基于改进型蚁群算法的最优路径问题求解

如何向用户提供"高质量"的最优路径是导航系统应解决的关键问题.针对该问题,文中提出了带多个路径质量约束的最优路径数学模型.为求解该模型,在蚁群算法的基础上重新设计信息素局部更新规则和全局更新规则,引入信息素更新算子,动态调整、增加最优路径上信息素的规则,并通过改进能见度启发因子,得到改进型蚁群算法.仿真实验证明,改进后的蚁群算法具有良好的寻优性和收敛性,能准确找出路网中满足路径质量约束的最优路径.     

蚁群优化算法的改进及其在旅行商问题中的应用

针对蚁群优化算法收敛速度慢、容易陷入局部最优的缺点,根据算法的信息素更新特性,提出了一种信息素更新的方法:引入logistic混沌映射进行信息素的初始化并应用反向学习策略进行初始信息素的调整,利用柯西密度函数对信息素挥发因子进行动态调整。以不同规模的旅行商问题为实验对象,结果表明:改进算法具有更好的稳定性和全局优化性能。     

多种群蚁群算法在多目标优化中的研究

本文针对多目标优化问题提出了一种多种群蚁群算法,按照目标函数的个数建立蚁群种群数,在各个种群搜索过程中,创新性的引入了种群间的全局信息素更新和局部信息素更新,既提高算法对pareto解的搜索效率又避免了陷入局部最优,并针对多目标优化问题进行了仿真,证明了算法的可行性。     

蚂蚁优化算法在解决CVRP中的应用

针对基本蚁群算法收敛性差,易于停滞的缺陷,通过引入信息素窗口限制信息素的最大最小值,只对迭代最好解进行信息素更新,判断汇聚情况进行信息素重新初始化,在每次迭代中加入局部搜索优化,在选择概率中加入与问题相关的参数等措施对蚁群进行优化,提高蚁群算法的收敛性,避免了算法的停滞现象。     

基于改进蚁群算法的集装箱装卸顺序优化研究

为缩短船舶在港时间,提高码头的作业效率,应用改进蚁群算法对集装箱装卸顺序的组合优化问题进行求解。首先结合柔性作业车间调度理论与集装箱装卸过程中船舶和岸桥的实际情形,建立集装箱装卸顺序调度模型;然后针对基本蚁群算法易出现早熟现象和收敛速度慢等问题,通过动态的改变信息素的挥发度与信息素强度,同时按照改进的信息素更新策略更新各路径的信息素,从而跳出局部最优;最后运用C#.NET语言对基于改进蚁群算法的集装箱装卸顺序问题进行仿真与步骤分析,验证了改进蚁群算法的有效性。实践证明,改进后的蚁群算法基本上克服了传统算法自身的不足,能够对集装箱装卸顺序优化,缩短作业时间。     

改进的ACO-BP混凝土坝位移监控模型研究

为解决BP神经网络收敛慢和易陷入局部极小值的问题,利用蚁群算法(ACO)智能搜索和全局优化的特点优化BP神经网络,对其初始的权值、阈值进行寻优,从而加速神经网络的训练过程.针对标准蚁群算法在搜索中可能耗时过长以及容易陷入局部最优的问题,从路径选择策略和信息素更新方式对蚁群算法进行了改进,并与BP神经网络相结合建立了改进的ACO-BP混凝土坝位移监控模型.通过对某混凝土坝工程进行实例分析,证明了所建模型拟合及预测的有效性.     

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。     

一种基于云模型的自适应蚁群算法

针对蚁群算法在解决大规模优化问题中易陷入局部最优及收敛速度慢等缺陷,提出了一种基于云模型的自适应蚁群算法。通过对信息素分布状况进行评价,自适应地调整云模型中各参数,并根据云模型参数,确定全局最优及次优路径,进行全局信息素更新,以改善算法的全局搜索能力。同时,为了避免算法陷入停滞,将信息素大小限制在一个最大最小区间。仿真实验结果验证了提出的算法的高效性和稳定性。     

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.     

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.     

基于优化蚁群算法的AGV路径规划研究

针对基本蚁群算法在规划自动导引车(automated guided vehicle, AGV)路径时易出现的耗时长、搜索效率低、收敛速度慢以及易陷入局部最优等不足,文章提出一种优化蚁群算法。首先利用辅助蚁群的方向优势,帮助主蚁群初始化信息素,使路径搜索更具有针对性,提高路径搜索效率;其次加入伪随机状态转移策略,增加路径选择的多样性,防止算法过早收敛;接着使用蚁群的当前最优解、主蚁群一代蚁群中的最优解、最差解进行全局信息素更新,并引入最大最小蚂蚁系统对路径上的信息素进行限制;最后对栅格环境中的凹形障碍物进行处理,提高搜索质量。仿真实验表明,优化蚁群算法相较于其他蚁群算法,收敛速度更快、搜索能力更优。     

基于改进蚁群算法的HMM参数估计

针对隐马尔可夫模型(HMM)的传统参数估计方法容易陷入局部最优,对初始参数值要求较高且会出现过耦合现象,为了提高模型的鲁棒性和识别性能,提出一种基于改进蚁群算法的HMM参数训练估算法(HMM-ACO).该算法根据信息素的变化实现全局搜索,较好地解决了迭代算法易发生的局部陷阱问题.与其他全局优化算法相比,该算法识别精度有较大提高.实验表明,利用HMM-ACO算法训练的隐马尔可夫模型具有较好的分类识别性能.     

