改进状态转移策略的蚁群算法求解TSP问题

针对蚁群算法在求解TSP问题中易出现算法易早熟难收敛的问题,基于历史搜索信息提出了一种改进状态转移策略的蚁群算法,并引入自适应信息素更新机制引导信息素的更新。实验表明,改进的蚁群算法较传统蚁群算法改善了在求解TSP问题上易早熟难收敛的问题,求解效果和求解稳定性上提升显著。     

基于捕食搜索策略混合遗传算法的车辆路径问题研究

在分析研究车辆路径问题的基础上,将其转换为经典TSP优化问题进行求解并建立数学模型,针对遗传算法在求解车辆路径问题时搜索效率低,容易陷入局部最优的缺点,提出了一种改进的遗传算法.改进算法引用自适应邻域法进行种群初始化;基于捕食搜索策略动态自适应调整遗传参数,在加快寻优速度的同时防止陷入局部最优;交叉前后的种群分别实施精英个体保留策略,交叉变异之后引进进化逆转操作,继承父代较优和较多的信息.实验结果表明:改进遗传算法搜索效率高、计算结果较为稳定;求解车辆路径最优问题较其它算法具有较好的性能.     

基于图形的加权蚁群算法

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了基于图形的加权蚁群算法,利用蚁群算法最优路径的特点,对每个城市分别加权,从比较离散的点开始进行寻优,节省了在不可能构成最优路径上的计算时间,提高了运算速度.通过TSP问题检验的结果表明,新算法提高了标准蚁群算法的效率和计算结果的质量.     

改进的蚁群算法及其在Ei150问题上的检验

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了一种基于图形的加权蚁群算法,它利用蚁群算法最优路径的特点,对每个城市分别加权,然后从比较离散的点开始进行寻优.节省了在不可能构成最优路径上的计算时间,提高了运算速度.用TSP问题的Ei150检验的结果表明新算法提高了标准蚁群算法的效率和计算结果的质量.     

改进的蚁群算法及其在Eil50问题上的检验

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了一种基于图形的加权蚁群算法,它利用蚁群算法最优路径的特点,对每个城市分别加权,然后从比较离散的点开始进行寻优。节省了在不可能构成最优路径上的计算时间,提高了运算速度。用TSP问题的Eil50检验的结果表明新算法提高了标准蚁群算法的效率和计算结果的质量。     

蚁群算法的分析及其改进研究

蚁群优化算法（Ant Colony Optimization ACO）是一种新颖的仿生进化类算法,适用于求解各种复杂组合优化问题。当前该研究方法尚处于研究的初级阶段,本文针对传统的蚁群算法容易出现早熟和停滞现象,提出了一种新的自适应蚂蚁算法,对传统的蚁群算法中的信息素参数进行动态的自适应调整,并选取几个典型TSP问题进行实验,结果表明改进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。     

基于动态参数蚁群算法的寻源导热反问题研究

基于蚁群优化算法,求解含有未知内热源位置的导热逆问题.通过分析计算表明:信息素启发因子、能见度启发因子、信息素挥发率等蚁群参数对蚁群选择路径以及路径上信息素浓度更新有直接影响,其取值最终会影响求解结果的准确性及收敛速度.在计算过程中,路径上的信息素浓度不断改变,蚂蚁选择路径也趋于集中,采用定值蚁群参数不能满足在整个计算过程中都具有良好的性能,为此提出了动态参数蚁群算法,并根据计算分析结果确定蚁群参数值随全局循环次数而变的动态函数.计算结果证明,采用动态参数蚁群算法能有效提高求解反问题的质量及收敛速度.     

一种基于动态参数调整的改进人工鱼群算法

针对经典鱼群算法收敛速度慢、寻优精度低的缺陷,提出了一种基于参数动态调整的改进人工鱼群算法.动态调整视野和拥挤度因子以提高算法的搜索效率;改进去交叉算子以消除交叉路径;引入了再寻优算子确保再次搜索去交叉后路径能够快速找到最优值.求解TSP问题的实验结果表明:改进的人工鱼群算法提高了收敛速度、增强了搜索最优解的能力.     

基于动态蚁群算法的三维管路路径规划

针对蚁群算法应用于三维管路路径规划时运行时间长、搜索效率低等问题,提出一种动态蚁群算法.首先采用栅格法建立环境模型,建立了随建模空间和蚂蚁位置变化的动态启发信息;其次设置概率选择机制和动态步长机制.仿真试验结果表明,该算法有效减少了路径中直管弯头数量,管路铺设整齐,收敛速度提高,具有较强的全局寻优能力.     

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.     

