一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题（traveling salesman problem,TSP）求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

蚁群优化算法的无人机室内航迹规划

由于室内无人机导航较为复杂,针对现有的传统(基本)蚁群算法存在早期盲目搜索、易陷入局部最优和收敛速度慢等问题,探索一种高效、准确的航迹规划方法意义重大。为提高收敛速度使其避免陷入局部最优等算法缺陷,提出一种改进蚁群算法的室内无人机三维航迹规划方法,该方法设计初始信息素的调节因子,增强蚁群搜索的方向性;设计启发概率函数,改进状态转移规则,有效提高蚁群可见性精度;改进算法的信息素更新方式,增加信息素挥发率的动态调整策略,提高算法的收敛速度,扩大搜索空间,有效避免其陷入局部最优。通过仿真实验进行算法适应性验证,结果表明：改进蚁群算法有效提高全局搜索能力,减少收敛迭代次数,得到的最优路径长度比传统蚁群算法平均缩短38.6%,平均用时减少3.8%,显著提高蚁群优化算法的适应性,体现出在特定应用场景下的优越性。     

一种求解TSP的混合型蚁群算法

针对基本蚁群算法存在的过早收敛问题,提出一种采用混合模式调整信息素的改进蚁群算法,当陷入局部最优解时便启用新的信息素调整规则,从而使算法跳出局部解.计算机仿真结果表明,这种混合型蚁群算法对求解TSP难题有较好的改进效果.     

基于吸引场的蚁群算法在TSP中的应用

针对传统蚁群算法容易陷入局部最优解等缺陷,提出了一种基于吸引场的改进的蚁群算法.首先,详细分析了基于信息素的吸引场原理,在此基础上建立了基于信息素的吸引场模型.其次,设计了吸引场因子,给出了信息素更新策略,使相距较近的蚂蚁之间能更好地进行协作.最后,针对标准的30个城市的旅行商问题,使用所提出的算法与基本蚁群算法、其他改进的蚁群算法进行优化分析,并进行了结果对比.结果表明:所提出的蚁群算法可以获得TSP问题的最优解423.74,Oliver30问题计算结果最优值为423.74,平均值为423.96,具有较好的搜索全局最优解的能力.     

求解流水车间调度问题改进的蚁群算法研究

蚁群算法求解流水车间调度问题(FSP)容易陷入局部最优,为避免误差较大,提出一种改进的蚁群算法(IAACA).该算法融合最大最小蚂蚁系统的思想,改进了蚂蚁信息素挥发方式,在搜索初期,信息素挥发系数从较大的值呈线性递减趋势,利于算法跳出局部最优,在迭代后期,信息素挥发系数减小为较小的值,有利于精细寻优.对基准算例的仿真结果表明改进的蚁群算法的有效性.     

蚁群神经网络在变压器故障诊断中的应用

针对蚁群算法收敛速度慢的问题, 提出了一种改进方法, 通过为蚁群算法增加一种收敛因子, 使其在信息素的全局更新中为每次迭代产生的最优路径赋予额外的信息素增量, 降低了算法陷入局部最优解的可能性。分析了改进蚁群算法的收敛性, 并对其寻优能力进行了测试, 结果表明, 改进蚁群算法具有较强的寻优能力和较快的收敛速度。用改进蚁群算法优化神经网络并将其应用于变压器的故障诊断, 与BP神经网络诊断结果对比, 蚁群算法优化神经网络具有更快的收敛速度和更高的诊断精度。     

改进蚁群算法在车辆路径问题中的应用

从蚁群算法在求解实际问题时收敛速度慢、易陷入局部最优的缺陷出发,对蚁群系统转移规则、局部信息素更新方面进行改进,并将其应用到DCVRP问题中,求解时引入候选列表和2-opt局部搜索策略,以减少计算时间并达到事先淘汰不良路径的目的.通过与其他元启发式方法比较,实验结果表明,本文改进蚁群算法其结果明显优于另外四种主要的路径问题启发式方法.     

