一种改进的蚁群算法在垃圾运输问题中的应用

针对基本蚁群算法收敛速度慢、易陷于局部最优解等缺陷,将量子算法中的态矢量和量子旋转门引入到蚁群算法中,并分别表示和更新信息素,提出一种改进的蚁群算法--量子蚁群算法(QACA),使算法具有更好的种群多样性和全局寻优能力.结合垃圾运输问题,从数值计算上探索了改进的蚁群算法的优化能力,并与遗传算法和基本蚁群算法进行了对比,测试结果表明,改进算法获得的结果比遗传算法和基本蚁群算法更优,表明该算法是求解垃圾运输问题的一种有效算法.     

一种求解多处理机调度问题的自适应蚁群算法

将蚁群算法应用于求解多处理机调度问题，提出一种自适应蚁群算法．算法以最小化makespan为调度目标，根据蚂蚁留下的信息素指导蚁群在解空间展开全局搜寻，将任务分配在恰当的机器上，并通过自适应调整阈值实现全局探索与精细查找的平衡．实验结果表明算法具有较好的优化性能．     

基于改进蚁群算法的潜艇最短航路规划

提出了一种将潜艇的航路规划问题转化为多阶段最短路径问题的模型,和最短路径问题的威胁度加权算法,并使用蚁群算法来计算最短路径,达到求解潜艇航路规划问题的目的.还针对现有的蚁群算法收敛速度慢的缺陷提出了一种蚂蚁学习策略,同时对现有算法的信息素更新策略进行了改进.最后的实验比较得出,改进后的蚁群算法收敛速度与成功率相比传统蚁群算法有了明显提高.     

面向数字电路测试生成的智能方法研究

提出一种蚁群算法和粒子群算法相结合的方法(ACA-PSO),将该算法引入数字电路测试生成当中。为了有效提高故障覆盖率和缩小测试生成时间,首先将蚁群算法的信息素更新机制进行改进,使其免于陷入局部最优,提高了故障的覆盖率,其次又对粒子群算法的参数进行了改进,使其具有较好的收敛性,得到较短的测试时间,该算法采用数字电路固定型故障模型来验证。将两种算法结合取长补短,实验结果表明,测试时间和故障覆盖率都得到了提高。     

蚁群算法求解函数优化的算法设计

为了求解一般的函数优化,文章在对标准蚁群算法的基础上,引入遗传算法的编码方式,并对蚁群算法的信息素更新进行改进.通过对几个经典测试函数的求解,证明了算法的有效性.     

基于混合优化算法的城市应急疏散公交车辆路径优化研究

本文就突发事件条件下,研究用公交车进行疏散的路径选择的模型,叫做混合优化算法求解模型,该模型是基于粒子群算法和蚂蚁群算法。用粒子群算法的粒子位置向量得到每辆公交车所需运送的人群种类,用蚁群算法优化单车路径,根据优化的总路径评价得到最优解。     

基于蚁群优化算法和人工势场的无人机航迹规划

针对复杂环境下的无人机航迹规划问题,建立栅格化环境模型,提出了结合蚁群算法与人工势场的航迹规划方法. 在航迹搜索过程中,蚂蚁不仅受到信息素和启发信息作用,还受到势场力的影响. 根据节点位置的势场力分布,提出了确定性选择和概率性选择相结合的状态转移规则,并设计环境感知因子,动态调整确定性选择的比例. 将节点的势场方向、节点与目标间的距离构造蚂蚁的综合启发信息,以充分利用对已知环境的认知,指引蚂蚁搜索. 仿真结果表明所提方法能有效得到无人机的最优航迹,优化效果优于单一的蚁群算法和人工势场法,具有更好的收敛速度和优化精度.     

基于改进蚁群算法的智能小车路径规划仿真研究

提出一种改进的蚁群算法,解决传统蚁群算法在路径规划时容易陷入局部最优解的问题,改进的蚁群算法具备更优越的搜索最短路径的能力.MATALAB仿真实验表明,改进的蚁群算法能够节约寻找到最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

改进人工蜂群算法在路径优化上的应用

基本的人工蜂群算法通过不同角色蜜蜂在对蜜源进行采食过程中进行角色的转变,能够快速地求解问题的最优值,其具有全局寻优能力强、鲁棒性、收敛快等优点.但在接近全局最优解的时候,蜜蜂搜索的速度会明显变慢,易陷入局部最优.针对这些问题,在基本算法的位置更新阶段加入了高斯变异算子和柯西变异算子,提高了算法的收敛速度,增加邻域蜜源的访问概率,使得算法能够有效地跳出局部最优.应用TSP问题对改进后的算法进行仿真验证,结果证实了改进后的算法具有一定有优越性.     

基于蚁群信息素的混合遗传算法

针对遗传算法无法利用系统中的反馈信息,求解到一定范围时出现的冗余迭代,求精确解效率低,局部搜索能力弱、易出现"早熟"现象等缺点,提出了采用蚁群信息素对均匀划分子空间进行标定,利用留存的信息素控制选择操作,采用双重选择算子、基于"杂交优势"思想的交叉算子和自适应变异算子的混合遗传算法.实验表明,采用该算法的分类系统的分类准确率、算法运行时间、算法收敛性等方面性能均有明显提高.     

