基于TSP的蚁群算祛及其在路由中的应用

蚁群算法（ant colony optimization,ACO）,又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型技术,一直以来都是研究的热点。本文首先较系统地总结了蚁群算法的起源和发展,总结了蚁群算法的特点和不足及针对这些不足提出的各种改进方法,最后在组合问题上应用表明改进算法具有良好的性能。     

基于群集智能的蚁群算法研究

指出了对蚁群算法为代表的群集智能的研究已经逐渐成为一个研究热点，介绍了蚁群算法的基本思想，分析了基本蚁群算法的特点和不足，针对这些不足讨论了多种改进方案，对改进方案与基本蚁群算法进行了比较，展望了该算法的工程应用前景．     

容量受限工厂选址问题模型及贪婪蚁群算法求解

研究了在容量受限条件下的工厂选址问题.针对现有模型对覆盖问题、经济效益问题和发展状况问题考虑不足,提出了一种新的数学模型.由于容量受限的工厂选址是一个复杂的决策过程,较难得到满意解和最优解,提出一种新的改进蚁群算法对其进行求解.改进蚁群算法在传统蚁群算法的基础上结合了贪婪算法.仿真结果一方面说明了新的数学模型的有效性,另一方面证明了改进蚁群算法改善了传统蚁群算法易于陷入局部最优解的缺点,提高了寻优质量.     

基于信息素改进的蚁群算法

蚁群算法是一种优秀的启发式算法,具有较强的鲁棒性。针对基本蚁群算法在求解过程中容易出现收敛时间过长以及容易陷入局部最优的不足。本文提出了一种改进的蚁群算法,该算法通过在信息素挥发系数上增加一个收敛函数,加快了收敛速度;通过信息素增量与优秀路径选择相结合,引导算法收敛到最优路径,实验结果表明,改进后的算法在收敛速度和全局寻优能力上有了较大的提高。     

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。     

一种改进的蚁群算法及其在TSP问题中的检验

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。但是开始的时候信息素缺乏,收敛速度慢一直是蚁群算法的不足。针对该问题,提出加权蚁群算法,它利用基本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。计算机仿真结果表明,该文算法改进了标准蚁群算法的效率和计算结果的质量。     

人力资源调度的蚁群算法模型

针对企业人力资源管理中的生产安排、工作分配和设备布置的优化调度问题,在对蚁群算法进行总结分析的基础上,提出了求解该问题的蚁群算法模型.并对蚁群算法模型进行了改进,提高了算法的全局搜索能力.提出了基于蚁群算法的人力资源调度策略,并用数学模型对求解问题进行描述,给出了算法步骤.实例证明:改进蚁群算法能有效节省人力资源成本,为人力资源调度提供参考.     

基于IACO-PID的空调房间温度控制优化

空调房间温度控制器受外界环境干扰大,具有时变性和非线性,传统控制方法难以获得高精度的控制效果,为此提出一种基于改进蚁群算法优化PID的空调房间温度控制优化方法(IACO-PID).首先分析当前空调房间温度控制器存在的不足,然后采用蚁群算法对空调房间温度控制器控制参数求解,并针对蚁群算法的不足进行改进,最后采用仿真对比实验测试改进蚁群算法优化PID的优越性.实验结果表明,改进蚁群算法优化PID空调房间温度控制器的控制精度高,抗干扰能力强,具有较快的响应速度.     

基于终距指数的机器人路径规划方法研究

传统蚁群算法在生成信息素浓度时，由于算法生成的路径可能存在冗余成分，信息素浓度可能无法正确反应路径各节点的优劣，蚂蚁无法根据信息素浓度来迅速找出最优路径，导致算法寻优缓慢.基于传统蚁群算法思想，提出了一种新改进蚁群算法，即通过引入终距指数这一概念，取代信息素浓度的标记功能，蚂蚁可以依赖该指数进行决策选择优良节点.以20×20的栅格环境地图对改进蚁群算法进行案例仿真，实验结果表明，传统蚁群算法及其他改进蚁群算法分别需要43代及34代才能收敛到最优值，而利用改进蚁群算法仅需要进化3代即可收敛到最优解；为了进一步验证改进蚁群算法的优越性，在对更为复杂的30×30栅格模型仿真，利用传统蚁群算法与其他改进蚁群算法的收敛代数分别为52代与28代，而利用新改进蚁群算法的收敛代数仅为4代；另外，为了进一步验证改进算法的稳定性，对30×30环境模型进行连续运行30次仿真，所需平均收敛代数仅为4.97代.     

基于改进蚁群算法的物流车辆调度问题研究

传统蚁群算法在求解中容易出现搜索时间长、收敛过早或停滞现象,为克服这些缺点,通过对蚁群算法进行选择策略、信息素更新等方面的改进,以加快算法的收敛速度,提高算法的搜索能力。再将改进后的蚁群算法引入物流运输车辆调度、综合车辆调度理论,对物流运输车辆的优化调度进行了探讨,对有时间窗车辆调度问题(VSPTW)探求新的求解方法,运用Matlab语言进行编程实现,应用实例对算法进行验证。实践证明,改进后的蚁群算法基本上克服了一般蚁群算法自身的不足,提高了算法的性能。     

激励机制改进蚁群优化算法用于全局路径规划

为提高优化算法搜索能力,分析了基本蚁群优化算法和心理学家斯金纳的强化激励方法的基本原理,将正、负激励原理应用于改进基本蚁群优化算法,提出了基于激励机制的改进蚁群算法,并给出了其数学描述。将改进的算法应用于求解旅行商问题和避碰约束下的最短路径规划问题,并与基本算法进行比较。仿真试验显示,改进的蚁群算法有效搜索到最短路径,实现全局路径优化。由于采用了激励机制,使得种群中所有个体都能够积极向最优解移动,从而更快地找到最优解,其较之基本蚁群算法具有较快的收敛速度,整体性能优越,能够应用于求解路径规划等问题。     

