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.     

基于蚁群算法的多字符聚类识别

本文采用蚁群算法对聚类数目已知的多字符进行聚类识别,在分析了基本蚁群算法的基础上,提出了一种改进的蚁群算法,该算法结合分布式计算、正反馈机制、贪婪式搜索算法等.对每只蚂蚁构造一个可行解,利用信息素矩阵,经过若干次的选代,找寻包含最优解的蚂蚁.通过与K-means和遗传算法比较,最后得出结论,该蚁群算法识别效果好,执行效率高.     

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。     

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.     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型,并基于正交试验获得的训练样本对网络进行学习,以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础,用蚁群算法来学习神经网络的权系数。利用反演结果,建立快速拉格朗日快速计算法(FLAC)模型,对地表沉陷进行预测。结果表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

一种基于蚁群优化的无线传感器网络路由算法

提出了一种基于蚁群优化的无线传感器网络路由算法.根据无线传感器网络路由策略和蚁群优化的特点,构造了人工蚂蚁,设计了基于蚁群优化的路由算法框架,对算法收敛性进行了理论分析,并在NS仿真平台下进行了实验验证.结果表明,与SPIN,DD,HREEMR,SAR和GEAR路由算法相比,作者算法具有较好的节能性和全局寻优能力.     

蚁群算法与免疫算法的混合算法

蚁群算法是近些年来启发式算法研究的一个热点,在求解复杂组合优化问题上具有强大的优势.作为一种全局搜索的方法,它具有正反馈性、并行性、分布性、自组织性等特点.但是,蚁群算法也存在一些不足之处:例如,算法需要较长的搜索时间、容易出现早熟、停滞现象.针对上述不足,在深入研究蚁群算法的同时,又对免疫算法进行了一定的研究和分析后,针对蚁群算法中的个体蚂蚁缺乏识别问题特征信息的能力,将免疫算法中疫苗的思想引入到蚁群算法中,提出了蚁群算法与免疫算法的混合算法.将问题的特征信息作为疫苗注射给蚂蚁,使蚂蚁具有"免疫"的能力,旨在借鉴其他仿生算法的长处,利用其优点弥补蚁群算法的不足,从而提高蚁群算法的求解性能.     

求解TSP问题的蚁群算法研究

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.提出了一种改进蚁群算法,利用象限近邻表构造候选集和对偶象限近邻的方法初始化信息素,可以克服上述缺陷.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.     

露天采矿边坡临界滑动面搜索蚁群算法研究

基于蚁群算法并通过改进蚁群算法结构和蚂蚁转移概率确定的方法 ,构造了一个适应复杂边坡临界滑动面搜索的启发式蚁群算法 (HACA) .研究了极度干旱地区露天采矿场岩体的物理力学特性 ,探讨了 HACA在采矿边坡临界滑动面搜索和稳定性分析评价中的应用 .结果表明 ,与传统方法相比 .其方法具有明显的优越性 .图 2 ,表 1,参 10     

基本蚁群算法的A.S.收敛性研究

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法，虽然该算法已经在众多组合优化领域中得到广泛应用，但是对其收敛性尤其是A．S．（AlmostSurely）收敛性问题的研究还存在很多空白．本文在介绍蚁群算法基本原理的基础上，以Markov链和离散鞅作为研究工具，对基本蚁群算法的A．S．收敛性问题进行了理论证明，把最优解集序列转变为下鞅序列来考察残留信息素轨迹向量的收敛性，随后提出了基本蚁群算法首达时间的定义，并对基本蚁群算法首次到达时间的期望值进行了理论分析．     

多策略蚁群算法求解机器人路径规划

针对基本蚁群算法的缺点,提出用多策略的蚁群算法求解机器人路径规划问题.采用栅格法建立机器人全局路径规划工作空间模型,进行两次凸化改进处理.提出惩罚策略,并配合使用保健算子策略、治病算子策略,同时引入遗传算子策略、精英蚂蚁策略和最大最小蚂蚁策略.介绍在Matlab环境下编程实现的方法及步骤,求解100个栅格点的路径规划问题,得到最优距离为15.070.仿真结果表明,即使在复杂的地形环境中用本算法也可迅速规划出令人满意的最优路径.     

基于粒子群蚁群算法的多机器人任务分配方法

针对大规模多移动机器人松散耦合型任务分配问题,探讨了机器人联盟形成问题中的关键,并且提出一种基于粒子群蚁群算法的任务分配机制.结果表明,粒子群蚁群算法得到的分配解要明显优于基本蚁群算法,并且不易出现早熟现象.     

一种具有半动态候选列表的蚁群算法

文章在ACS算法使用的最近邻候选列表的基础上,应用受限生成思想,设计了一种半动态的候选列表生成机制,使得蚁群对于所求解问题产生一定程度的记忆与环境识别能力;运用该方法改进了基本蚁群算法,优化了AS算法的搜索过程;同时,通过仿真实验对比具有半动态候选列表的AS算法与AS算法在计算TSP问题时的结果,验证了算法优化的有效性.     

蚂蚁算法及其在机械优化设计中的应用

在蚂蚁算法基本原理的基础上,通过引入蚁群更新、沿途搜索等策略,对算法进行了改进. 用C语言设计了蚂蚁算法程序,通过典型优化设计问题进行了验证,并给出了机械优化设计实例. 实例表明,改进后的蚂蚁算法全局收敛能力强,程序运行可靠.     

基于群体智能的蚁群算法研究

群体智能是指任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分布式问题解决装置,群体智能现正在成为人工智能领域和相关领域的一个研究热点;该文首先介绍了群体智能中的两个重要算法:蚁群算法和粒子群算法的基本思想,然后重点探讨了蚁群优化算法,对基本蚁群算法和改进的蚁群算法进行了深入的分析和评述。     

蚁群算法的研究现状和应用及蚂蚁智能体的硬件实现

概要地对近年来引起广泛兴趣的蚁群算法的研究现状进行了考察，简要地介绍了几种修正的蚁群算法，如蚁群系统（ACS）、最大最小蚁群系统（MMAS），具有变异特征的蚁群算法，与遗传算法相结合的蚁群算法等；大致介绍了几种蚂蚁智能体的硬件实现，并且以蚁群算法在电力系统中的几个应用为例，考察了它在实际应用问题相结合时的一些情况。     

A novel approach of hybrid genetic optimization with elite ant colony: Application in the modulation recognition

A novel approach (HGO-EAC) for hybrid genetic op-timization (GO) with elite ant colony (EAC) is proposed for the automatic modulation recognition of communication signals,through which we improve the basic ant colony algorithms by referencing elite strategy and present a new fusion strategy for genetic optimization and elite ant colony. This approach is used to train the neural networks as the classifier for modulation. Simula-tion results indicate good performance on an additive white Gaus-sian noise (AWGN) channel,with recognition rate reaching to 70% especially for CW even at signal-to-noise ratios as low as 5 dB. This approach can achieve a high recognition rate for the typical modulations such as CW,4ASK,4FSK,BPSK,and QAM16. Test result shows that it has better performance than BP algorithm and basic ant colony algorithms by achieving faster training and stronger robustness.     

关于蚁群算法的参数设置研究

本文重点讨论了蚁群算法,包括蚁群算法的基本原理及工作流程.为了模拟实际蚂蚁的觅食行为,设人工蚁出发点H为蚁穴位置,食物源则在最终目标点F,蚂蚁觅食过程就是从H出发,在AS范围寻找食物源的过程.经过蚂蚁群体的反复寻食,基于蚂蚁留下信息素的正反馈作用,最终绕开所有障碍物找到了一条最短路径.