一种求解TSP问题的改进蚂蚁群算法

通过用混合型蚂蚁群算法求解TSP问题的方法和步骤 ,并以att5 32 (美国 5 32个城市 )为例给出计算实验结果 ,说明混合型蚂蚁群算法改进了标准蚂蚁群算法的效率和计算结果的质量     

用基于蚂蚁算法的混合方法求解不确定TSP问题

首次提出不确定旅行商问题模型, 此模型将路径长度看作动态可变的, 并考虑了交通运行中的不确定因素, 比经典旅行商(TSP)问题更具有灵活性及实用价值, 利用此模型得到的结果更适于指导车辆对运行路线的选择. 同时使用一种基于蚂蚁算法的混合方法求解不确定旅行商问题, 即引入3-opt方法对问题求解进行局部优化. 实验结果显示, 该方法能够加速蚂蚁算法的收敛性.     

蚂蚁算法求解TSP问题的性能分析及改进

在介绍蚂蚁算法的基础上,针对一个实例,对蚂蚁算法求解TSP问题中五个参数Q,C,α,β,ρ(其中C为信息素浓度初值,Q为信息素的调整策略参数,α和β为下一步路径选择概率大小的参数,ρ为信息素浓度的残留因子参数)的设置进行了探讨,分析了单一参数变化时对算法性能的影响,并进一步指出了算法改进的思路和方向.     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

蚁群算法在求解TSP问题中的应用

介绍了蚁群算法的原理,论述了利用蚁群算法求解TSP问题的具体步骤,最后通过仿真实验说明了其优越性。     

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。     

一种求解TSP问题的混合遗传算法

解旅行商问题(TSP)局部寻优较好的算子有opt的各种形式(2-opt,3-opt等)以及Lin-Kernighan(LK)。然而,opt的各种形式的局部搜索算子都难较精细地对个体邻域进行搜索;LK的复杂性高,通常较少使用。鉴于此,本文将单点插入算子(SI)、交换算子(Swap)引入TSP问题的局部搜索,并结合2-opt,组成了一种局部搜索算子集合。同时,将上述算子集合嵌入遗传算法,从而形成混合遗传算法,用于求解TSP问题。通过对国际通用的TSPLIB中不同城市规模的数据进行测试,对比5种算法解的质量,结果证明该混合遗传算法是有效性的。     

一种求解TSP问题的融合算法

提出了一种求解TSP问题的融合算法即GAPACA． GAPACA算法首先利用遗传算法求得符合一定条件(具有全局性和多样性)的种群,然后将其中的个体按照蚁群算法中信息素的定义转化为蚁群算法的初始信息素,再由蚁群算法求得近似最优解。实验表明,GAPACA算法能有效提高收敛速度,并可获得更优结果。     

基于改进模拟退火算法求解TSP问题

对传统模拟退火算法的原理和不足进行分析,针对TSP问题的特点提出了改进的模拟退火算法.就传统模拟退火算法生成新解的随机性太强、参数设置不当不能搜索到全局最优解、容易丢失当前最优解等问题提出了新的初始解选择方案、新解生成机制和当前解的改良及增加记忆功能等方法.实验结果表明,新算法传统的模拟退火算法具有更快的收敛速度和更高的稳定性.     

求解TSP问题的萤火虫参数优化的改进蚁群算法

针对蚁群算法参数难以确定、易停滞等问题,提出了一种求解TSP问题的改进蚁群算法。引入萤火虫算法,利用萤火虫算法对蚁群算法的参数进行优化;同时采用了全局异步和精英策略相结合的信息素更新方式来减少时间开销。为了提高寻优结果,运用3-opt算子作为局部优化方法来改进当前进化所得到的最优解,缩短了路径长度,加快算法收敛速度。最后,通过tsplib标准基准函数中的实例进行计算机仿真实验,结果表明本文算法是有效的,与参考文献中其他算法比较,本文所需的蚂蚁数较少,寻优效率较高。     

求解TSP问题的改进蚁群算法

通过引入免疫克隆算子提出1种新的蚁群算法,并应用于TSP问题求解。结果表明：算法具有较好性能。     

基于蚁群算法求解TSP

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,被广泛地用于解决组合优化问题,它是新兴的仿生进化算法,具有并行计算、正反馈等特点,具有较强的发现问题的能力,在许多领域得到应用。文章应用蚁群算法求解TSP问题,分析了蚁群算法的原理、特征、参数及求解TSP问题的具体实现步骤。     

蚁群算法在解决排课问题中的应用

简述了蚁群算法的生物模型和排课问题的实质,将排课问题转化为二分图匹配问题进行解决,对蚁群算法中的信息素策略和路径转移策略进行了探讨研究,并给出了规避和解决冲突的方法.     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

混沌蚁群算法在回归分析中的应用

混沌蚁群优化算法将混沌搜索与蚁群算法相结合,在蚁群搜索完成后,利用混沌进行细搜索,以提高搜索精度,避免陷入局部最小点．将其用于线性回归分析,仿真结果表明,混沌蚁群算法能够有效地解决回归分析问题,为回归问题提供了一个新的解决方法．     

蚁群算法在方程求根中的应用

列举了传统方程求根方法的不足，介绍了当前若干人工仿生优化算法在方程求根领域的应用。模拟蚂蚁的群体智能，即选择最短路径觅食，提出了一种基于网格划分的连续域改进蚁群算法，用来求解超越方程和复系数高次代数方程的根。通过仿真计算，算法可以找到两类方程的所有根，对于两类方程的差异性而言，算法较稳定。算法给出的复系数高次代数方程的根的误差分布不太均匀，个别根精度太高或者太低。     

蚁群算法求解消防站的选址问题

将消防设施选址问题抽象成集合覆盖问题。应用蚁群算法对集合覆盖问题进行了求解。并针对点的重复覆盖问题对每次迭代的结果进行了启发式改进,消除了冗余的子集。同时采用精英策略,加速了蚁群算法的收敛速度。并将用蚁群算法得到的结果与基于贪心策略得到的结果进行了比较,效果较好。     

用分层蚁群算法求解优化问题

提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。     

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。     

蚁群算法及其应用

蚁群算法是近几年来迅速发展起来的、并得到广泛应用的一种新型模拟进化优化算法。研究表明该算法具有并行性,鲁棒性等优良性质。对蚁群算法理论及其进展情况做了简要的综述,介绍了该算法在理论和实际问题中的应用,并对其前景进行了展望。