蚁群算法求解旅行商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.     

用蚁群算法求解旅行商问题

介绍了一种用于解决复杂优化问题的新的启发式算法--蚁群算法.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应用过程.研究表明该算法具有并行性,鲁棒性等优良性质.     

聚类处理的蚁群算法在旅行商问题中的应用

针对大规模旅行商问题具有区域分布的族类特征,采用最小方差法将城市样本点聚成k个城市群,利用蚁群算法,求出每个城市群内部城市的最短路径及城市群之间的最短路径.提出了一种新的城市群连接方式及标记方法,使得从任一个城市出发,以该方式可对每个城市群的连接城市进行标记,同时,利用循环搜索的方法可得到每个城市群的连接方式,最终得到全局最短路径的一个满意解.最后利用TSPLIB提供的实验数据,对算法的正确性进行了验证.     

一种改进的蚁群算法及其在旅行商问题中的应用

分析了基本蚁群算法易出现早熟停滞现象的原因.对基本蚁群算法进行改进,在原有算法的基础上引入最优最差信息素更新策略和局部最优搜索策略,从而扩大可行解的的范围,避免了算法过早停滞,同时加快算法的收敛速度,使得改进后的蚁群算法解的性能得到较大的提高.最后,以三种旅行商问题为例进行仿真,结果表明该算法能较快地收敛到全局最优解而且具有较好的发现解的能力.     

用量子蚁群算法求解大规模旅行商问题

针对旅行商问题(TSP),提出了一种新的混合量子优化算法——量子蚁群算法.量子蚁群算法采用量子比特的概率幅表示蚂蚁的当前位置,采用量子旋转门更新蚂蚁的位置,选取国际通用的TSP实例库中多个实例进行测试.仿真实验表明,该算法具有很好的精确度和鲁棒性,可使搜索空间加倍,比传统的蚁群算法具有更好的种群多样性.     

基于几何结构的求解旅行商问题的蚁群算法

蚁群算法是一种新型仿生算法，但存在搜索时间长，收敛速度慢，易陷入局部最优等缺点。本文提出了一种基于旅行商问题（TSP）几何结构的蚁群算法，利用象限邻居表构造候选集和对偶限象邻居的方法初始化信息素，用以克服上述缺陷。通过对TSP的仿真，结果表明新算法大大缩小了其搜索范围，提高了搜索精确度并减少了搜索时间。     

基于模式求解旅行商问题的蚁群算法

群体智能已经被广泛应用于分布式控制、调度、优化等领域.其中蚁群算法已经成为该领域的一个研究热点.在蚁群算法的基础上针对旅行商问题(TSP),首先提出了小窗口蚁群算法,提高初始解的质量,然后与基于模式的蚁群算法相结合,通过提取模式,改变计算粒度,缩短计算时间,提高计算精度.实验结果表明该算法有较好的效果.     

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.     

一种优化的量子蚁群算法在旅行商问题上的应用

【目的】量子蚁群算法是一种常见的智能仿生算法,广泛的应用在数学优化、工程技术等领域。该算法在求解旅行商问题时也表现出良好的效果,但当城市规模变大时求解该问题就会出现算法收敛速度慢、早熟、全局寻优能力较弱等问题,为了解决这方面的问题,提出了一种优化的量子蚁群算法。【方法】将部分量子蚁群算法中信息素更新机制与量子旋转角更新机制结合,改进量子选择策略,并将轮盘赌法应用在状态转移规则模型中。【结果】分别使用标准库中的样本和自定义样本,利用Python平台进行实验仿真,通过与其他算法进行比较,并在给出了详细的对比过程。在求解旅行商问题时,提出的算法在最优值差别不大的情况下,减少了早熟,大幅度提高了算法的收敛速度。【结论】提出的算法是有效的,具有一定的实践意义。     

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。     

基于蚁群算法的Traveling Salesman Problem研究

本文介绍了一种求解复杂组合优化问题的新的拟生态算法——蚁群算法.阐述了该算法的基本原理以及蚁群算法在TSP问题上的应用,并提出了改进算法,使得算法有更好的全局性.     

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.     

求解旅行商问题的几种算法的比较研究

旅行商问题具有重要的理论和实际研究价值,在工程实践中应用广泛.采用遗传算法、蚁群算法和模拟退火算法对旅行商问题进行求解,并选取中国旅行商问题进行仿真,比较了3种算法的优劣,得出了它们各自不同的适用范围:蚁群算法适用于缓慢地较精确的求解场合;模拟退火算法适用于快速精确的求解;遗传算法适用于快速求解,但结果准备度要求不高的情况.     

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.     

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.     

小窗口蚁群算法解决旅行商问题的应用与分析

本文先介绍基本蚁群算法模型,并应用此法对TSP(旅行商问题)进行了求解。然后运用小窗口蚁群算法解决TSP问题,通过与基本蚁群算法的比较,认为小窗口蚁群算法无论是在解的优化上还是运行时间上都优基本蚁群算法。     

蚁群算法在排课问题中的应用研究

首先对蚁群算法和排课问题进行了简要概述，同时针对基本蚁群算法在解决排课问题中存在的弊端，提出了一种新的改进型蚁群算法——优劣蚁群算法，并对该算法的优越性进行了阐述。最后通过真实的排课数据对该算法与基本蚁群算法及其相应的改进算法的性能分析比较，应用该算法排课系统运行效率得到了提高，冲突现象明显减少，大大提高了教务管理人员的工作效率。     

改进的蚁群算法及其在Ei150问题上的检验

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了一种基于图形的加权蚁群算法,它利用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.用TSP问题的Ei150检验的结果表明新算法提高了标准蚁群算法的效率和计算结果的质量.     

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.