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。     

智能混合优化策略及其在流水作业调度中的应用

通过结合蚁群算法(ACO)的并行搜索结构和模拟退火算法(SA)的概率突跳性,提出了一种有效的混合优化策略,并将该策略应用于流水作业调度问题(FSP)．在该策略中,蚁群系统的一个周游路线为模拟退火算法提供了一系列初始解,在每个退火温度上进行抽样准则检验并产生新解,然后更新信息激素;蚁群算法再利用模拟退火算法产生的新解进行并行搜索．同时,根据此策略构建并实现了针对FSP问题求解的具体混合算法．仿真结果表明,混合算法弥补了ACO易陷入局部最优和SA搜索效率较低的缺点,增强了全局搜索能力,在求解FSP调度问题的性能上也优于其他算法。     

基于改进蚁群算法的电力线路检修的多目标优化

通过对辽宁省电力有限公司的线路检修问题的综合分析,考虑各种约束条件,提出了一种多目标优化数学模型.在优化的过程中采用了改进的蚁群算法,并结合了图论中的图着色问题.改进蚁群算法的核心是自适应动态调整路径上的信息素,信息素增量由小变大,增强局部搜索能力,再由大变小,增强全局搜索能力,循环变化,从而利于算法能够跳离局部最优解.改进蚁群算法的优点是在求得满意解的基础上,大大提高了算法的速度.仿真实验结果表明,新算法的优化质量优于基本的蚁群算法.     

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。     

一种基于蚁群算法的多媒体网络多播路由算法

为了克服蚁群算法（Ant Colony Optimization,ACO）收敛速度慢，易限于局部最小点等缺陷，对ACO进行了改进，在每次循环结束时，保留最优解，自适应地改变挥发度系数，引入遗传算法的交叉算子，提出了一种基于ACO的有时延约束的多播路由算法模型。仿真结果表明，基于改进ACO的多播路由算法模型 可以稳定地获得优于现有启发式算法的解，是一种有效的多播路算法，该算法也适用于并行执行和应用。     

一种求解多处理机调度问题的自适应蚁群算法

将蚁群算法应用于求解多处理机调度问题,提出一种自适应蚁群算法．算法以最小化makespan为调度目标,根据蚂蚁留下的信息素指导蚁群在解空间展开全局搜寻,将任务分配在恰当的机器上,并通过自适应调整阈值实现全局探索与精细查找的平衡．实验结果表明算法具有较好的优化性能．     

基于改进蚁群算法的CVRP问题研究

车辆路径优化问题归属于NP-hard问题;针对基本蚁群算法求解效率低下,可行解质量不高,容易陷入局部最优解的情况,在充分考虑具有一般性的车辆路径优化问题的数学模型与解决方案后,提出了一种带有轮盘赌运算与2-opt优化运算相结合的改进蚁群算法,算法在运算过程中对选取路径的概率进行二次计算,扩大了全局的搜索范围;同时对得到的路径进行内部优化,增强了局部搜索能力,提高了解的质量;通过MATLAB软件进行仿真实验的结果表明:相较于基本的ACO算法以及遗传算法得到的结果,改进的蚁群算法在性能上和求解的质量具有很大的优势,可以更好地解决带有容量约束的车辆路径优化问题,为相应的企业更好地节省物流成本。     

基于蜂群算法的多小波图像去噪研究

针对在多小波图像去噪中阈值难以选取问题,提出基于群体智能算法—人工蜂群算法(artificial bee colonyalgorithm,ABC)优化多小波阈值。详细介绍了群体智能算法的发展历程和分类,阐述了ABC算法的基本原理、工作流程,及其优化多小波阈值在图像去噪中的具体步骤,比较了遗传算法(genetic algorithm,GA)、粒子群算法(par-ticle swarm optimization,PSO)、蚁群算法(antcolonyoptimization,ACO)以及ABC算法4种算法各自的优缺点。将提出的方法与GA算法和PSO算法优化多小波阈值进行了对比,通过仿真,证明提出的算法可以有效地去除高斯白噪声,提高图像的峰值信噪比(peak signal to noise ratio,PSNR),具有很好的去噪效果。     

