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。     

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.     

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.     

基于改进蚁群算法的车辆路径选择研究

给出了考虑软时间窗的物流配送车辆路径选择（VRP）模型,提出了一种改进的蚁群算法来求VRP模型的近似最优解。为了以最少的计算时间得出VRP问题的近似最优解,首先用贪婪算法产生初始蚁群,然后通过蚁群算法的评价、信息素释放、蚂蚁移动、信息素消散、判断收敛的循环过程对初始解进行优化。实践表明,在求解软时间窗物流配送车辆路径选择问题方面,改进蚁群算法具有更好的收敛性。该算法算法是求解VRP问题的较好方案。     

基于Rough集和蚁群算法的属性约简方法

属性约简是个NP难问题,目前已有很多解决方法,但是每种算法由于其自身的局限性,只适用于特定条件下的求解。蚁群算法是较新的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果。提出一种基于Rough集和蚁群算法的属性约简方法,能够克服传统蚁群算法在前期收敛速度慢的问题,并通过实验验证了该方法的有效性。     

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。     

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。     

基于人工蜂群算法的TSP仿真

针对标准蚁群算法求解的旅行商问题(TSP)存在收敛速度慢,易陷入局部最优等缺陷,将求解组合优化问题的过程转化为蜜蜂群寻找优良蜜源的过程,并分析了人工蜂群算法及3种基本算法模型,3种引领因子更新策略,讨论了转移因子动态更新公式及状态转移公式,研究了利用该算法求解TSP问题的具体步骤,通过典型的TSP实例进行了仿真实验,结果表明该算法能够克服早熟现象,迭代次数少,收敛速度快,通用性强,比标准蚁群算法具有一定优势.     

An adaptive ant colony system algorithm for continuous-space optimization problems

Ant colony algorithms comprise a novel category of evolutionary computation methods for optimization problems, especially for sequencing-type combinatorial optimization problems. An adaptive ant colony algorithm is proposed in this paper to tackle continuous-space optimization problems, using a new objective-function-based heuristic pheromone assignment approach for pheromone update to filtrate solution candidates. Global optimal solutions can be reached more rapidly by self-adjusting the path searching behaviors of the ants according to objective values. The performance of the proposed algorithm is compared with a basic ant colony algorithm and a Square Quadratic Programming approach in solving two benchmark problems with multiple extremes. The results indicated that the efficiency and reliability of the proposed algorithm were greatly improved.     

An ant colony optimization method for generalized TSP problem

Focused on a variation of the euclidean traveling salesman problem （TSP）, namely, the generalized traveling salesman problem （GTSP）, this paper extends the ant colony optimization method from TSP to this field. By considering the group influence, an improved method is further improved. To avoid locking into local minima, a mutation process and a local searching technique are also introduced into this method. Numerical results show that the proposed method can deal with the GTSP problems fairly well, and the developed mutation process and local search technique are effective.     

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-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.     

基于改进蚁群算法的Web服务选择

提出一种改进的蚁群算法并将其应用于Web服务选择问题中.该算法使用非线性动态变化的伪随机比例选择参数及蚂蚁多重最优解随机加权路由选择算法控制蚁群的行为,使用5维Web服务质量向量和蚁群适应度函数评价蚂蚁构造的路径质量,蚂蚁根据其构造的路径质量进行信息素更新;该算法使蚁群在其解空间的进化能力得到很大的提高.实验证明,该算法在Web服务选择问题上比传统的蚁群算法效率更高.     

云模型蚁群算法在无人机航迹规划中的应用

为中高空飞行的无人机提出了一种新型航路规划算法。该方法基于云模型蚁群算法。基本蚁群算法有着突出的缺陷:易陷入局部最优解而且需要计算时间长。提出的改进型蚁群算法,通过云模型来控制信息素强度Q和挥发系数ρ的大小,从而得到更好的收敛性与避免陷入局部最优解,并进行了TSP问题的仿真计算。通过将无人机任务地图网格离散化,运用云模型蚁群算法进行航迹规划。     

基于信息最大覆盖率蚁群算法的Rough集属性优化约简

属性约简是一个NP难问题,这种算法不仅复杂而且非常耗时。因此本文提出了一种基于等价划分的信息一致性的属性约简算法,降低了属性约简计算复杂度,并将信息最大覆盖率和属性重要性作为蚁群优化算法的信息素进行添加式属性约简,既减小了属性约简的空间复杂度,也提高了计算效率。最后通过一个具体的例子,证明了此算法的有效性和可行性。     

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.     

PRM蚁群融合算法的AGV路径规划研究

针对AGV运货时需一次性取多件货物的路径规划问题,提出一种PRM算法与蚁群算法相结合的融合算法,将问题拆分为路径的选择与TSP问题分布解决,即先利用PRM算法进行AGV路径规划,再利用蚁群算法决策出取货顺序,生成总的路径。最后采用matlab进行仿真实验,并与A*算法进行对比,结果证明了PRM蚁群融合算法比A*算法得出的路径更短、效率更高。