基于邻域熵与蚁群优化的基因选择算法

针对基因表达数据集的基因选择问题,采用邻域熵度量与蚁群优化原理,提出一种基因选择方法.首先,引入邻域粗糙集模型对基因数据进行邻域粒化,定义邻域熵度量用于剔除冗余基因构成预选择基因子集;然后,采用邻域熵构造基因重要度作为启发式信息,发挥蚁群优化算法的分布式、正反馈及全局寻优的优势,运用蚁群优化算法从预选择基因子集中搜索出最小基因子集;最后,在选取的最小基因子集上进行分类测试.实验表明:建立在该最小基因子集上的分类器具有良好的分类性能.     

基于交叉变异操作的连续域蚁群算法研究

研究一种基于交叉变异操作的连续域蚁群算法,该算法对解的每一分量的可能取值组成一个动态的候选组,并记录候选组中的每一个可能取值的信息量.在蚁群算法的每一次迭代中,首先根据信息量选择解分量的初值,然后使用交叉、变异操作来确定全局最优解的值,通过相应算法设计,对于来自相对适应度较大的解的分量值, 其变异的区域较小,成为局部搜索,反之,变异的区域较大,则构成全局搜索.同时,随着迭代次数的增多,分量值的变异幅度逐渐变小,这样可使收敛过程在迭代次数较多时得到适当的控制,以加速收敛.最后通过仿真实验,把交叉变异操作的连续域蚁群算法与遗传算法性能进行比较,证明了交叉变异操作的连续域蚁群算法具有较高的搜索较优解的能力,大大节约了计算时间.     

连续优化问题的蚁群算法研究进展

介绍了蚁群算法用于连续优化问题的发展现状,对蚁群算法的特点进行了分析研究,并提出了进一步的研究方向.     

基于蚁群优化算法的步进式加热炉调度

针对钢铁企业生产中的步进式加热炉调度问题,同时考虑到加热炉的生产能耗与热轧机的生产效率,以板坯的实际加热时间、热轧机等待加热板坯的时间以及加热炉内冷热板坯混装次数最小化为目标,建立了冷热板坯混装模式下的步进式加热炉调度问题的数学模型.并针对模型的特点,设计了求解模型的蚁群优化算法.算法中嵌入基于邻域搜索的局部搜索过程,...     

基于邻域粗糙集和蚁群优化的属性约简算法

在分析单一、给定的邻域大小设定方法弊端的基础上,提出了基于属性数据标准差的阁值设定方法,并将蚁群优化算法引入到属性约简中,以属性重要度为启发信息,构造了基于邻域粗糙集和蚁群优化的属性约简算法,使用了4个UCI数据集进行约简.实验结果表明,提出的算法在约简的分类精度和约简中属性个数方面具有更好的性能.     

蚁群优化算法及其理论进展

蚁群优化算法作为一种新的智能计算模式,近年来在理论研究上取得了丰硕成果.本文主要阐述蚁群优化算法的研究成果,论述了算法在离散域、连续域问题上的理论进展,然后对收敛性研究做了介绍.最后,阐述了蚁群优化算法的发展趋势.     

基于连续域蚁群改进算法的T-S模型辨识

针对一些带复杂参数辨识性能指标的模糊建模无法采用经典辨识方法解决的情况,提出了采用改进连续域蚁群算法进行T-S模型辨识的方法.该方法利用蚁群算法无需具体数学模型的特点,解决了模糊模型辨识中辨识指标表达式过于复杂甚至非解析所带来的难题,从而实现了T-S模型前提部和结论部参数的一次性辨识.仿真研究表明,利用文中辨识方法得到的模糊模型能够很好的逼近真实系统,并且对初始条件和输入信号不敏感,具有鲁棒性.     

蚁群算法及其连续优化算法初析

通过对TSP问题的蚁群算法介绍,初步分析了构造一个通用的、应用于连续空间的蚁群算法的几个关键问题,并提出了构造该算法的基本框架。     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

一种邻域搜索的人工蜂群算法

提出采用邻域搜索机制来改进人工蜂群算法的解搜索方程,从当前食物源的环形邻域拓扑结构中选择较优的邻居食物源进行开采,平衡算法的勘探与开采能力。此外,为保存侦察蜂的搜索经验,提出采用一般反向学习策略生成被放弃食物源的反向解,提高算法的搜索效率。在20个典型的benchmark函数上验证算法的性能,并与6种知名的改进算法进行对比。实验结果表明:本文算法在收敛速度和解的精度上均有较大优势。     

基于蚁群算法的炼钢-连铸作业计划编制方法

为提高炼钢-连铸作业计划编制中资源配置的有效性,提出了一种面向生产流程动态网络的自组织资源配置蚁群算法.炼钢-连铸作业计划以最小化炉次作业冲突时间和作业前等待时间、尽早安排连铸机开浇时间为目标,以连铸机连浇等工艺要求为约束条件建立模型,按生产流程网络结构的时空逆序关系设计了蚁群求解算法.利用某钢厂实际生产作业计划数据进行的算法验证结果表明:模型及算法能迅速得到高质量的可执行炼钢-连铸生产作业计划.     

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.     

自适应蚁群算法在CDMA多用户检测中的应用

提出一种基于自适应蚁群算法（adaptive ant colony algorithm）的CDMA多用户检测（MUD）方法．该方法利用匹配滤波器的输出作为初始值，采用自适应选择和动态调节的进化策略，以及搜索过程中最优解的筛选方法来解决多用户检测问题．仿真结果表明，该方法能快速找到全局最优解，并且能得到很好的误码率性能．     

蚁群算法在连续性空间优化问题中的应用

研究了一种可用于求解连续空间优化问题的蚁群算法策略.能提高最优解搜索过程的效率以及搜索状态的多样性和随机性,且不受优化目标函数是否连续、可微等因素的限制,为实际应用提供了途径.数值算例结果表明该搜索策略能较好地找到近似全局最优解.     

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。     

蚁群算法求解迷宫最优路径

提出了基于蚁群算法求解迷宫最优路径的算法。设定两组蚂蚁分别分布在迷宫中距离入口、出口路径长度为尼的前沿位置,根据移动规则,相向爬行。迷宫中各位置记忆蚂蚁信息素量和至迷宫入口、出口的路径长度。蚂蚁爬行至一新位置后,根据当前位置的信息而修改周边位置至入口或出口的路径长度,从而形成一条宽度为3的路径信息带。蚁群在迷宫中爬行使得迷宫中记忆了大量的路径信息,从而容易实现两段路径的拼接,提高了蚂蚁寻找到达目的地最优路径的效率。不同规模迷宫的试验结果显示,该算法是一种求解迷宫最优路径问题的有效解法。     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题（traveling salesman problem,TSP）求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

Hybrid ant colony algorithm for traveling salesman problem

A hybrid approach based on ant colony algorithm for the traveling salesman problem is proposed, which is an improved algorithm characterized by adding a local search mechanism, a cross-removing strategy and candidate lists. Experimental results show that it is competitive in terms of solution quality and computation time.     

基于蚁群算法的粗糙集知识约简

给出了一种新的粗糙集知识约简方法,即结合粗糙集理论的依赖度定义,先给出知识约简转化定理,然后运用一种改进型蚁群算法,采用局部和全局搜索相结合的方法,对知识表达系统进行约简.同时,在适值函数中引入罚函数,从而保证所求的约简在包含最少而非零个属性的基础上有较大的依赖度.通过Matlab计算实例可看出,本文算法对求解知识约简问题快速有效.