基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。     

多种群蚁群算法在多目标优化中的研究

本文针对多目标优化问题提出了一种多种群蚁群算法,按照目标函数的个数建立蚁群种群数,在各个种群搜索过程中,创新性的引入了种群间的全局信息素更新和局部信息素更新,既提高算法对pareto解的搜索效率又避免了陷入局部最优,并针对多目标优化问题进行了仿真,证明了算法的可行性。     

改进的蚁群算法求解连续性空间优化问题

为了克服基本蚁群算法搜索时间过长,易陷于局部最优等缺点。引入了随机算法,并提出了一种采用随机模式调整信息素的改进蚁群算法RACA(Randomized Ant Colony Algorithm)。采用随机地计算部分点的函数值,并对当前最优、次优解的部分解启用新的信息素调整规则。该算法保持了解的多样性,增强了全局搜索的能力。运算结果表明新的蚁群算法对求解连续函数优化问题有较好的改进效果。     

一种用于求解多目标优化问题的改进MBO算法

大红斑蝶优化算法(Monarch Butterfly Optimization,MBO)是近年提出的一种新的随机搜索算法。然而,MBO算法作为一种优化方法仍存在早熟、收敛速度缓慢和全局搜索能力不足的现象,也还没有将MBO算法应用于求解多目标优化问题的相关研究成果。针对这一问题,笔者提出一种新的可用于求解多目标优化问题的改进MBO算法,即MOIMBO算法。选取3个经典的多目标优化问题作为算法优化性能测试,实验结果表明:改进的算法具有较强的全局搜索能力,在一定程度上避免了早熟收敛问题,可用于求解多目标优化问题。     

求解TSP问题的蚁群算法研究

分析了标准蚁群算法易于出现早熟、停滞和算法收敛速度慢的主要原因,在原有算法基础上提出了一种改进型的蚁群算法,该算法可以有效的提高收敛速度,并把该算法应用到TSP问题中,取得了很好的效果.     

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.     

基于改进蚁群算法的钻进参数优化

在钻井过程中,为了使钻进过程达到最优的技术和经济指标,需要选择合理的钻进参数。针对单目标钻进参数优化的局限性和不足,通过分析钻进参数之间的相互关系,综合考虑多个目标(如机械钻速最大、钻头寿命最长及钻头比能最小)建立一定约束条件下的多目标优化模型,实现最优的钻压-转速配合。采用改进的蚁群算法进行钻进参数优化,在具体的钻井实例中进行仿真,并将仿真结果与其他经典优化算法的结果进行对比分析。实验结果进一步证明了该模型和算法的有效性和实用性,为蚁群算法在钻进参数优化研究中的应用提供了理论依据。     

基于改进蚁群算法的电力线路检修的多目标优化

通过对辽宁省电力有限公司的线路检修问题的综合分析,考虑各种约束条件,提出了一种多目标优化数学模型.在优化的过程中采用了改进的蚁群算法,并结合了图论中的图着色问题.改进蚁群算法的核心是自适应动态调整路径上的信息素,信息素增量由小变大,增强局部搜索能力,再由大变小,增强全局搜索能力,循环变化,从而利于算法能够跳离局部最优解.改进蚁群算法的优点是在求得满意解的基础上,大大提高了算法的速度.仿真实验结果表明,新算法的优化质量优于基本的蚁群算法.     

多传感器管理的目标分配问题蚁群算法研究

多传感器管理的目标分配问题中如何使探测和跟踪效益最佳，是非常重要又十分困难的问题。分析了传感器管理的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，并进行了算法仿真。仿真结果表明，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。     

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。     

基于改进蚁群算法对 VRP 线路优化

针对基本蚁群算法存在易陷入局部最优解、 收敛速度慢等缺点, 先引入节约矩阵 U 作为先验信息引导蚂 蚁搜索, 然后通过不同搜索时段采用不同的信息素挥发因子, 使算法更好地在“探索冶和“利用冶之间达到平衡, 并对较优解应用 2-opt 方法进行优化。 最后将改进后的蚁群算法应用到物流配送车辆路径优化问题中。 实验结 果表明, 相比基本蚁群算法, 改进的算法可得到更好的物流配送路径, 是解决物流配送路径优化问题的一种有 效方法, 可快速、 高效地对送货车辆线路进行调整, 满足消费者的需求。     

基于改进蚁群算法求解连续空间寻优问题

蚁群算法是近几年优化领域中出现的一种启发式仿生类并行智能进化算法,并在离散空间领域中得到广泛应用,但在求解连续空间优化问题方面的研究相对较少。为了克服蚁群算法在连续空间中搜索时间过长等缺点,在原有的连续空间寻优方法的基础上,提出了一种用于求解连续空间寻优问题的改进蚁群算法。针对各子区间内的总信息量及应有的蚁数的求解方式进行改进,引入一个随迭代次数增加而变化的函数,以提高改进后蚁群算法的收敛速度。仿真实验表明,提出的基于信息量分布函数的改进蚁群算法较有关文献的算法有更好的收敛性能,从而为蚁群算法求解这类问题提供了一种可行有效的新方法。     

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.     

融合遗传算法改进的蚁群算法

针对蚁群算法存在停滞现象及收敛速度慢的缺点,提出了一种融合遗传算法改进的蚁群算法,在蚁群算法中引入路径遗传运算.对蚂蚁发现的路径进行染色体编码,通过适应度函数对蚂蚁的路径做适应度评价,进行路径交叉和路径变异运算,设计了新的信息素更新策略.以对称TSP测试集为对象,将改进算法与现有算法进行测试比较.实验结果表明,改进后的算法具有优良的全局优化能力,有效防止了停滞现象.     

基于蚁群算法的Traveling Salesman Problem研究

本文介绍了一种求解复杂组合优化问题的新的拟生态算法——蚁群算法.阐述了该算法的基本原理以及蚁群算法在TSP问题上的应用,并提出了改进算法,使得算法有更好的全局性.     

蚁群算法的改进及其应用

为对上海市的内河航道提供科学合理的规划，解决集装箱集散问题，同时，也为推广蚁群算法的应用，在介绍蚁群算法解决旅行商（TSP）问题的模型上，对蚁群算法做了相应的改进，配合随机分布技术，以上海市整个内河航道和集装箱运输为研究对象，对内河航道进行规划，得出上海市内河集装箱集散系统合理的分配方案，并提出为满足该合理系统所须进行的相应的河道改造。