TSP的改进蚁群算法求解及其仿真研究

蚂蚁数目是影响蚁群算法性能的重要参数,常规蚁群算法在求解TSP时易于陷入局部最优解。文章针对该问题,提出了一种蚂蚁数目动态改变的蚁群算法,即每次周游时的蚂蚁数目是在一个范围内随机取值,该改进算法借用遗传算法中的排序选择策略对每次遍历时的蚂蚁位置进行初始化;分别对常规蚁群算法的TSP求解和改进蚁群算法的TSP求解进行了原理阐述,并对2种算法求解TSP的结果进行了Matlab仿真。对比仿真结果表明,改进的算法在求解TSP时,能够有效地跳出局部最优解,并能很好地收敛,它比常规蚁群算法的性能要优。     

改进状态转移策略的蚁群算法求解TSP问题

针对蚁群算法在求解TSP问题中易出现算法易早熟难收敛的问题,基于历史搜索信息提出了一种改进状态转移策略的蚁群算法,并引入自适应信息素更新机制引导信息素的更新。实验表明,改进的蚁群算法较传统蚁群算法改善了在求解TSP问题上易早熟难收敛的问题,求解效果和求解稳定性上提升显著。     

融入遗传算子的蚁群算法求解TSP问题

提出一种融入遗传算子（Genetic Operator）的蚁群算法（ACAGO）求解旅行商问题（TSP）．蚁群算法（Ant Colony Algorithm）是一种受自然界蚂蚁群体觅食行为启发而提出的进化计算算法,并且已经在求解TSP问题上成功地应用．然而,基本的蚁群算法存在收拟速度慢,容易陷入局部最优等不足．ACAGO算法通过使用遗传算法的交叉算子和变异算子扩大解的局部搜索空间,而选择算子则可以使好的解集的信息素的浓度得到增强,加快了算法的收敛速度．文章对ACAGO算法的执行过程进行了说明并且给出了具体的实现方案,同时通过TSP PLib上的测试样例将该融入遗传算子的蚁群算法和基本的蚁群算法进行了比较．比较结果表明了本文的新的ACAGO算法具有更大的优势,它不但能使算法求解到更好的解,而且加快了算法的收敛速度．     

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.     

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.     

基于信息权重自适应蚁群算法求解TSP问题

为了提高蚁群算法求解TSP问题的寻优效果和计算效率,在传统蚁群算法的基础上,将信息权重系数引入路径选择机制及信息素调节机制,根据城市聚度,动态调整路径选择概率;根据路径寻优结果,自适应调整各路径信息量分布,提出了基于动态路径选择机制及自适应信息量更新的动态自适应蚁群算法,克服了传统蚁群算法计算收敛慢,容易陷入局部最优,个体早熟等缺陷。算法应用于Oliver30和Ch150两个TSP实例仿真,并与传统蚁群算法进行对比。结果表明:自适应蚁群改进算法可以有效地求解TSP问题,并且在求解效率和求解质量上都取得很好的效果。     

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。     

基于蚁群和粒子群优化的混合算法求解TSP问题

提出了一种基于蚁群优化和粒子群优化的混合算法求解TSP(Traveling Salesm an Prob lem)问题。在应用蚁群算法对TSP问题的求解过程中,利用粒子群算法对蚁群系统的参数进行优化,其目的是提高蚁群系统的优化性能,使蚁群系统的参数不必靠人工经验或反复试验选取,而是通过粒子搜索自适应选取。     

蚁群算法与遗传算法在TSP中的对比研究

本文首先论述了求解TSP的基本原理,建立了TSP的数学模型,应用Matlab对传统蚁群算法和传统遗传算法求解TSP进行了对比研究.实验结果表明,当城市个数较少,距离较近时,蚁群算法和遗传算法均能找到最优解,且蚁群算法收敛速度快.当城市个数较多且距离较远时,运用本文中的算法,蚁群算法仍然能找到最优解,而遗传算法没有最优解.     