基于混合互信息和改进粒子群优化算法的医学图像配准

为提高医学图像辅助诊断的配准精度和收敛速度,提出了一种基于混合互信息和改进粒子群优化算法的医学图像配准算法,在每步迭代中,先用基于Renyi熵的互信息结合改进粒子群优化算法对图像进行全局搜索,然后对当前得到的最优解使用基于Shannon熵的Powell算法进行局部寻优。实验结果表明,该算法在收敛速度和精度方面都优越于其他配准算法。     

带有二次约束非凸二次规划问题的一种全局优化方法

对带有二次约束非凸二次规划问题进行研究,利用二次函数的结构和性质,对目标函数和约束函数进行线性下界逼近,建立原规划问题的一个新的线性规划松弛,以便确定它在超矩形上全局最优值的一个下界;利用超矩形上的最长边的对分策略,以及超矩形的缩减和删除技术,提高算法的收敛速度;通过对松弛线性规划可行域的细分以及一系列的松弛线性规划的求解过程得到原问题的全局最优解,从理论上证明了算法能收敛到原问题的全局最优解,最后数值例子也说明了算法是有效的.     

无约束min-max-min问题的区间斜率方法

区间斜率方法已应用于解决全局优化问题,且得到了较好的结果。讨论目标函数为因子函数的离散无约束min-max-min问题,利用区间斜率,构造目标函数的区间扩张和区间斜率删除原则,建立了求解离散无约束min-max-min问题的区间斜率算法,并给出了数值算例。相关结论和数值结果都表明:该方法可以同时求出问题的最优值和全部全局最优解,是可靠和有效的。     

一种求解H2/H∞控制问题的局部正交多目标遗传算法

针对H2/H∞多目标控制问题的求解,提出一种新的混合多目标遗传算法,以解决遗传算法局部搜索能力差的不足.此算法首先运行多目标遗传算法,以便使解集快速地达到Pareto最优解附近,然后运用一个新的局部优化算法对先前得到的外部Pareto解集进行进一步的局部优化.实例仿真表明,此算法有较强的全局和局部搜索能力,可以提高搜索的效率,适用于绝大多数H2/H∞多目标问题的求解.     

带有二次约束非凸二次规划问题的一种全局优化方法

对带有二次约束非凸二次规划问题进行研究,利用二次函数的结构和性质,对目标函数和约束函数进行线性下界逼近,建立原规划问题的一个新的线性规划松弛,以便确定它在超矩形上全局最优值的一个下界;利用超矩形上的最长边的对分策略,以及超矩形的缩减和删除技术,提高算法的收敛速度;通过对松弛线性规划可行域的细分以及一系列的松弛线性规划的求解过程得到原问题的全局最优解,从理论上证明了算法能收敛到原问题的全局最优解,最后数值例子也说明了算法是有效的.     

一种优化的灰狼算法

针对传统灰狼算法存在局部开发能力弱、早熟收敛以及初始种群分布不均匀等缺点,优化了传统灰狼算法。采用Cat混沌映射和反向学习初始化种群,增加初始种群的多样性和均匀性;在灰狼位置更新方面结合了粒子群算法的个体位置更新策略的优势,降低了算法陷入局部最优的风险;引入非线性控制参数,平衡了算法的全局搜索能力和局部开发能力;利用Levy飞行对α狼进行全局搜索,防止了算法后期狼群丧失多样性和算法收敛早熟。利用优化后的灰狼算法对6个标准测试函数进行理论仿真,结果表明,与传统灰狼算法、粒子群算法和蚁群算法相比,优化后的灰狼算法在标准函数求解精度和算法稳定性方面均有显著提高。     

改进遗传算法在TSP组合优化问题中的应用

TSP组合优化问题随着问题规模的增大,其潜在解的搜索空间增长速度比指数函数增加的速度还快.TSP问题的NP-hard使得求解这些问题的最优解非常困难.提出了通过改进经典遗传算法来求解TSP问题近似解的一个算法.仿真结果验证了该算法的有效性.     

基于改进PSO的汽车路径优化

车辆路径问题(Vehicle Routing Problem,VRP)是物流中的重要环节,主要研究物流配送中车辆线路优化以降低运输成本.本文利用粒子群优化算法求解VRP,为了提高求解效率,通过构造自学习算子、微粒的重新编码及运算规则的重新定义,使PSO算法能够处理离散问题,把微粒群算法应用于VRP问题的求解中,通过仿真证明了提出方法求解VRP问题的有效性和优越性.     

基于改进型离散粒子群优化的云计算资源分配方案

针对云计算中资源有效分配的问题,提出一种基于改进型离散粒子群优化(IDPSO)算法的云资源分配方案.首先,将传统PSO算法中的运算进行离散化,使其能够应用于资源分配问题.然后,对传统PSO粒子位置更新公式中的惯性权重进行改进,根据当前粒子位置、局部最佳和全局最佳位置的适应度来确定这些权重系数,以此加快粒子的收敛速度.最后,将资源分配方案编码为一个二维粒子,利用IDPSO算法求解最优解.实验结果表明,该方案能够有效降低资源浪费率,具有可行性和有效性.     

基于当前最优解的反向差分进化算法求解函数优化问题

当最优解偏离目标函数定义域的几何中心时,反向个体容易远离全局最优解,基于反向差分进化算法的性能会大幅降低. 该文引入基于当前最优解的反向学习策略,并与差分进化算法相结合,求解函数优化问题. 当前代的最优解作为候选解和相应反向个体之间的对称点,能保证反向种群的利用率始终维持在较高水平. 实验结果表明,该算法可行而高效,且算法性能的提升完全是反向个体的贡献. 此外,提出一种增强的基于反向差分进化算法,展示出此类优化方法的最优效果.