基于多信息素的蚁群算法

针对传统增强型蚁群算法容易出现早熟和停滞现象的缺陷,提出一种多信息素的蚁群算法(MPAS),并以TSPLIB的数据为例对该算法进行实验测试.MPAS算法将信息素分为局部和全局两种不同的信息素,在搜索过程中,对局部和全局信息素采用不同的更新策略和动态的路径选择概率,使得在搜索的中后期能更有效地发现全局最优解.在中大型问题上MPAS算法有着更好的发现最优解的能力.     

改进蚁群算法在多目标下路径长度的研究

为解决蚁群算法规划时易陷入局部最优问题,提出一种适合多目标下全局路径规划的改进蚁群算法。将粒子群算法所得到的最优结果路径作为蚁群算法的初始信息素增强值,利用平均距离与当前距离比值和最优与最差路径正负反馈相结合来调节信息素更新策略,根据不同阶段中信息素挥发系数的影响将其动态划分来求解最优遍历顺序,得到最短路径长度。att48实例结果显示,相较于传统算法,改进算法在路径长度上缩短了6.76%,鲁棒性能提高了4.87%,证明了改进蚁群算法的有效性。     

改进的求解整数规划的蚁群算法

针对传统蚁群算法在求解整数规划时易陷入局部最优问题,通过设定信息素的修正阈值,适时对信息素进行修正,以及采取纵向和横行的搜索方式,对蚁群算法进行了改进,算例比较分析结果表明:改进后的蚁群算法能够较好地避免陷入局部最优,且执行效率提高数倍.     

用分层蚁群算法求解优化问题

提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

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。     

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．     

制造企业动态联盟合作伙伴组合优化方法

将制造企业动态联盟合作伙伴的选择和组合抽象为多目标优化问题，提出改进的蚁群算法——“小生境蚁群算法”及“小生境信息差”的创新概念并对其进行优化求解，在正反馈环节中引人时变参数并利用经验信息和启发信息进行解算，从而有效地防止遗传算法中的“早熟”和基本蚂蚁算法中可能发生的“停滞”状态，获得选择合作伙伴多目标组合优化问题的最优解．     

基于改进的文化蚁群算法求解最优路径问题研究

针对传统方法不能够有效的求解GIS最优路径问题,在文化算法的基础上提出了一种基于实际路况求解两地之间最优距离的蚁群优化算法.引入了表示天气、路况、驾驶员个人偏好等诸多不确定因素,并将改进的蚁群算法融入到文化算法当中,使蚁群算法具有群体空间和信仰空间并行进化的机制.群体空间采用改进的最大最小蚁群算法,从而有效的提高算法最...     

具有禁忌策略的蜂群算法评定圆柱度误差

针对最小二乘法评定误差较大,遗传、蚁群等仿生算法设置参数较多、收敛速度较慢的问题,结合圆柱度误差评定的特点,提出采用蜂群算法,来实现圆柱度误差的最小区域法评定.该算法借鉴了禁忌搜索算法的禁忌策略,用禁忌表存储局部最优解,增强对参数Limit的控制作用,提高全局搜索能力.实验研究结果表明,该方法能收敛到全局最优解,并且计算结果稳定,收敛速度很快,平均运算时间在1.2 S左右,适用于三坐标测量机等实时处理系统.     

蚁群算法在一般函数优化求解中的应用

蚁群算法是一种新型的模拟仿生算法.本文通过在一般函数优化求解中的应用,说明该算法与启发式因子相结合可有效地避开陷入局部最优的弊病.显示了蚁群算法在连续空间优化问题中的应用前景.     

多种群蚁群遗传算法在车间调度中的研究应用

蚁群算法和遗传算法都属于仿生型优化算法,是解决调度问题的强有力的工具。本文针对多目标车间调度问题提出了一种多种群蚁群算法和遗传算法想结合的算法,算法的第一部分用多种群蚁群算法求得各个目标函数的最优解,第二部分把求得的解作为遗传算法的初始种群求得多目标问题的Pareto最优解。仿真结果,该算法有较好的有效性、稳定性和订单适应能力。