一种基于信息素扩散的蚁群聚类算法

作为数据挖掘技术的重要组成部分,聚类分析在很多领域有着广泛的应用.蚁群算法由于采用分布式并行处理和正反馈机制,具有较好的全局收敛性,并且在解决多种NP难问题中取得了成功.将信息素扩散模型引入到蚁群聚类算法中,通过设计新的信息素更新机制,提出一种新的基于信息素扩散的蚁群聚类算法.实验结果表明新算法在聚类效果上比基本的蚁群聚类算法有较明显的改善.     

基于改进元胞蚁群算法的铁路取送车问题研究

为了有效并且快速地解决树枝型专用线取送车问题,文章提出了一种基于元胞自动机(cellular automata,CA)模型的改进蚁群算法,即改进元胞蚁群算法(improved cellular ant colony algorithm,ICACA)。通过对蚁群算法中的转移概率以及信息更新策略加以改进,同时将元胞的演化规则和蚁群的信息素更新规则结合,提高了蚁群的全局优化能力;为了防止陷入局部最优,算法中设计了交换策略。仿真结果表明,文中提出的ICACA能够有效提高取送车作业问题的效率。     

量子化信息素蚁群优化特征选择算法

蚁群优化算法凭借其正反馈机制和强大的搜索能力被广泛地应用于各类优化问题求解上.本文试图将蚁群优化算法应用于特征选择领域并提出了新的量子化信息素蚁群优化(quantized pheromone ant colony optimization, QPACO)特征选择算法.相比于其他基于蚁群优化算法的特征选择算法,QPACO算法中采用了量子化信息素的启发式策略,改变了传统的信息素更新策略,因此避免了在搜索特征时的局部最优问题.实验采用了KNN分类器来指导学习过程,利用源于UCI数据库的多组数据集进行了相关的测试,实验结果表明,QPACO算法在分类精度、精确率、召回率和维度缩减率等方面均具有良好的性能.     

基于蚁群优化的Elman神经网络在故障诊断中的应用研究

指出普通Elman神经网络BP学习算法的不足,将蚁群算法和Elman神经网络相融合,采用信息素挥发因子ρ和信息素τ更新策略自动调整的自适应蚁群算法优化Elman神经网络的权阚值,并将其应用到柴油机涡轮增压系统故障诊断中.仿真实验表明,优化的Elman神经网络有较快的收敛速度和较高的故障诊断精度,可以有效地诊断柴油机涡轮增压系统的故障,能够更好地避免局部最小,实现了对柴油机涡轮增压系统故障的有效诊断.     

求解成像卫星调度问题的改进蚁群算法

蚁群算法求解成像卫星调度问题时容易陷入局部最优。针对这一问题,提出了一种改进的蚁群算法,在可行解构造初期找到一种综合启发信息来生成初始任务链,并用分类消减的方法进行时间窗更新。局部更新时引入扰动机制,信息素更新时添加了信息素限制策略。最后通过仿真实例与遗传算法和传统蚁群算法对比,说明了该方法的可行性和相对优越性。     

一种基于监工机制的改进蚁群算法

针对基本蚁群算法存在收敛速度慢、易陷入局部最优解等问题,受监工机制的启发,提出了监工蚁群算法,以监工距离作为评价标准,自适应地选择优良的蚂蚁更新信息素,提高了每次迭代中解的质量,指导之后的蚂蚁进行更好的学习。该算法选用优化的全局更新策略,使得信息素在进化前期增加较多,在后期增加较少;同时,自适应地将信息素的值限定在一定范围内,防止某条路径被选择的概率过大或者过小。该算法还添加了发散和收敛机制,当算法陷入局部最优解时,增加探索的概率,有助于跳出局部最优解。仿真结果表明,监工蚁群算法具有较高的全局寻优能力,减少了迭代次数,增强了算法的稳定性。     

基于最近邻居选择、信息素动态更新和局部启发搜索的蚁群算法

文章使用最近邻居选择、信息素动态更新和局部启发搜索法对MMAS算法进行优化,得出NDLACO算法.此算法运用于解CVRP问题时,取得了较好的效果.在关于参数值的问题上取得了一定的成效,也有效地解决了蚁群算法的收敛过快和早熟、停滞问题.     

基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。