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。     

基于改进蚁群算法的应用与研究

针对传统蚁群算法在构造解的过程中收敛速度慢且容易陷入局部最优问题,提出了一种改进蚁群算法。在蚁群搜索路径过程中,通过建立信息素启发式因子α和期望启发式因子β的互锁关系,动态自适应调整α和β;结合车辆运输调度问题,对距离启发式因子ηij（t）进行重新定义,引入不同客户间的“偏好力”,提高算法的搜索效率及实用性。将改进蚁群算法分别应用到机器人路径规划及车辆调度问题并进行仿真,取得了较好实验效果,验证了该方法的可行性和有效性。     

混合自适应蚁群算法及其应用研究

针对已有蚁群算法在复杂问题应用中寻优前期信息素匮乏、收敛速度慢的不足，通过引入信息权重因子和信息量均衡算子对蚁群的选择概率和信息素浓度进行自适应调节，提出了混合自适应蚁群算法。算例结果表明，该算法具有较快的寻优速度和更好的全局搜索能力，同时增加了解的多样性，减小了陷入局部极值的几率。     

基于带变异的自适应精英改进蚁群算法的物流配送中心选址问题求解

建立以总成本最少同时满足时效性要求的物流配送中心选址问题的数学模型,并提出一种带变异的自适应精英改进蚁群算法对选址问题进行求解.本算法中的信息素挥发参数随迭代进行自适应调整,同时引入精英机制对群体当前解的信息素更新来进行有差别处理.此外,本算法移植了遗传算法的变异机制.当本算法陷入停顿时,对当前最优解施加扰动,将有效帮助本算法摆脱局部最优的束缚.验证结果表明,本算法对于实际中比较复杂的物流配送中心选址问题的求解结果较为理想,比基本蚁群算法在效率和寻优能力上有了进一步的提升.     

求解TSP问题的萤火虫参数优化的改进蚁群算法

针对蚁群算法参数难以确定、易停滞等问题,提出了一种求解TSP问题的改进蚁群算法。引入萤火虫算法,利用萤火虫算法对蚁群算法的参数进行优化;同时采用了全局异步和精英策略相结合的信息素更新方式来减少时间开销。为了提高寻优结果,运用3-opt算子作为局部优化方法来改进当前进化所得到的最优解,缩短了路径长度,加快算法收敛速度。最后,通过tsplib标准基准函数中的实例进行计算机仿真实验,结果表明本文算法是有效的,与参考文献中其他算法比较,本文所需的蚂蚁数较少,寻优效率较高。     

自适应蚁群算法在TSP问题中的应用与研究

传统算法在构造解的过程中,利用随机选择策略,这种选择策略使得进化速度较慢,正反馈原理旨在强化性能较好的解,却容易出现停滞现象。这是造成蚁群算法的不足之处的根本原因.因而我们从选择策略方面进行修改,我们采用确定性选择和随机选择相结合的选择策略,并且在搜索过程中动态地调整作确定性选择的概率当进化到一定代数后,进化方向已经基本确定,这时对路径上信息量作动态凋整。缩小最好和最差路径上的信息量的差距,并且适当加大随机选择的概率,以小于l对解空间的更完全搜索,从而可有效地克服基本蚁群算法的不足,此算法属于自适应算法。     

基于受限制候选表的反应蚁群算法求解TSP问题

针对蚁群算法求解大规模旅行商问题(TSP)时会出现计算时间长等问题,将反应贪婪随机适应搜索机制引入蚁群算法中,提出了一种基于受限制候选表(RCL)的反应蚁群算法,其中的候选表大小可以随机选取.将蚂蚁要选择的下一点的范围控制在RCL中,避开了许多局部极小点,克服了最近邻居候选表的不足,提高了搜索效率.对大规模TSP问题进行仿真实验的结果表明该算法具有良好的性能.     

基于自适应多态融合蚁群算法的无人机航迹规划

为解决传统航迹规划最短路径算法易陷入局部最优及复杂地形情况下的无人机航迹规划问题,提出了一种基于自适应多态融合蚁群算法的航迹规划方法。通过对航迹规划问题进行描述,建立数学模型,将自适应和蚁群算法相结合,与多态蚁群形成了全局、局部并行搜索模式,以提高算法寻找全局最优值的能力;提出自适应并行策略和自适应信息更新策略,以提升其全局搜寻能力。仿真结果表明,自适应多态融合蚁群算法较传统蚁群算法和多态蚁群算法具备更好的性能,能有效地提高搜索路径的长度和收敛速度,从而避免在求解过程中陷入局部最优,因此在求解最优航迹规划问题上有很好的应用前景。     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

基于PR算法的自适应ACO算法求解旅行商问题

以著名的旅行商问题为研究对象,研究了基于线路重连(PR)算法的自适应蚁群算法(ACO)的应用。根据蚁群算法构解过程中的选择策略与信息素更新机制,提出了自适应的蚁群优化方法,即通过阈值接收算法(TA)中的阈值控制参数改变蚁群的确定选择与随机选择机会,从而控制了搜索方向。采用这种自适应的蚁群优化算法,避免蚁群算法陷入局部最优,使对解空间的更好地进行搜索。同时,在蚁群优化算法(ACO)中,嵌入路径重连算法(PR)来改进解的质量。实验结果证明了基于线路重连算法(PR)的自适应蚁群算法(ACO)在求解该问题时的有效性。