基于群体智能的蚁群算法原理及应用研究

自然界中群居性生物通过协作表现出的宏观智能行为特征被称为群体智能,群体智能已成为人工智能及相关领域的研究热点.蚁群算法(Ant Colony Optimization,ACO)是一种新颖的组合优化算法,它具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合等优点.主要介绍了蚁群算法的原理,探讨了蚁群优化算法及其应用.     

基于群智能的计算与仿真方法研究

随着人类认知范围的拓宽,已有的一些智能计算方法在处理复杂问题时,如高维度、多极值等,往往不能取得令人满意的效果.人们从生命现象中受到启示,发明了模拟生命系统的某些行为、功能和特性的群智能方法.对群智能的主要领域群智能计算和群智能仿真进行了阐述,同时还介绍了其相关研究领域.     

粒子群优化算法及其应用

粒子群算法是一种群体优化算法,详细介绍了粒子群算法的基本原理、参数选择及其应用领域.     

粒子群优化算法及其应用

粒子群算法是近几年来迅速发展起来的,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简单易于实现,可调参数少等优良性质.对粒子群算法理论及其进展情况做了阐述,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.     

粒子群优化算法的研究

粒子群优化算法算法原理简单，所需参数较少，易于实现，目前已经应用到很多领域。文章阐述了基本PSO的原理，给出了各种改进技术．并展望了PSO的发展方向。     

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。     

粒子群优化算法及其在电力系统中的应用

粒子群优化(PSO)算法是一种新兴的基于群体智能的进化算法.介绍了PSO算法的基本原理及各种改进方法,总结了近年来PSO在电力系统中的应用研究成果,主要涉及负荷经济分配、机组组合问题、输电网规划、最优潮流计算、无功优化等领域,指出了PSO算法的广阔应用前景。     

融合粒子群优化算法与蚁群算法的随机搜索算法

针对PSO算法与蚁群算法的优缺点,提出一种融合PSO算法与蚁群算法的混合随机搜索算法.该算法充分利用PSO算法的快速、全局收敛性和蚁群算法的信息素正反馈机制,达到优势互补,将这种优化方法拓展到求解连续空间问题,并通过实例来验证该算法对于单峰、多峰函数都能取得较好的优化效果.     

混合蛙跳融合蚁群算法在群体动画中的应用

针对计算机辅助群体动画路径设计中群体规模大、路径多样性的问题,提出基于混合蛙跳算法和蚁群算法的混合蛙跳融合蚁群的算法模型.该融合算法前期利用混合蛙跳算法建立初始优化解群,后期利用蚁群算法进行精细解搜索,有效地解决了混合蛙跳算法搜索精确解和蚁算法早熟收敛、前期搜索速度慢的问题,进而解决了群体动画中路径复杂多样的问题.最后数值实验结果和仿真算例验证了算法的有效性和鲁棒性.     

蚁群优化算法及其应用

介绍了蚁群优化理论的产生和发展过程,重点阐述了蚁群算法的基本原理．给出了算法的TSP问题模型,讨论了其研究现状和应用现状．对下一步的研究工作做了展望．     

智能优化算法的综述教学研究

本文就优化算法问题的综述与教学做了几方面的研究,以提高对该问题的教学质量、增强初学者对智能算法的认识,也促进对该问题的进一步研究。     

群体智能路由和负载平衡算法研究进展

针对当前路由算法不能胜任解决网络不断增加的复杂性问题,通过自然生物群体证明的群体智能,在网络路由方面具有非常强大的研究启发,文中对群体智能算法在计算机网络路由和负载平衡方面的理论及应用研究进展进行了较系统的论述,并比较了应用ACO算法解决路由和负载平衡问题的3个主流研究工作;讨论了群体智能路由算法的收敛停滞问题及其最新解决方法;指出了新的研究方向.     

改进的粒子群算法在多用户检测中的应用

群智能是一种基于对分散的、自组织的集群行为的模拟而得到的一种人工智能技术,粒子群算法和蚁群算法是其中的典型代表.本文通过分析两种算法的缺陷,提出了一种粒子群算法和蚁群算法相结合的混合算法, 扩大了搜索空间,降低了搜索陷入局部极小的概率.     

粒子群优化算法综述

粒子群优化（PSO）算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。详细介绍了PSO的基本原理、各种改进技术及其应用等,并对其未来的研究提出了一些建议。     

混沌蚁群算法及其在智能交通中的应用

在传统蚁群算法的基础上,结合混沌的遍历性、随机性和规律性,提出一种混沌蚁群算法,阐述该算法在智能交通系统中应用的可行性,解决了智能交通中常见的最优路径问题,并通过实验数据说明本算法的有效性.     

基于群体智能算法的非线性系统参数辨识

群体智能算法是一类适用于非线性、不可微和多峰值复杂函数的优化方法.针对非线性系统的特点,在粒子群算法中,采用贪婪准则来确定全局最优粒子,并将该算法与人工蜂群算法应用于非线性系统参数辨识,辨识结果显示了两种算法对含加性噪声的NARMAX模型辨识的有效性,并为将来的研究工作提出了方向.     

群体组织启示下的粒子群算法改进

从社会学的视角分析粒子群的组织结构,试图通过增强群体组织管理来防止算法的早熟收敛.借鉴社会管理学中发挥个体能动性和规范成员行为并重的管理理念,构造基于团队式管理的粒子群算法.使用标准测试函数对该算法进行仿真实验,并用正交试验法进行了参数优化.实验结果表明,相对现有的一些改进方案,文中提出的改进算法简单易实现,在一些问题求解上表现出较好的寻优和收敛性能.     

一种改进的粒子群算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,通过调整粒子的速度更新公式,使粒子获得更多信息来调整自身的状态,以增强算法跳出局部最优的能力.通过对6个基准函数的仿真实验,表明了改进算法的有效性.     

一种新型群体智能优化算法——微进化算法

提出了一种新型群体智能优化算法——微进化算法.该算法采用实数编码,基于个体自身历史最优位置,以群体中最优个体与当前个体的矢量差异信息作为指导,进行启发式搜索.数值实验结果表明:微进化算法简单有效、计算精度高、收敛速度快、鲁棒性强;此外,还具有参数设置简便、计算简单等特点.     

一种基于密度的启发性群体智能聚类算法

提出一种基于密度的启发性群体智能聚类算法.针对以往群体智能聚类算法中分类错误率较高、算法运行时间较长等不足,提出记忆体方法和基于密度的先行(look ahead)策略.用人工数据集和真实数据集进行实验,将实验结果进行比较分析.分析结果表明,基于密度的启发性群体智能聚类算法能够得到令人满意的聚类结果,其分类错误率和运行时间明显小于其它聚类算法.