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。     

基于优化蚁群算法的AGV路径规划研究

针对基本蚁群算法在规划自动导引车(automated guided vehicle, AGV)路径时易出现的耗时长、搜索效率低、收敛速度慢以及易陷入局部最优等不足,文章提出一种优化蚁群算法。首先利用辅助蚁群的方向优势,帮助主蚁群初始化信息素,使路径搜索更具有针对性,提高路径搜索效率;其次加入伪随机状态转移策略,增加路径选择的多样性,防止算法过早收敛;接着使用蚁群的当前最优解、主蚁群一代蚁群中的最优解、最差解进行全局信息素更新,并引入最大最小蚂蚁系统对路径上的信息素进行限制;最后对栅格环境中的凹形障碍物进行处理,提高搜索质量。仿真实验表明,优化蚁群算法相较于其他蚁群算法,收敛速度更快、搜索能力更优。     

TSP的改进蚁群算法求解及其仿真研究

蚂蚁数目是影响蚁群算法性能的重要参数,常规蚁群算法在求解TSP时易于陷入局部最优解。文章针对该问题,提出了一种蚂蚁数目动态改变的蚁群算法,即每次周游时的蚂蚁数目是在一个范围内随机取值,该改进算法借用遗传算法中的排序选择策略对每次遍历时的蚂蚁位置进行初始化;分别对常规蚁群算法的TSP求解和改进蚁群算法的TSP求解进行了原理阐述,并对2种算法求解TSP的结果进行了Matlab仿真。对比仿真结果表明,改进的算法在求解TSP时,能够有效地跳出局部最优解,并能很好地收敛,它比常规蚁群算法的性能要优。     

自适应混合蚁群算法求解带容量约束车辆路径问题

针对带容量约束车辆路径问题(capacitated vehicle routing problem, CVRP),提出了一种自适应混合蚁群算法.由蚁群算法生成子回路,为增强跳出局部最优能力,在蚁群算法的状态转移规则和信息素更新规则中引入了自适应机制.基于子回路组合,由遗传算法构造近似解,根据问题编码特性设计了适应度函数和遗传算子,提高了构造效率,并采用Clark和Wright节约算法将近似解修复成可行解.采用扫描法和2-opt局部优化方法提高可行解的质量.标准算例的实验结果表明,该算法在求解CVRP问题上具有良好的寻优精度和寻优效率.灵敏度分析结果表明蚂蚁数量对算法性能具有显著影响.     

基于改进蚁群算法的炼铁原料混匀过程调度优化

通过将炼铁原料混匀过程转化为一种带有顺序相关准备时间、有限中间存储和组装过程的流水车间问题,建立了以最小完成时间为目标的离散调度模型,并针对炼铁原料混匀过程提出了一种改进蚁群算法.该算法通过为单个蚂蚁设置禁忌定时器,将中间存储的状态变化用于修正蚁群路径选择的可行集,减少了调度过程中阻塞造成的时间浪费,构造出质量更好的可行解.数值仿真实验表明,该算法比遗传算法和一般蚁群算法具有更高的计算效率和更好的求解效果.     

基于优化蚁群算法的机器人路径规划

路径规划是移动机器人设计中的关键环节,蚁群算法能高效解决路径规划问题,但它也存在一些弊端,如收敛速度慢、容易陷入局部最优解等.针对这些问题,本研究提出一种改进蚁群算法,在传统蚁群算法的基础上,改进状态转移规则,增加周围障碍物数量影响因子,令蚂蚁尽量避开障碍物;增加角度影响因子,使得蚂蚁行走的路径更加平滑;同时运用精英蚁群策略,来改进蚁群算法易陷入局部最优解的问题.仿真实验结果表明,该算法在多种环境下,都能找到最优路径,且有较快的收敛速度,本研究提出的优化蚁群算法具有一定的可靠性和高效性.     

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.     

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。     

基于PR算法的自适应ACO算法求解旅行商问题

以著名的旅行商问题为研究对象,研究了基于线路重连(PR)算法的自适应蚁群算法(ACO)的应用。根据蚁群算法构解过程中的选择策略与信息素更新机制,提出了自适应的蚁群优化方法,即通过阈值接收算法(TA)中的阈值控制参数改变蚁群的确定选择与随机选择机会,从而控制了搜索方向。采用这种自适应的蚁群优化算法,避免蚁群算法陷入局部最优,使对解空间的更好地进行搜索。同时,在蚁群优化算法(ACO)中,嵌入路径重连算法(PR)来改进解的质量。实验结果证明了基于线路重连算法(PR)的自适应蚁群算法(ACO)在求解该问题时的有效性。     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...     

