混沌蚁群算法在回归分析中的应用

混沌蚁群优化算法将混沌搜索与蚁群算法相结合，在蚁群搜索完成后，利用混沌进行细搜索，以提高搜索精度，避免陷入局部最小点．将其用于线性回归分析，仿真结果表明，混沌蚁群算法能够有效地解决回归分析问题，为回归问题提供了一个新的解决方法．     

基于改进蚁群算法的配电网优化规划

提出了一种基于改进蚁群算法的配电网优化规划算法．对于给定的配电网模型，该算法根据各配电网站点建立初始信息素矩阵，然后利用蚁群算法所特有的路径寻优功能来搜索配电网布局路径，并结合改进信息素刷新的方式和在蚁群搜索过程中引入曼哈顿距离以及弹性伸缩调节因子，使蚁群以较快的速度找到当前布局上的最优路径．通过具体的算例表明，该算法比一般蚁群优化规划算法具有更高的计算效率和优秀的全局搜索能力，同时有效地克服了在求解配电网规划问题时蚁群在局部最优解上的巡回而存在的效率不高以及未成熟收敛等现象．     

基于蚁群算法的对等网搜索算法的研究

针对传统的对等网搜索方法的不足,分析了蚁群算法的优势,提出了一种基于蚁群算法的对等网搜索方法．对等网上发起结点收到查询请求后,执行消息路由搜索算法对目标结点进行搜索,在搜索过程中根据状态转移公式寻找下一跳路径．实验结果表明,基于蚁群的对等网搜索算法能够节省路由长度并且有较高的搜索准确率．     

蚁群算法研究进展

人工蚁群算法是受到蚂蚁在觅食过程中能发现蚁巢到食物的最短路径这种搜索机制的启发而发展起来的一种群体智能算法、蚁群算法在求解一系列困难的组合优化问题上取得成效，成为解决TSP，VRP，QAP，JSP等典型问题的一种新型的强有力算法．对蚁群算法的起源和发展历史、算法理论研究的主要内容和方法、基于算法的改进以及应用范畴等，进行了系统的总结与综述，并对这一新型现代启发式算法的发展方向进行了展望．     

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。     

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。     

分散、递阶蚁群算法及其在相变序列图像分割中的应用

提出了一种分散、递阶蚁群算法，它将多个分散的蚁群并行求解各自对应的子问题，形成一个执行层，而递阶协调层利用执行层反馈的信息协调执行层的优化过程，从而得到递阶求解问题的整体最优解．该算法已应用于相变热图序列图像模糊相变线的提取问题，即运用区域划分方法先将序列图像的分割转化为关联型多子图搜索问题，再利用分散、递阶蚁群算法进行求解，结果表明该算法能很好地利用相变线的运动信息成功地解决热相变序列图像分割问题．与蚁群算法独立搜索比较，分散、递阶蚁群算法能更有效地实现多子图之间的关联．     

基于MATLAB的改进型基本蚁群算法

蚁群算法是一种新型的模拟进化算法。是继GA、SA、TS等算法之后求解组合优化问题的一种新思路。人工蚁群算法通过模拟蚁群搜索食物的行为,采用正反馈结构、分布式计算与某种启发式算子相结合的方法,能够很快地发现较好解。本文给出一种基于MATLAB的改进型基本蚁群算法,有效地降低了算法的复杂度,缩短了搜索时间,具有较强发现最好解的能力。     

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人最短路径规划方面存在的不足，如算法前期盲目性搜索、收敛速度慢、消耗时间长及转弯次数多，提出了一种改进的蚁群算法。该算法根据正态分布模型，将栅格环境划分不同区域，进行信息素差异化处理，减少蚂蚁初期搜索时间；同时基于A^*搜索算法的估价函数思想改进启发函数，引入自适应启发信息因子，增强其目标导向性，提高算法收敛速度，平衡算法全局搜索能力。仿真结果表明，改进的蚁群算法能够规划出收敛速度较快、转弯次数较少以及平滑度更高的路径。     

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。     

一种基于信息素扩散的蚁群聚类算法

作为数据挖掘技术的重要组成部分,聚类分析在很多领域有着广泛的应用.蚁群算法由于采用分布式并行处理和正反馈机制,具有较好的全局收敛性,并且在解决多种NP难问题中取得了成功.将信息素扩散模型引入到蚁群聚类算法中,通过设计新的信息素更新机制,提出一种新的基于信息素扩散的蚁群聚类算法.实验结果表明新算法在聚类效果上比基本的蚁群聚类算法有较明显的改善.     