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.     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

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。     

蚂蚁算法在概念设计方案求解中的应用

通过分析概念设计方案求解问题与旅行商问题的相似性，将方案求解问题转化为组合优化的最优路径问题，建立了基于动态规划的解空间模型和基于最长路径的优化模型，利用蚁群系统内在的正反馈寻优机制，将求解旅行商问题的基本蚂蚁算法应用于方案求解的组合优化过程，结合遗传算法的交叉变异操作，提出一种基于改进蚂蚁算法的求解方法，从而快速有效地获得了最优方案解，最后，以压力机的概念设计为例验证了该方法，研究表明，该方法是合理可行的，它可以使方案求解的人工寻优过程实现算法化，并具有较好的可操作性，从而为解决方案优化的组合爆炸问题提供了一种新的思路。     

基于蚁群算法求解TSP

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,被广泛地用于解决组合优化问题,它是新兴的仿生进化算法,具有并行计算、正反馈等特点,具有较强的发现问题的能力,在许多领域得到应用。文章应用蚁群算法求解TSP问题,分析了蚁群算法的原理、特征、参数及求解TSP问题的具体实现步骤。     

基于受限制候选表的反应蚁群算法求解TSP问题

针对蚁群算法求解大规模旅行商问题(TSP)时会出现计算时间长等问题,将反应贪婪随机适应搜索机制引入蚁群算法中,提出了一种基于受限制候选表(RCL)的反应蚁群算法,其中的候选表大小可以随机选取.将蚂蚁要选择的下一点的范围控制在RCL中,避开了许多局部极小点,克服了最近邻居候选表的不足,提高了搜索效率.对大规模TSP问题进行仿真实验的结果表明该算法具有良好的性能.     

基于蚁群-免疫原理的混合算法及其在TSP中的应用

通过分析蚁群算法和免疫算法的原理,在蚁群算法的禁忌表中得到局部较优解,并将该局部较优解作为疫苗注射到免疫算法的初始抗体中,然后应用免疫算法的相关操作,求得最优解.基于此提出了蚁群-免疫原理的混合算法.将该算法应用到TSP中,仿真表明能够有效地提高算法的全局及局部搜索能力,克服早熟现象.并与基本蚁群算法比较证明该算法是行之有效的.     

A Multi-Agent Approach for Solving Traveling Salesman Problem

The traveling salesman problem （TSP） is a classical optimization problem and it is one of a class of NP- Problem. This paper presents a new method named multiagent approach based genetic algorithm and ant colony system to solve the TSP. Three kinds of agents with different function were designed in the multi-agent architecture proposed by this paper. The first kind of agent is ant colony optimization agent and its function is generating the new solution continuously. The second kind of agent is selection agent, crossover agent and mutation agent, their function is optimizing the current solutions group. The third kind of agent is fast local searching agent and its function is optimizing the best solution from the beginning of the trial. At the end of this paper, the experimental results have shown that the proposed hybrid ap proach has good performance with respect to the quality of solution and the speed of computation.     

蚁群算法的改进及其在TSP问题中的应用

为了克服标准蚁群算法容易陷入局部最优化从而导致算法过早停滞的缺陷,论文引入了城市选择策略的变参数和局部最优搜索策略,同时对信息激素的更新方式提出了相应的改进策略,并应用于对TSP问题的仿真实验.结果表明:改进算法能够加快收敛速度,节省搜索时间,而且能够克服停滞行为的过早出现.     

基于免疫的蚁群优化算法

蚁群算法在寻优过程中很容易出现早熟现象而陷入局部最优,同时蚁群算法在构造问题的可行解时,计算复杂度较大.为解决以上问题,将免疫算法和蚁群算法相结合,构成了一种结合免疫机制的蚁群优化算法,并将其用于解决WTA(武器目标分配)问题.通过仿真及与其它多种优化算法对比发现:基于免疫的蚁群优化算法在搜索效率上要高于其它优化算法.     

基于优化成熟度的自适应蚁群优化算法

通过深入分析蚁群算法中信息素更新系数对算法寻优能力与收敛速度的影响,定义了平均路径相似度(ATS)来表征寻优过程的成熟程度,据此自适应调整信息素更新系数,以提高算法收敛速度,并避免陷入局部最优.经过与典型蚁群算法在多个旅行商问题测试用例上进行比较,表明新算法具有更好的效果.