带时间窗车辆路径问题的量子蚁群算法

带时间窗的车辆路径问题(VRPTW)是VRP的一种重要扩展类型, 是组合优化中的一个NP难题, 针对蚁群算法在求解VRPTW问题时易陷入局部最优和收敛速度慢的问题, 本文结合量子计算提出一种求解VRPTW的量子蚁群算法(QACA). 通过定义人工蚂蚁的转移概率, 增加量子比特启发式因子, 以及用量子旋转门实现信息素更新, 从而提高算法的全局搜索能力, 有效避免了算法陷入局部最优. 经一系列VRPTW的仿真实验表明, 量子蚁群算法较蚁群算法在求解VRPTW问题上具有更好的性能, 通过与其他算法的比较, 进一步说明量子蚁群算法是可行有效的.     

基于蚁群优化算法的0-1背包问题求解

蚁群优化算法在求解旅行商问题、指派问题、Job-shop调度问题和网络路由问题等获得了极大的成功．将蚁群优化算法应用于0—1背包问题，首先将0—1背包问题表示成相应的构造图，并针对该图设计了两个状态转移公式，蚂蚁根据这两个状态转移公式在带权图中移动直到死亡．此时，蚂蚁所走过的路径即构成背包问题的一个可行解．仿真实验对该算法的参数进行了讨论，再与遗传算法进行比较，结果显示该算法具有较高的性能．     

基于相位编码的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题, 提出一种适合连续优化的量子蚁群算法. 该方法直接采用量子位的相位对蚂蚁编码. 首先基于信息素强度和可见度构造的选择概率, 选择蚂蚁的前进目标; 然后采用量子旋转门更新描述蚂蚁位置的量子比特, 完成蚂蚁移动; 采用Pauli-Z 门实现蚂蚁的变异增加位置的多样性; 最后根据移动后的新位置完成蚁群信息素强度和可见度的更新. 由于优化过程统一在空间[0,2π]ⁿ 进行, 而与具体问题无关, 因此, 对不同尺度空间的优化问题具有良好的适应性. 以函数极值优化和聚类优化为例, 仿真结果表明该方法的搜索能力和优化效率明显优于普通蚁群算法和标准遗传算法.     

A New Algorithm for Solving Multicriteria Shortest Path Problem

１　ＩｎｔｒｏｄｕｃｔｉｏｎＭｕｌｔｉｃｒｉｔｅｒｉａｓｈｏｒｔｅｓｔｐａｔｈｐｒｏｂｌｅｍｉｓａｐａｒｔｉｃｕｌａｒｄｉｓｃｒｅｔｅｌｉｎｅａｒｍｕｌｔｉｏｂｊｅｃｔｉｖｅｐｒｏｂｌｅｍ［１～４］．Ｕｐｔｏｎｏｗ,ｉｔｈａｓｎｏｔｂｅｅｎｗｉｄｅｌｙｓｔｕｄｉｅｄｉｎｌｉｔｅｒａｔｕｒｅ．Ｔｈｅｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｍｕｌｔｉｃｒｉｔｅｒｉａｓｈｏｒｔｅｓｔｐａｔｈｐｒｏｂｌｅｍａｎｄｔｈｅｃｌａｓｓｉｃａｌｓｈｏｒｔｅｓｔｐａｔｈｐｒｏｂｌｅｍｉｓｔｈａｔｔｈｅｒｅａｒｅｍｏｒｅ…     

函数优化的元胞蚂蚁算法

蚂蚁算法是一种源于大自然中生物世界的新的仿生类算法,已在一系列困难的组合优化问题求解中取得了成效;元胞自动机作为一种离散的动态模型在大规模的仿真计算能力方面为研究系统的行为提供了有效的虚拟实验室.基于蚂蚁算法和元胞自动机的原理,提出了一种元胞蚂蚁算法及其数学描述,可用于求解连续系统的优化问题.算法在MATLAB环境下实现,并对一些难题实例进行了验证和测试,获得了较好的效果.     

基于双层蚂蚁算法的半导体炉管制程批调度研究

借助蚁群系统较强的路径寻优能力与并行搜索特点,设计了一种双层蚂蚁算法,解决了多品种晶圆批连续到达动态环境下非等效平行多机器的批调度问题.仿真实验表明,算法能得到较好的可行解,并优于其他启发式算法,对高负载的工作环境具有良好的适用性.     

随机装卸工问题的新型变异蚁群算法

提出了随机装卸工问题及其求解策略.针对这一问题,在蚁群算法的基础上给出了引入内外变异的新型蚁群算法.通过数值算例对两种算法的求解结果进行了对比分析,验证了新型变异蚁群算法的有效性和可靠性.     

车辆路径问题(VRP)的蚂蚁搜索算法

车辆路径问题(vehicle routing problem，VRP)是组合优化中一个典型的NP难题，理论上，目前仅能保证一些相对小规模的问题可求得最优解．基于近些年出现的新型智能优化思想：人工蚂蚁系统，给出了一种可快速求解VRP的蚂蚁搜索算法．通过定义基本的人工蚂蚁状态转移概率，并结合局部搜索策略，用迭代次数控制算法的运行时间，从而使该方法具有实用意义和可操作性．经一系列数据测试和验证，并与若干已有的经典算法相比较．获得了较好的结果．     

一种求解连续空间优化问题的改进蚁群算法

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,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。     

一种改进的粗粒度并行蚁群算法

蚁群算法是一种模拟进化算法,具有很强的全局搜索能力。提出了一种基于粗粒度模型的并行蚁群算法,该算法采用了一个新的信息素更新策略———Ant-proportion,这种新的更新策略是综合考虑全局和局部信息,依据蚂蚁在搜索过程中所得到的路径的优劣程度和路径中各路段对其贡献的大小来分配信息素增量;另一方面,该算法采用的粗粒度模型充分利用了蚁群算法内在的并行性,使得算法具有更快的收敛速度和更好的优化质量。最后,选用了CHN144问题对该算法进行了检验,算法求得的最优路径优于已知的最优结果。     

