间长、容易陷入局部最优的缺点,导致停滞现象的出现,找不到全局最优解.实验表明,使用候选集合策略和局部搜索策略能提高算法所求得的解的质量,同时也会明显加快求解的速度.使用信息素变异和重新初始化策略,能增加路径探索的多样性,使算法对搜索空间的探索始终保持在一个合理的水平上,有效地避免算法陷入停滞状态,从而找到全局最优解.     

蚁群算法求解TSP问题若干改进策略的研究

蚁群算法是求解TSP问题的一个性能较好的仿生型的智能优化算法,但存在着运行时间长、容易陷入局部最优的缺点,导致停滞现象的出现,找不到全局最优解.实验表明,使用候选集合策略和局部搜索策略能提高算法所求得的解的质量,同时也会明显加快求解的速度.使用信息素变异和重新初始化策略,能增加路径探索的多样性,使算法对搜索空间的探索始终保持在一个合理的水平上,有效地避免算法陷入停滞状态,从而找到全局最优解.     

用于多维函数优化的蚁群算法

在借鉴献[1]基本思想的基础上，改进了蚁群算法搜索策略，该策略能提高搜索过程的效率以及搜索状态的多样性和随机性，为蚁群算法应用于实际优化问题提供了一条可行途径，数值算例结果表明本的搜索策略能较好地找到近似全局最优解，是一种有效的近似方法。     

模拟植物生长算法的结构优化新机制

作为一种新型启发式智能优化算法,模拟植物生长算法(PGSA)建立以植物向光性机理为基础的生长动力模型,以形成向全局最优解迅速生长的搜索机制.针对大规模复杂优化问题中生长空间大、设计变量多、可能存在多个局部最优解、算法难以自动终止等特点,基于PGSA基本原理,提出了3种新的算法改进机制——可生长点集合限定机制、新增可生长点剔除机制以及混合步长并行搜索机制,并通过典型数学和桁架结构算例分析对提出的改进算法的效果进行验证.结果表明:可生长点集合限定机制能有效控制生长空间规模,具有较强的局部搜索能力;新增可生长点剔除机制通过与前者的结合,为PGSA提供了有效的算法终止机制;混合步长并行搜索机制在生长前期便具备优异的全局搜索能力,能快速获取到最优解范围.所提出的新机制显著提升了PGSA算法优化的有效性及适应性,从而为结构优化问题提供了新思路.     

基于分方向选择搜索的多目标进化算法

Pareto 解空间为分区域连续时,基于极大极小策略和确定权重的多目标进化算法在进化的每一代都会在无最优解的区域搜索解点.为解决此问题,文中提出了一种新的判断机制,根据每个权重在不同方向上选取的解点集来判断权重对应的Pareto有效解区域是否存在最优解点,并以此来调整搜索的区域;为了避免算法陷入局部收敛和种群早熟,提出...     

一种连续探索型遗传算法的设计与应用

提出了一种连续探索型遗传算法，它不仅能提高简单遗传算法的收敛速度，而且能有效地保证种群的多样性，并在全局范围内搜索解空间，得到最优解。将算法应用于多峰值函数的优化，仿真表明了该算法的有效性和效率性。     

基于云模型和K-means聚类的蝙蝠优化算法

为了改善蝙蝠算法在函数优化中稳定性差,易陷入局部最优的问题,利用云模型随机性和稳定倾向性的特点,提出了一种蝙蝠优化算法,根据个体适应度值,利用K-means聚类算法把种群划分为三个区域,分别采用不同的频率生成策略,使算法既能稳定的控制搜索空间范围,又能避开局部最优解,同基本的蝙蝠算法比较,仿真结果表明,该算法在函数优化问题中具有较高的精度和较快的搜索速度.     

蚁群算法迭代次数的一种优化策略

针对蚁群算法中后期多次迭代无法产生更优解的问题,提出了一种优化策略,当连续多次迭代没有产生更优解时,减少迭代的总次数,加速算法的收敛性.仿真结果显示,在不影响最优解的情况下,优化后的策略明显降低了算法的时间复杂度和空间复杂度.     