蚁群算法的研究现状和应用及蚂蚁智能体的硬件实现

概要地对近年来引起广泛兴趣的蚁群算法的研究现状进行了考察，简要地介绍了几种修正的蚁群算法，如蚁群系统（ACS）、最大最小蚁群系统（MMAS），具有变异特征的蚁群算法，与遗传算法相结合的蚁群算法等；大致介绍了几种蚂蚁智能体的硬件实现，并且以蚁群算法在电力系统中的几个应用为例，考察了它在实际应用问题相结合时的一些情况。     

蚁群优化图着色算法在智能小区中的运用

当智能小区的地图网格中的颜色数太多时，经蚁群算法处理的信息会出现杂乱无章的现象.对蚁群算法进行优化，增添褪色过程并加入参数Max，能减小并控制着色色数，实现四色着色，使得小区里的各种动态数据和信息在地图网格中更加清晰且直观地展现.     

混沌蚁群算法及其在智能交通中的应用

在传统蚁群算法的基础上,结合混沌的遍历性、随机性和规律性,提出一种混沌蚁群算法,阐述该算法在智能交通系统中应用的可行性,解决了智能交通中常见的最优路径问题,并通过实验数据说明本算法的有效性.     

一种自适应蚁群分类算法

将分类学习看作是一个找出最优分类规则的优化问题,提出一种自适应蚁群分类算法——AdaptiveL_AMP,以得到一组可理解的分类规则.在基于规则的分类方法中,规则评价函数的选取至关重要,本文提出的算法能够针对不同数据集自动选取与之相适应的规则评价函数以提高分类准确性.此外,为进一步提高算法的分类准确率,设计了一种局部搜索策略并将其融入到AdaptiveL_AMP算法中.最后对算法进行了分析,并在多个公用的真实数据集上与相关算法进行了比较,结果表明AdaptiveL_AMP算法能够更加有效地解决分类问题.     

基于遗传和蚁群算法融合的聚类新方法

遗传算法具有快速良好的全局搜索能力，而蚁群聚类算法具有良好的分布式并行性和正反馈能力。将两种算法进行融合，充分利用算法各自的优势和特点，能更有效地进行聚类分析。实验证明这种新组合算法在优化能力和时间性能上比常用的聚类算法有比较明显的优势。     

基于MCCAA的工期成本质量的多目标优化分析

工期、成本、质量是工程建设项目的三大控制目标,然而这“三大目标”既对立又统一,为了同时达到三个目标的优化,本文构建合理的目标模型,并且针对传统蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种改进的协同进化蚁群算法,在必要路段使各目标的信息素信息进行杂交变异,优化路径上的信息素分布,并运用改进的多种群蚁群协同算法实现算例的多目标优化应用。     

带有侦察子群的蚁群系统

针对基本蚁群算法收敛速度慢、容易出现停滞等缺陷,提出一种新的蚁群优化算法--带有侦察子群的蚁群系统.该算法从整个蚁群中分离出一部分蚂蚁组成侦察子群,在优化过程中侦察子群以一定概率做随机搜索,提高了解的多样性;在信息素更新策略上同时使用本代和全局最优蚂蚁,兼顾了本代和历史的搜索成果;同时还采用LK变异算子,对每次搜索的解进行局部优化.最后对三个典型TSP实例进行了仿真实验,结果表明新的算法不仅能够克服早熟现象,而且能够大大加快收敛速度.