元胞蚂蚁算法的收敛性分析

提出一种新的优化算法，元胞蚂蚁算法，该算法将元胞自动机的邻居和规则引入传统的蚂蚁算法，实验结果证明该算法可行且有效，有良好的全局优化能力。定义元胞蚂蚁算法的求解迭代过程为一个概率测度空间中的随机算子，利用随机不动点理论，证明了该算子为连续压缩算子，存在唯一的随机不动点，从而给出了元胞蚂蚁算法的收敛性的论证，为算法奠定了相应的理论基础。     

基于信息素异步更新的蚁群算法

针对基本蚁群算法中蚂蚁速度无限且信息素同步更新的假定前提,提出一种基于信息素异步更新的改进蚁群算法。该算法以蚂蚁的速度有限为前提,采用异步更新规则来调整各个蚂蚁的信息素浓度,从而间接改变蚂蚁间合作方式。该算法更忠实于实际蚁群的寻路过程,算法具有更好的全局搜索能力。基于旅行商问题的实验验证了算法的有效性、鲁棒性及解的多样性。     

解旅行商问题的混沌蚁群算法

利用混沌运动的遍历性、随机性和规律性等特点,提出了一种求解旅行商问题的混沌蚁群(CACO)算法.该算法的思想是采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值.与模拟退火算法、标准遗传算法进行比较,仿真结果表明该方法是一种简单有效的算法.     

目标分配问题的蚁群算法研究

防空C3I系统的目标分配问题中如何使射击效率最佳,是非常重要又十分困难的问题。分析了目标分配问题各种解算方法的特点及存在的问题。结合蚁群算法思想,提出了一种新型的目标分配算法模型,并进行了算法实验。实验结果表明,基于蚁群算法思想的目标分配算法是有效的,特别是问题规模较大时更显示出其较快的收敛速度和较高的精度。     

Solving Job-shop Scheduling Problem with an Ant Colony Optimization Algorithm Based on Mutation and Dynamic Pheromone Updating

The validity of the ant colony algorithm has been demonstrated as a powerful tool solving the optimization. An ant colony optimization algorithm based on mutation and dynamic pheromone updating in this paper was applied to settle job shop scheduling problem. Result of computer simulation shows that this method is effective.     

基于形态学和蚁群聚类的台风分割方法研究

蚁群算法是具有离散性、并行性、鲁棒性、正反馈性等特点的一种仿生进化算法。根据数字图像的离散性特点,从聚类角度出发,将蚁群聚类算法引入到台风云系分割中,并通过引入初始聚类中心和引导函数来解决传统蚁群聚类算法计算量大,搜索时间过长的问题。在蚁群聚类算法的基础上,针对单纯采用蚁群聚类算法可能会将类似于台风云系的分布不均匀的无关云团分割出来而造成分割精度低的情况,提出了一种蚁群算法融合数学形态学方法的台风云系分割方法。仿真结果表明此方法可以准确的分割出台风云系,是一种有效的图像分割方法。     

蚁群算法进行连续参数优化的新途径

提出用蚁群算法进行连续参数优化的一种方法 .该方法对解的每一个分量的可能的取值组成一个动态的候选组 ,并对候选组中的每一个值记录其信息量 .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、变异操作来确定解的值 .以非线性规划问题为例所进行的计算结果表明 ,该方法比使用遗传算法具有更好的收敛速度和稳定性 ,克服了蚁群算法不太适合求解连续参数优化问题的缺陷 .     

基于改进蚁群算法的柔性作业车间调度问题的求解方法

针对经典作业车间调度问题的局限性,结合实际生产情况,给出了具有路径柔性的作业车间调度模型,提出了机器选择规则,给出了改进蚁群算法的具体实现过程.当所有蚂蚁爬行完毕后,针对算法是否陷入局部收敛分别对各路径上的信息素进行调整,这样有助于快速的得到全局最优解.最后通过实例仿真验证了算法的有效性.     

一种求解约束优化问题的连续域蚁群算法

借鉴蚁群优化算法和粒子群优化算法的思想,提出了一种用于求解约束优化问题的连续域蚁群算法.将搜索域中的任意一点看成食物源,使用多组蚁群进行寻优,每一组蚁群代表问题的一个解,在每一迭代中首先在所有蚁群中选则一组种子蚁群,然后在该组蚁群的信息素密度分布函数下进行采样,生成子代蚁群,最后进行蚁群选择,从而使各组蚁群不断向适应度值较高的搜索区域移动,最终收敛到最优解.对基准测试函数G01-G12的求解结果表明,该方法具有较快的收敛速度和较好的全局寻优能力.     

基于蚁群算法的多目标跟踪方法

提出了一种新的基于蚁群算法的多目标跟踪方法.方法采用蚁群算法实现多目标跟踪中的数据关联,首先将多目标跟踪中的数据关联问题表示为具有约束条件的优化问题.用蚁群算法对该优化问题求解,得到的解即为最优关联.为验证该算法的有效性,在两种状态估计方法EKF(extended Kalman filter)和S1S(sequential importance sampling)的基础上进行了多目标跟踪实验,并且与传统的NN(nearest neighbor)方法进行了比较.在与SIS框架结合时,算法中采样粒子包括状态矢量和关联矢量,状态矢量通过序贯重要性重采样获得,关联矢量通过蚁群算法求得.实验结果表明,将蚁群算法融合进SIS算法进行多目标跟踪是有效的.