遗传算法与蚁群算法的融合研究

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率不高.而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢.通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种时间效率和求解效率都比较好的启发式算法.并通过仿真计算,表明融合算法的性能优于遗传算法和蚁群算法.     

遗传算法和蚁群算法在水库优化调动中的联合应用

为了更好地解决水库优化调度问题,将遗传算法和蚁群算法融合应用于水库调度,指出遗传蚁群混合算法的收敛率更高,具有更好的全局收敛性能,遗传蚁群混合算法在更少的迭代次数迭到全局最优解,具有更高的收敛速度.     

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.     

基于蚁群算法和遗传算法环状管网优化问题的研究

管网布置型式对项目的投资成本和经济效益的影响是需要考虑的主要问题。根据蚁群算法、遗传算法建立对应的优化模型,通过实例研究,分析对比两种优化算法所确定的管网布置型式的异同及优劣,并以投资成本作为评比参数。结果表明:遗传算法建立起的模型更优,在满足项目要求的前提下,使工程投资成本最低和经济效益最高。根据遗传算法确定管网布置型式,方法合理,可作为灌溉工程中的设计方案。     

并行蚁群算法在公交线网优化中应用

针对实用有效的公交线网优化模型很少的现状,提出了一个以直达客流密度最大为目标的公交线网优化模型.该模型以换乘次数最少、单位长度运送客流量最大为优化目标,线路长度、非直线系数等作为约束条件.为求解该模型,并综合考虑优化质量和通信开销,采用了基于粗粒度模型的并行蚁群算法.数值实验验证了模型及算法的合理有效.     

基于限时免费换乘的公交线网优化模型与求解算法

针对"限时免费换乘"政策的提出,为了使轨道交通与地面常规公共交通线网构成的综合公共交通网络更加合理,以公交线网系统总费用最小为目标,将"限时免费换乘"条件作为乘客乘车成本因子,以公交单条线路长度、线路非直线系数、线路重叠系数、换乘次数为约束条件,建立了城市轨道交通与地面常规公共交通线网优化模型。考虑"限时免费换乘"条件,从信息素的累积与惩罚机理着手改进了蚁群算法,并给出了将该算法求解城市轨道交通与地面常规公共交通线网优化模型的算法流程。所建立的模型与改进的蚁群算法为优化轨道交通与常规公共交通系统构成的综合公共交通网络提供了一种新方法。     

一种遗传蚁群融合算法的函数优化求解问题

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索方法,可直接对结构对象进行操作,但是如果兼顾收敛速度和解的品质两个指标,单纯的遗传算法未必表现出原理本身的优越性。针对上述问题,提出一种新的遗传蚁群融合算法,利用蚁群算法的正反馈机制,来提高遗传算法运行的速度和效率,从而更好更快的解决函数优化求解问题。     

基于四维消耗的公交线网优化模型及蚁群算法

针对城市公交线网的优化问题,应用四维消耗概念进行了综合研究,给出了公交线网优化的多目标线性规划模型及蚁群算法.在定义时间、空间、环境、能源等四维消耗概念的基础上,从点、线、面3个方面对公交线网优化问题进行研究.在考虑效益最大化、成本最小化、发展可持续化的情况下,利用效用函数建立了公交线网优化的多目标线性规划模型.并用蚁群算法对多目标线性规划模型求解,得到最佳的公交线路网络布局结构和公交线网运营效率.实例表明,利用蚁群算法优化后公交线网利用率增大、可达性良好、乘客出行时间减少,优化结果符合城市交通的实际情况,该方法合理可行.     

蚁群与遗传算法融合的聚类算法研究

目的 通过将蚁群与遗传算法融合,以解决蚁群聚类算法参数众多且与问题域相关,搜索容易出现停滞现象等问题.方法 将主要影响蚁群聚类算法性能的5个参数作为遗传算法中的染色体进行编码.首先设计遗传算法的选择、交叉、变异算子,进而将用于聚类结果评价的F-measure函数作为适应度函数,通过多次迭代找出最优的参数组合.结果 在仿真实验中,获得了较好的聚类效果.结论 蚁群与遗传融合的聚类算法较蚁群聚类算法有更大的优势.     