智能交通系统中车辆调度问题的自适应蚁群算法

考虑智能交通系统中员工在聚集站点上下班,建立车辆调度问题的数学模型。针对蚁群优化算法的缺点,自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,构成一种自适应蚁群优化算法。应用该算法和基本蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于基本蚁群优化算法。     

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。     

基于抗体的蚁群优化算法研究

针对蚁群优化（ant colony optimization,ACO）容易陷入局部最优,提出一个基于抗体的新型蚁群优化算法(ant colony optimization based on immune algorithm,ACOI)。ACOI是利用免疫算法中抗体的概念来改善人工蚂蚁搜寻解空间的方式,使人工蚂蚁不仅会依随费洛蒙的指引,还会受到抗体的影响去搜寻解空间;而抗体也会随着环境的改变,使抗体成为有效的及无效的2种情形,有效的抗体对人工蚂蚁会有影响,无效的抗体则没有影响。用旅行销售员问题（traveling salesmen problem,TSP）验证ACOI的效能,并与ACO做比较,证明了在蚁群系统中加入抗体要比单纯的蚁群系统效率更高。     

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。     

基于改进蚁群算法的无人机航迹规划

针对无人机在指定地点执行侦察、 巡逻或攻击等任务, 将无人机执行任务的航迹代价模型转化为旅行商问题, 采用改进蚁群算法实现航迹规划。通过引入去交叉禁忌搜索策略, 对基本蚁群算法进行改进, 以解决在收敛后期易陷入局部最优的问题。同时, 利用数值仿真对所研究的基于改进蚁群算法的无人机航迹规划算法进行验证。仿真结果表明, 该算法能提高了无人机航迹优化能力。     

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。     

基于自适应多态融合蚁群算法的无人机航迹规划

为解决传统航迹规划最短路径算法易陷入局部最优及复杂地形情况下的无人机航迹规划问题,提出了一种基于自适应多态融合蚁群算法的航迹规划方法。通过对航迹规划问题进行描述,建立数学模型,将自适应和蚁群算法相结合,与多态蚁群形成了全局、局部并行搜索模式,以提高算法寻找全局最优值的能力;提出自适应并行策略和自适应信息更新策略,以提升其全局搜寻能力。仿真结果表明,自适应多态融合蚁群算法较传统蚁群算法和多态蚁群算法具备更好的性能,能有效地提高搜索路径的长度和收敛速度,从而避免在求解过程中陷入局部最优,因此在求解最优航迹规划问题上有很好的应用前景。     

基于改进隶属云模型蚁群算法的喷涂机器人喷枪轨迹组合优化

摘要： 针对复杂曲面分片后的喷枪轨迹组合优化问题,利用哈密尔顿图将其转化为广义开环旅行商问题(OTSP),采用“问题无关的进化算法与问题相关的局部搜索相结合”的策略,首先引入隶属云模型来自适应调节蚁群算法中控制的随机性,然后引入K-opt局部搜索策略的基于改进隶属云模型蚁群算法(MCMACA)对喷枪轨迹组合优化的OTSP问题进行求解.仿真结果表明,改进隶属云模型蚁群算法的全局搜索性和局部收敛性更佳,在复杂曲面上对喷涂机器人喷枪轨迹进行优化具有明显的优越性.
关键词： 组中图分类号：文献标志码： A     

基于跨邻域搜索的连续域蚁群优化算法

针对连续域蚁群算法寻优能力差、容易产生局部最优的问题,提出了一种基于跨邻域搜索的改进蚁群算法。首先,通过自适应种群划分方式计算可行解和不可行解群体;然后,针对不可行解群体利用自主选择学习算子选择对象进行学习,目的是不断扩大种群规模,避免算法陷入局部极值点,继而对可行解群体采取全局跨邻域搜索的方式,引导蚂蚁向全局最优解靠近,加快收敛速度;最后,基于全局最优解采用局部跨邻域的方式引导蚂蚁在小范围内进行细致搜索,提高收敛精度。通过与其他连续域蚁群优化算法针对CEC2017测试函数在低维和高维情况下的实验对比,证明本文算法具有较好的寻优能力和稳定性,能有效避免陷入局部最优。     

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.