求解服务选取问题的混合蚁群优化算法

为解决大规模服务选取问题,提出了一种混合蚁群优化(HACO)算法.该算法先采用动态skyline服务查询过程过滤抽象服务类相关的冗余候选服务,以大力缩减空间提高查找效率,然后利用聚类设计动态构造图来引导蚂蚁的搜索方向,从而确定局部服务选取的搜索区域;基于已经确定的局部服务选取的搜索区域,利用启发式策略选取具体的组合服务.采用标准的真实数据集和综合产生的数据集对所提的方法进行试验评估,以及和最近提出的相关组合服务算法进行对比.实验结果在解的质量和处理时间方面效果显著.     

多粒度PPI网络描述模型及其蚁群优化的功能模块检测方法

针对蚁群算法在大规模蛋白质相互作用(protein-protein interaction,PPI)网络中进行功能模块检测所暴露的时间性能方面的不足,提出了一种基于多粒度描述和蚁群优化的快速求解算法。首先,从粒度计算的角度,给出了一种新的多粒度PPI网络描述模型;然后,基于该模型,设计了融合功能和结构信息的粒度划分,粗粒度的蚁群寻优,解的还原与优化3个阶段的求解过程。在大规模PPI网络上的实验表明:算法在保证检测质量的同时,能显著降低利用蚁群算法进行功能模块检测的求解时间,而且与近年来的一些经典算法相比在检测精度上也具有一定的优势。     

蚁群算法在服务选取问题中的分析比较

在对蚁群算法进行总结分析的基础上,提出了求解该问题的蚁群优化模型,定义了针对服务选取问题的信息素及启发式信息,并采用6种蚁群算法对该问题进行了求解.最后通过试验对这些算法在服务选取问题中的适用性进行了分析,并与最近提出的服务选取算法进行了比较.结果表明,设计的不同蚁群算法在求解该问题时性能差异较大,其中ACS算法不但收敛速度快,其求解质量也好于被比较的其他算法.     

基于改进蚁群算法的CVRP问题研究

车辆路径优化问题归属于NP-hard问题;针对基本蚁群算法求解效率低下,可行解质量不高,容易陷入局部最优解的情况,在充分考虑具有一般性的车辆路径优化问题的数学模型与解决方案后,提出了一种带有轮盘赌运算与2-opt优化运算相结合的改进蚁群算法,算法在运算过程中对选取路径的概率进行二次计算,扩大了全局的搜索范围;同时对得到的路径进行内部优化,增强了局部搜索能力,提高了解的质量;通过MATLAB软件进行仿真实验的结果表明:相较于基本的ACO算法以及遗传算法得到的结果,改进的蚁群算法在性能上和求解的质量具有很大的优势,可以更好地解决带有容量约束的车辆路径优化问题,为相应的企业更好地节省物流成本。     

基于QoS云计算任务调度优化

由于云计算技术快速发展,为了满足日益多样化的云计算用户服务质量(QoS需求)以及提高云计算资源调度的效率,提出基于改进蚁群算法的云计算资源调度优化算法,包括建立云计算资源模型和用户QoS需求模型.为了得到更准确的结论,针对传统蚁群算法过快收敛造成的局部最优解现象,在传统的蚁群算法的基础上加入随机选择机制,时间、成本和结果有效可用性适应度因子进行了优化改良,以求得全局最优解.通过仿真实验将传统的蚁群算法、Mi n-Mi n调度算法和改进的蚁群优化算法进行比较,实验表明,改进的蚁群优化算法在调度效率、节约成本、减少任务执行时间和任务得到结果质量方面有明显的优势.     

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。     

利用极值蚁群优化的制粉出力建模变量选择算法

针对制粉出力难以直接测量,以及制粉系统包含变量多且各变量间耦合性强的问题,提出了一种利用极值蚁群优化的制粉出力建模变量选择法,并采用支持向量机根据所选变量建立了制粉出力的预测模型.该算法基于蚁群优化的正反馈原理,对蚂蚁搜索到的各个变量的相对重要性加以区分,并根据幂律分布选择重要性较小的变量进行变异,使得较差解不断得到改善,从而引导蚂蚁朝着最优解的方向搜索.采用制粉系统现场数据对所提算法、蚁群算法和蚁群遗传算法进行比较,结果表明,所提算法具有更快的收敛速度,且由其所选变量建立的制粉出力模型具有较高的预测精度.     

基于蚁群和粒子群优化的混合算法求解TSP问题

提出了一种基于蚁群优化和粒子群优化的混合算法求解TSP(Traveling Salesm an Prob lem)问题。在应用蚁群算法对TSP问题的求解过程中,利用粒子群算法对蚁群系统的参数进行优化,其目的是提高蚁群系统的优化性能,使蚁群系统的参数不必靠人工经验或反复试验选取,而是通过粒子搜索自适应选取。