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。     

一种求解二次分配问题的改进蚁群优化算法

针对标准蚁群算法易于出现早熟停滞等缺陷,在原有算法基础上引入一定比例的侦查蚁群.在优化过程中侦查蚁群以一定概率做侦查搜索,以扩大了解的搜索空间;在信息素更新策略上,为了兼顾当代和历代的搜索成果,采取了信息素混合更新策略,同时增强侦查子群的最佳路径信息及剩余全部蚁群路径信息,有效抑制了收敛过程中的早熟停滞现象,提高了算法收敛速度.在QAPLIB的实例上的仿真结果表明,通过与标准蚁群算法进行性能比较,结果表明该算法不仅能够克服早熟现象,而且能够加快收敛速度.     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

一种求解双目标校车路径问题的蚁群优化算法

校车路径问题(SBRP)是在满足学生交通服务各种约束条件的前提下,寻求高效的校车路径方案,将学生从乘车站点运送到学校,达到一定的服务质量目标和校车运营效率目标.现有SBRP算法主要优化校车路径长度目标,较少关注如何减少所需校车数量.鉴于减少校车数量能显著降低校车服务成本,尝试设计蚁群优化(ACO)算法求解双目标SBRP问题.在校车容量和学生最大乘车时间约束下,将减少路径数量作为第一目标,缩减路径总长度为第二目标,设计了一个ACO算法.重点讨论了校车路径构造算法、与优化目标相关的信息素更新方法、局部搜索路径改进和提升双目标的两阶段策略.采用基准案例进行测试,验证算法的有效性.与CPLEX精确算法相比,ACO算法在求解路径数量和计算效率方面具有明显的优势.     

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.     

求解广义分配问题的拉格朗日蝙蝠算法

基于广义分配问题(GAP)自身的特点,将拉格朗日松弛算法(LR)和蝙蝠算法(BA)相结合,提出了一种高效的拉格朗日蝙蝠算法(LR-DBA)。首先,基于GAP的数学模型,在BA算法的基本框架上,重新定义了蝙蝠速度、位置以及局部更新公式,得出全新的求解GAP的离散蝙蝠算法(DBA)。其次,将其与LR相结合,设计出求解GAP的LR-DBA算法。最后,经过大量算例测试表明,对比DBA算法,LR-DBA混合算法在求解GAP时具有明显优势。     

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．     

蚁群遗传优化算法在物流配送路径选择中的应用

在对车辆路径问题(VRP)分析的基础上,为之建立了数学模型,提出了一种适合求解该问题的蚁群遗传优化算法.提出的改进算法是先通过限制、选择和更新信息素、控制搜索次教,找出路径的满意解,大大缩短了搜索时间;再用所得较好的路径表示作为初始种群,指定为父体,直接进行分组定界操作,将已得路径进行优化改良,求得最佳配送路径.实验结果表明,该算法应用于求解物流配送路径的问题行之有效.     

求解VRPSTW问题的参数优化蚁群算法

蚁群算法中的关键参数α、β、γ、ρ对算法的求解效率和求解质量有重要的影响。本文利用遗传算法在参数寻优方面的优越性,在蚁群算法运行的同时利用遗传算法去优化关键参数α、β、γ、ρ,提出了求解VRPSTW问题的参数优化蚁群算法,实例证明效果好。     

求解TSP的遗传蚁群融合算法

原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但存在克服收敛速度较慢、易出现停滞以及全局搜索能力较低的缺陷.针对存在容易陷入局部最优解等问题,在原有的遗传融合蚁群算法的基础上进行了许多改进以扩大解的搜索空间,提高了其寻优能力和速度.仿真结果表明,改进后的算法具有更好的寻优能力,效果较好.     

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.     

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。     

混合蚁群遗传算法在车间作业调度的应用研究

提出了一种解决车间调度最短完成时间的有效的混合算法.将遗传算法与蚂蚁算法的融合,采用遗传算法生成信息素分布,利用蚂蚁算法求精确解,优势互补.应用该算法对Job-Shop车间作业调度问题的解进行编译,通过实例表明该算法是可行有效的.     

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。     

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.     

改进的蚂蚁算法求解任务分配问题

将蚂蚁算法用于求解任务分配问题，并提出一种改进算法来提高其全局搜索能力。文中介绍了任务分配问题和蚂蚁算法，给出了求解任务分配问题的蚂蚁算法的数学描述及求解的算法步骤，在此基础上提出求解任务分配问题的改进蚂蚁算法。两个实例验证了改进蚂蚁算法的优越性。     

指派问题的遗传算法研究与实现

提出了用遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ）进行运筹学中指派问题（ＡｓｓｉｇｎｍｅｎｔＰｒｏｂｌｅｍ）优化的新方法。根据优化问题的性质，设计了两种编码方案，以及适合此类问题的复制、交换、倒位、变异四种遗传操作符。在此基础上，完成了整个优化算法及程序框图，并用Ｃ语言实现。计算结果表明，算法设计正确，程序灵活可靠，是解决此类问题的一种行之有效的方法。     

多态蚁群算法

在分析现有蚁群算法不足的基础上，提出一种新的含多种蚁群、多种信息激素的多态蚁群算法．该算法通过引入不同种类的蚁群，每一蚁群有不同的信息素调控机制，将局域搜索与全局搜索相结合，使搜索、收敛速度大幅度提高．针对TSP问题的仿真实验结果表明了该算法的有效性．     

基于蚁群算法和遗传规划的跨单元调度方法

针对运输能力受限的跨单元调度问题,提出了一种基于蚁群算法与遗传规划的超启发式算法.通过蚁群算法搜索合适的启发式规则,并且利用遗传规划生成可以适用于问题模型的启发式规则,用以扩充规则集;同时引入时间窗的概念,用来决策每个小车运输时的等待时间.实验表明,提出的算法可以搜索出优质规则,并且通过遗传规划很大程度上改善了候选规则集,提升算法性能.同时时间窗策略的采用可以提高小车的利用率以及最小化总加权延迟时间.