基于格雷码和进化策略的遗传算法研究

进化策略能快速地搜索全局最优解。格雷码编码具有较强的局部搜索能力。针对Rosenbrock函数采用基于进化策略的格雷码来优化遗传算法,实验表明这种结合既能较快速地搜索适应度较大的个体,也可以大概率地搜索全局最优解。是一种快速进行局部细致搜索的优秀的非线性方法。     

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。     

一种新的改进粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构.通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向,并对全局最优解进行变异.提高了粒子间的多样性差异,从而改善算法能力.改进后的粒子群算法的性能优于带线性递减权重的粒子群算法.     

约束平面选址问题的蚂蚁算法

对带有区域限制的平面选址问题,给出一种基于人工蚂蚁优化思想的新的求解方法。经数值计算、验证和比较,得到了满意的效果。     

一种新的量子蚁群优化算法

 针对蚁群算法在求解连续空间优化问题时易于陷入局部最优和收敛速度慢的问题,提出了一种新的基于量子进化的蚁群优化算法。 该算法采用量子比特的概率幅表示蚂蚁当前位置信息;设计了一种新的量子旋转门更新蚂蚁位置, 完成蚂蚁的移动;最后采用量子 非门实现蚂蚁所在位置的变异, 增加位置的多样性。不仅从理论上证明了所提出算法的收敛性,而且通过仿真实验表明该算法可使 搜索空间加倍,比传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。     

变异蚁群神经网络及其对DTC转速的辨识

将变异机制引入基本蚁群算法中，然后利用这种变异蚁群算法去优化神经网络的权值，有效地解决了神经网络容易陷入极小点的缺点，同时又远比只采用单一的基本蚁群算法提高了收敛速度，从而得到一种时间效率和求解效率都比较好的启发式方法，即变异蚁群神经网络．通过对直接转矩控制中电机转速进行辨识的仿真实验，结果表明：这种变异蚁群神经网络兼具了神经网络和蚁群算法两方面的优点，不仅具有广泛的映射能力，还明显提高了运算效率，用变异蚁群神经网络构造的转速辨识器能够准确地跟踪电机转速的变化，使系统具有良好的动态性能．     

蚁群算法在水位流量关系拟合中的应用

蚁群算法是一种模拟进化算法,初步研究表明该算法具有许多优良性质.针对传统水位流量关系曲线拟合过程中存在精度不高等问题,应用连续性空间优化问题的蚁群算法模型来拟合水位流量关系,并将该方法与遗传算法及传统的优化方法进行比较.结果表明,蚁群算法具有直观、简便、快速、实用性强等优点,是一种较为优秀的全局优化方法.     

一种自主水下机器人航路规划算法研究

在基本蚁群算法的基础上,提出了一种用于实现自主水下机器人路径规划的自适应蚁群算法,该方法通过改进概率的选择和调节信息素挥发系数,保证AUV以更安全的航路接近目标,同时提高了搜索最优路径的收敛速度,并对路径进行平滑处理使结果更可行.用Matlab对控制算法进行仿真,仿真结果表明该算法能明显改善路径规划性能.     

基于Rough集和蚁群算法的属性约简方法

属性约简是个NP难问题,目前已有很多解决方法,但是每种算法由于其自身的局限性,只适用于特定条件下的求解。蚁群算法是较新的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果。提出一种基于Rough集和蚁群算法的属性约简方法,能够克服传统蚁群算法在前期收敛速度慢的问题,并通过实验验证了该方法的有效性。     

智能混合优化策略及其在流水作业调度中的应用

通过结合蚁群算法(ACO)的并行搜索结构和模拟退火算法(SA)的概率突跳性,提出了一种有效的混合优化策略,并将该策略应用于流水作业调度问题(FSP)．在该策略中,蚁群系统的一个周游路线为模拟退火算法提供了一系列初始解,在每个退火温度上进行抽样准则检验并产生新解,然后更新信息激素;蚁群算法再利用模拟退火算法产生的新解进行并行搜索．同时,根据此策略构建并实现了针对FSP问题求解的具体混合算法．仿真结果表明,混合算法弥补了ACO易陷入局部最优和SA搜索效率较低的缺点,增强了全局搜索能力,在求解FSP调度问题的性能上也优于其他算法。     

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解.算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计.     

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解。算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计。