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。     

一种求解TSP问题的改进蚂蚁群算法

通过用混合型蚂蚁群算法求解TSP问题的方法和步骤 ,并以att5 32 (美国 5 32个城市 )为例给出计算实验结果 ,说明混合型蚂蚁群算法改进了标准蚂蚁群算法的效率和计算结果的质量     

基于蚁群算法求解TSP

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发式算法,被广泛地用于解决组合优化问题,它是新兴的仿生进化算法,具有并行计算、正反馈等特点,具有较强的发现问题的能力,在许多领域得到应用。文章应用蚁群算法求解TSP问题,分析了蚁群算法的原理、特征、参数及求解TSP问题的具体实现步骤。     

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。     

蚂蚁算法求解TSP问题的性能分析及改进

在介绍蚂蚁算法的基础上,针对一个实例,对蚂蚁算法求解TSP问题中五个参数Q,C,α,β,ρ(其中C为信息素浓度初值,Q为信息素的调整策略参数,α和β为下一步路径选择概率大小的参数,ρ为信息素浓度的残留因子参数)的设置进行了探讨,分析了单一参数变化时对算法性能的影响,并进一步指出了算法改进的思路和方向.     

改进的蚂蚁算法求解任务分配问题

将蚂蚁算法用于求解任务分配问题，并提出一种改进算法来提高其全局搜索能力。文中介绍了任务分配问题和蚂蚁算法，给出了求解任务分配问题的蚂蚁算法的数学描述及求解的算法步骤，在此基础上提出求解任务分配问题的改进蚂蚁算法。两个实例验证了改进蚂蚁算法的优越性。     

瓶颈TSP下界快速算法

瓶颈TSP是网络设计和优化中的一个NP难题,在数学推导和证明的基础上,给出了一个求解对称型瓶颈TSP问题下界的快速算法,利用该算法求解了TSP问题标准库中部分对称型问题,给出了计算结果并与标准问题库中已知的最好解进行了比较。     

用基于蚂蚁算法的混合方法求解不确定TSP问题

首次提出不确定旅行商问题模型, 此模型将路径长度看作动态可变的, 并考虑了交通运行中的不确定因素, 比经典旅行商(TSP)问题更具有灵活性及实用价值, 利用此模型得到的结果更适于指导车辆对运行路线的选择. 同时使用一种基于蚂蚁算法的混合方法求解不确定旅行商问题, 即引入3-opt方法对问题求解进行局部优化. 实验结果显示, 该方法能够加速蚂蚁算法的收敛性.     

融入遗传算子的蚁群算法求解TSP问题

提出一种融入遗传算子（Genetic Operator）的蚁群算法（ACAGO）求解旅行商问题（TSP）．蚁群算法（Ant Colony Algorithm）是一种受自然界蚂蚁群体觅食行为启发而提出的进化计算算法,并且已经在求解TSP问题上成功地应用．然而,基本的蚁群算法存在收拟速度慢,容易陷入局部最优等不足．ACAGO算法通过使用遗传算法的交叉算子和变异算子扩大解的局部搜索空间,而选择算子则可以使好的解集的信息素的浓度得到增强,加快了算法的收敛速度．文章对ACAGO算法的执行过程进行了说明并且给出了具体的实现方案,同时通过TSP PLib上的测试样例将该融入遗传算子的蚁群算法和基本的蚁群算法进行了比较．比较结果表明了本文的新的ACAGO算法具有更大的优势,它不但能使算法求解到更好的解,而且加快了算法的收敛速度．     

一种改进的基于教与学的优化算法求解旅行商问题

提出了一种改进的基于教与学的优化算法(TLBO)求解旅行商(TSP)问题,阐述了TLBO算法的基本思想和求解步骤,给出了算法流程,针对算法在解决大规模问题时易陷入局部最优的缺陷,引入混沌搜索机制对其进行了改进.着重研究了改进后的TLBO算法求解TSP问题的求解结果和性能分析,通过benchmark实例进行了仿真实验,结果表明:与诸如遗传算法和粒子群优化算法等已有启发式算法相比,改进后的TLBO算法在求解TSP问题时性能更为优越,从而为TSP问题的求解找到了一条新途径.     

多种群蚁群遗传算法在车间调度中的研究应用

蚁群算法和遗传算法都属于仿生型优化算法,是解决调度问题的强有力的工具。本文针对多目标车间调度问题提出了一种多种群蚁群算法和遗传算法想结合的算法,算法的第一部分用多种群蚁群算法求得各个目标函数的最优解,第二部分把求得的解作为遗传算法的初始种群求得多目标问题的Pareto最优解。仿真结果,该算法有较好的有效性、稳定性和订单适应能力。     

通信网络中QOS多播路由技术研究

给出了多约束QoS组播路由的问题模型,分析论述了多约束QoS组播路由优化的约束树算法和遗传算法、蚁群算法、免疫算法等智能化算法,对QoS约束的多播路由技术的进一步研究进行了展望。     

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．     

立体仓库固定货架拣选路径优化的蚁群算法研究

本文详细分析了各类蚁群算法及其参数,将这些算法结合立体仓库固定货架拣选路径问题,选取出适合实际情况的算法模块;根据算法特性提出了根据迭代次数自适应调整q0参数和使用精英策略更新信息素两项优化等策略并通过仿真试验证实其优化性。在分析基础之上提出新蚁群算法的数学模型,通过大量仿真试验,得证新算法可以在较短的时间内找到较优的拣选路径,应用到实际操作中极大提高了立体仓库的使用效率。     

探索因子蚁群算法及其在VRP中的应用

蚁群算法是一种新兴的模拟进化算法,由于其具有鲁棒性、正反馈、并行分布式计算等特点,迅速得到广泛的应用和发展。本文首先介绍了一种引入探索因子的改进型蚁群算法的原理和实现方法,进而运用该算法求解VRP问题,取得了优于原蚁群算法和遗传算法的实验效果。     

管道铺设问题的改进蚁群算法

首先把管道铺设问题转化为旅行商问题,然后利用蚁群算法来求解此问题。算法的分析和仿真实验表明,利用了城市间距离信息的改进蚁群算法是一种简单有效的算法。     

求解TSP问题的改进蚁群算法

通过引入免疫克隆算子提出1种新的蚁群算法,并应用于TSP问题求解。结果表明：算法具有较好性能。     

基于蚁群优化的命名数据网络QoS路由研究

针对命名数据网络(NDN)具有多样的路由转发策略,但都未能实现NDN的服务质量(QoS)保障能力,利用蚁群优化算法(ACO)设计相应的QoS路由机制(ACO_QoS)能够保障NDN的服务质量.实验结果表明:ACO_QoS能够在满足QoS的前提下找到一条花费最小的路由.     

基于蚁群算法的卫星网动态路由算法

卫星网络路由应当具有使用较小的通信开销和处理能力计算出最优路径,并能够适应卫星网络拓扑结构动态变化等特点,这与蚁群算法的特征相匹配,能很好地解决这一问题。以此为背景,提出了一种新型的基于蚁群算法的卫星网动态路由算法(DRAS-ACA),并在NS2网络仿真平台上实现了该路由算法,使用gnuplot分析了仿真结果。     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。