基于改进蚁群算法的TSP问题研究

由于基本蚁群系统算法没有考虑节点位置,对所有的解采用相同信息素蒸发准则,使算法收敛速度慢,易于停滞,且易收敛于局部最优,为了克服这一缺点,提出了基于距离导引函数构建解,同时采用分级蒸发参数控制蒸发信息素,对蚁群系统算法进行改进,通过仿真实验得到本文算法比基本蚁群系统算法更好的解,且解的性能更好.     

浅谈用蚁群算法求解TSP

蚁群算法是优化领域中新出现的一种启发式仿生类智能进化算法.阐述了该算法的基本原理、算法模型和在旅行商问题中的具体实现过程.研究表明该算法具有并行性,鲁棒性等优良性质.     

求解TSP问题的蚁群算法研究

分析了标准蚁群算法易于出现早熟、停滞和算法收敛速度慢的主要原因,在原有算法基础上提出了一种改进型的蚁群算法,该算法可以有效的提高收敛速度,并把该算法应用到TSP问题中,取得了很好的效果.     

基于蚁群算法的TSP问题研究

蚁群算法是一种新型的优化算法,于20世纪90年代提出,最早成功应用于解决旅行商问题。研究表明,蚁群算法有着极强的鲁棒性发现较好解的能力。本文介绍了蚁群算法原理和TSP问题,通过Scilab编程实现了用蚁群算法解决旅行商问题。     

邻域分区蚁群算法在TSP中的应用

在大规模的TSP求解中,单一的使用蚁群算法会面临优化性能和时间性能这一问题,因此,应先把大规模的TSP按基于距离阈值的近邻聚类分区法划为小规模TSP优化问题来并行求解,再把各子区域中心找一条最佳路径连接起来．     

蚁群算法及其在求解优化问题中的应用

蚁群算法是近几年优化领域中新出现的一种启发式仿生类算法。作为一种新的群体智能启发式优化算法,主要用于求解组合优化问题。本文介绍了蚁群算法的发展历史,然后介绍了其在求解组合优化问题中的应用情况,最后对蚁群算法在今后的研究方向作了展望。     

基于TSP的蚁群退火混合算法研究

本文介绍了蚁群算法和模拟退火算法的基本原理及优缺点,详细阐述了这两种不同混合算法在旅行商问题中的实现流程.     

K-Means聚类下的改进蚁群算法优化TSP问题

在解决旅行商问题(Traveling Salesman Problem, TSP)上,提出了一种新的求解思路即基于K-means聚类思想下的改进型蚁群算法,目的是优化TSP最短路径。先将整体TSP中分布的全部节点利用K-means聚类思想将其分成若干子TSP,再通过对基础蚁群算法(Ant Colony Algorithm, ACA)中信息素更新策略的改进,解决传统蚁群算法在面对大规模TSP问题时有迭代时间长、收敛速度慢和易陷入局部最优解的缺陷。在对每一个子TSP求解最优路径后再将各部分连接,使其融合成为一条完整TSP的最优路径。经验证该算法不仅优化了最短路径降低了误差率,同时大大缩短运算时间,提高了运算效率。     

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。     

蚁群算法参数优化设置研究

根据基本蚁群算法的两个常用信息素更新公式,研究了算法中最初信息量、信息素挥发因子、信息素增量之间的关系以及变化规律,找到了其不等式关系,并进行了仿真证明.     

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.     

解TSP问题的蚁群算法及其收敛性分析

研究和证明求解旅行商问题(TSP)的蚁群算法收敛性.针对蚁群算法搜索时间长、收敛速度慢、易陷入局部最优等缺陷,改进Dorigo提出的基本蚁群算法.最后,用典型的旅行商问题CHN144进行仿真实验,结果表明,改进蚁群算法在收敛速度及求解能力上都有较大改善.     

采用序优化的改进蚁群算法

为了评价蚁群算法在有限时间内所得优解的质量,基于序优化方法提出了一种改进的蚁群算法:使用盲目挑选规则选择初始解,并对信息素进行相应的初始化;确定得到满足要求的优解所需要的迭代次数,将其作为算法的终止条件;为了更好地利用每次迭代中的优解,在算法开始阶段使用前l个迭代优解更新信息素,以增强探索能力;在算法结束阶段采用当前迭代最优解更新信息素,以加快收敛速度.改进算法在保证收敛的前提下,并没有增加算法的时间复杂度.对旅行商问题进行的仿真实验表明,改进算法在解的质量和收敛速度方面优于最大-最小蚂蚁系统.     

蚁群算法参数分析

介绍了蚁群算法的基本原理。确定了蚁群算法中的主要参数,这些参数对蚁群算法的寻优能力的影响非常之大,有启发因子α,期望启发因子β,蚁群数量m,信息强度Q和信息素会发因子ρ等参数,以旅行商问题为例优化以上参数,研究这些参数的组合情况。首先根据数值试验选定[α,β,m,Q,ρ]=[1.5,4.2,30,200,0.5]。固定四个参数,改变一个参数进行数值试验。得到α∈[0.7,1.1],β∈[3.8,4.5],Q∈[400,950]和ρ∈[0.7,0.9]能得到稳定的全局最优解。     

基于蚁群优化算法求解最大团问题的研究

蚁群算法是一种通过模拟自然界中蚂蚁觅食行为而发展而来的新型启发式仿生优化算法,提出至今被研究人员广泛应用于各种组合优化问题.最大团问题是图论中著名的NPC问题,本文对于基本蚁群算法进行了分析与讨论,针对基本蚁群算法的容易陷入局部最优解、收敛速度慢等问题进行了改进,提出了一种新型蚁群优化算法.本文提出的新型蚁群优化算法增加了结点度和历史选择次数表策略影响蚂蚁选点;另外提出了构造独立的局部信息素更新机制.最后通过对比实验验证,数据结果证明新提出的优化算法相对于基本蚁群算法的优越性和可行性.     

连续优化问题的蚁群算法研究进展

介绍了蚁群算法用于连续优化问题的发展现状,对蚁群算法的特点进行了分析研究,并提出了进一步的研究方向.     

一种基于蚁群算法的多媒体网络多播路由算法

为了克服蚁群算法（Ant Colony Optimization,ACO）收敛速度慢，易限于局部最小点等缺陷，对ACO进行了改进，在每次循环结束时，保留最优解，自适应地改变挥发度系数，引入遗传算法的交叉算子，提出了一种基于ACO的有时延约束的多播路由算法模型。仿真结果表明，基于改进ACO的多播路由算法模型 可以稳定地获得优于现有启发式算法的解，是一种有效的多播路算法，该算法也适用于并行执行和应用。