Co-evolutionary design of discrete structures based on the ant colony optimization

In order to optimize the sizing and topology of discrete structures together and resist the combinatorial explosion of the solution space,a co-evolutionary design(CED)method based on ant colony optimization(ACO)for discrete structures is proposed.The tailored ant colony optimization for the sizing of structures(TACO-SS)and the tailored ant colony optimization for the topology of structures(TACO-TS)are implemented respectively.Theoretical analysis shows that the computation complexity of each sub-process in CED based on ACO above is polynomial and it guarantees the efficiency of this method.After the parameter settings in TACO-SS and TACO-TS are discussed,the convergence history of a sub-process is studied through an instance in detail.Finally,according to the design examples of the 10-bar and 15-bar trusses under different cases,the effectiveness of the CED based on ACO is validated and the effects of the loads and the deflection constraints on the co-evolutionary design are discussed.     

多粒度PPI网络描述模型及其蚁群优化的功能模块检测方法

针对蚁群算法在大规模蛋白质相互作用(protein-protein interaction,PPI)网络中进行功能模块检测所暴露的时间性能方面的不足,提出了一种基于多粒度描述和蚁群优化的快速求解算法。首先,从粒度计算的角度,给出了一种新的多粒度PPI网络描述模型;然后,基于该模型,设计了融合功能和结构信息的粒度划分,粗粒度的蚁群寻优,解的还原与优化3个阶段的求解过程。在大规模PPI网络上的实验表明:算法在保证检测质量的同时,能显著降低利用蚁群算法进行功能模块检测的求解时间,而且与近年来的一些经典算法相比在检测精度上也具有一定的优势。     

Co-evolutionary design of discrete structures based on the ant colony optimization

In order to optimize the sizing and topology of discrete structures together and resist the combinatorial explosion of the solution space, a co-evolutionary design (CED) method based on ant colony optimization (ACO) for discrete structures is proposed. The tailored ant colony optimization for the sizing of structures (TACO-SS) and the tailored ant colony optimization for the topology of structures (TACO-TS) are implemented respectively. Theoretical analysis shows that the computation complexity of each sub-process in CED based on ACO above is polynomial and it guarantees the efficiency of this method. After the parameter settings in TACO-SS and TACO-TS are discussed, the convergence history of a sub-process is studied through an instance in detail. Finally, according to the design examples of the 10-bar and 15-bar trusses under different cases, the effectiveness of the CED based on ACO is validated and the effects of the loads and the deflection constraints on the co-evolutionary design are discussed.     

一种基于蚁群优化的无线传感器网络路由算法

提出了一种基于蚁群优化的无线传感器网络路由算法.根据无线传感器网络路由策略和蚁群优化的特点,构造了人工蚂蚁,设计了基于蚁群优化的路由算法框架,对算法收敛性进行了理论分析,并在NS仿真平台下进行了实验验证.结果表明,与SPIN,DD,HREEMR,SAR和GEAR路由算法相比,作者算法具有较好的节能性和全局寻优能力.     

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。     

基于改进蚁群算法的Web服务选择

提出一种改进的蚁群算法并将其应用于Web服务选择问题中.该算法使用非线性动态变化的伪随机比例选择参数及蚂蚁多重最优解随机加权路由选择算法控制蚁群的行为,使用5维Web服务质量向量和蚁群适应度函数评价蚂蚁构造的路径质量,蚂蚁根据其构造的路径质量进行信息素更新;该算法使蚁群在其解空间的进化能力得到很大的提高.实验证明,该算法在Web服务选择问题上比传统的蚁群算法效率更高.     

多集散点车辆路径优化的混合算法

为使多集散点车辆路径优化结果全局最优,以订单为基准建立多集散点车辆路径优化模型.采用粒子群算法与改进蚁群算法组成的混合优化算法求解模型.由粒子群算法的粒子位置向量得到每辆车所需运送的订单号,用蚁群算法优化单车路径,根据优化的总路径评价和筛选粒子,直到满足终止条件.该模型和混合算法是所有车辆对所有订单节点的路径优化,突破了多仓库问题直接或间接转化为多个单仓库车辆路径优化问题中的局部节点求解的限制.实例求解结果表明,用该混合算法优化的车辆总路径长度小于用蚁群算法求得的结果.     

用IAA求解约束模型多解问题

针对蚁群优化算法易于陷入早熟收敛和局部求精能力不足的缺点,提出一种用免疫蚁群算法(IAA)寻找最优解的方法.算法基于人工免疫系统原理,设计了具有免疫能力的蚂蚁抗体保持蚁群的多样性,在迭代后期蚁群依然保持进化能力,提高了算法的局部求精能力,使蚁群优化算法在局部开采与全局探索间都取得了更好的平衡.实验结果表明,算法具有良好的优化性能和时间性能.     

时序电路SACO和PSO混合算法的测试矢量生成

提出了一种新的测试矢量生成算法,其使用SCOAP测度对蚁群算法进行参数调整,并在粒子群算法的框架下进行测试矢量生成,再使用调整后的蚁群算法进行测试矢量优化。该算法不仅克服了粒子群算法的容易陷入局部最优等缺点,而且利用电路本身的特性来确定蚁群算法的参数。以国际标准电路为例,实验验证本文的算法,结果表明本算法应用于时序电路的测试矢量生成时,相对于粒子群算法提高了其收敛性,提高了故障覆盖率;相对于蚁群算法压缩了测试矢量集,减少了测试诊断时间。