利用蚁群算法进行混匀矿计算优化

针对中小型炼铁企业烧结工艺的要求,以混匀矿SiO2和TFe含量精度,以及混匀矿成本为目标函数,建立了烧结主原料混匀矿配比数学模型,采用蚁群算法对混匀矿配比进行实时优化计算,并利用遗传算法对蚁群算法加以改进,取得了良好效果,保证了堆积物料中SiO2含量和TFe含量与大堆预想成分中含量基本相近的同时降低混匀矿造堆成本．     

基于遗传-蚁群优化算法的QoS组播路由算法设计

为了提高网络路由性能,提出并设计了一种基于遗传-蚁群优化算法的QoS组播路由算法。首先,设计了自适应变频采集策略用于采集网络与节点信息,以此获得网络和节点的状态,为后续路由优化提供数据支持;其次,计算路径代价,将路径代价最小作为优化目标,建立QoS组播路由优化模型,并设置相关约束条件;最后,结合遗传算法和蚁群算法提出一种遗传-蚁群优化算法求解上述模型,输出最优路径,完成路由优化。实验结果表明,所提算法可有效降低路径长度与路径代价,提高搜索效率与路由请求成功率,优化后的路由时延抖动较小。     

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.     

蚁群算法及其应用

蚁群算法是近几年来迅速发展起来的、并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并行性,鲁棒性等优良性质。对蚁群算法理论及其进展情况做了简要的综述,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。     

基于蚁群优化算法求解最大团问题的研究

蚁群算法是一种通过模拟自然界中蚂蚁觅食行为而发展而来的新型启发式仿生优化算法,提出至今被研究人员广泛应用于各种组合优化问题.最大团问题是图论中著名的NPC问题,本文对于基本蚁群算法进行了分析与讨论,针对基本蚁群算法的容易陷入局部最优解、收敛速度慢等问题进行了改进,提出了一种新型蚁群优化算法.本文提出的新型蚁群优化算法增加了结点度和历史选择次数表策略影响蚂蚁选点;另外提出了构造独立的局部信息素更新机制.最后通过对比实验验证,数据结果证明新提出的优化算法相对于基本蚁群算法的优越性和可行性.     

基于遗传和蚁群算法融合的聚类新方法

遗传算法具有快速良好的全局搜索能力,而蚁群聚类算法具有良好的分布式并行性和正反馈能力。将两种算法进行融合,充分利用算法各自的优势和特点,能更有效地进行聚类分析。实验证明这种新组合算法在优化能力和时间性能上比常用的聚类算法有比较明显的优势。     

关于蚁群算法的探讨

蚁群算法是一种新型的启发式算法,具有正反馈、分布式计算和用于贪婪搜索的特点,因而具有较强的鲁棒性和搜索性,已广泛地应用于人工智能、系统控制、模式识别等工程领域,本文阐述了蚁群算法的基本原理,给出了现有的各种改进的算法,并展望了蚁群算法的发展方向.     

广义分配问题的一种小生境遗传蚁群优化算法

提出一种小生境遗传算法与蚁群优化算法相结合的小生境遗传蚁群优化算法用于求解NP难的广义分配问题,以避免经典求解算法存在的易陷于局部最优的缺陷.以典型的广义分配问题——火力分配为例,对该算法进行实验,并将实验结果与其它算法进行分析比较.结果表明:新复合算法优化效率高,运行时间短,对其它的NP问题同样适用.     

蚁群算法搜索熵研究

借鉴信息熵,提出蚁群算法的熵模型,定义蚁群算法的3种搜索熵,讨论了搜索熵同算法搜索能力和收敛性之间的关系,给出了2个简化模型的基于搜索熵的收敛性判定定理,并利用搜索熵讨论了参数选择对蚁群算法的影响.     

改进蚁群算法求解多目标优化问题

针对传统蚁群算法在多目标优化问题中容易陷入局部最优的缺点,提出一种采用直接学习机制的改进蚁群算法。该算法通过采用模拟蚂蚁用触角交流信息过程的直接通信学习机制,用以改进信息素的更新规则,从而维持群体的多样性。通过两组多目标基准函数验证算法性能,仿真结果表明该算法所获得的Pareto解具有多样性以及均匀分布性,有效地提高了蚁群算法全局寻优的能力。