变参数的快速蚂蚁系统求解二次分配问题

二次分配问题(QAP)是经典的组合优化问题之一,广泛应用于许多领域中。通过分析快速蚂蚁系统(FANT)的信息素更新机制,引入一个变动的参数,提出了一种新的蚁群算法—变参数的快速蚂蚁系统(VPFANT)。该算法改进了FANT易发生停滞现象等缺点,拓宽了快速蚁群系统解的搜索范围,提高解的寻优能力。     

自适应蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出了一种自适应蚂蚁算法(Self-Adaptive Ant Colony Algorithm,SAACA)并选择典型TSP问题进行实验.结果表明:改进的蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性.     

全双工双向中继系统的功率分配方案

提出了最大化系统的频谱效率(SE)和能量效率(EE)两种功率分配方案.EE优化问题用迭代算法求解,首先运用分式规划的方法把优化问题转变成易求解的非分式优化问题,然后运用Dinkelbach算法求得用户节点的最佳功率,再运用一维搜索求得最佳中继放大系数,最后利用迭代算法求得EE最大值.SE优化问题同样用迭代算法求解.仿真结果显示,针对不同目标函数的两种功率分配方案分别提高了系统的EE和SE,同时迭代算法能够快速收敛获得最优解.     

基于改进蚁群聚类的入侵检测算法

针对蚁群聚类算法存在容易出现停滞现象和过早地收敛于局部最优解的问题,提出一种改进的蚁群聚类入侵检测算法.通过改进蚂蚁搜索解的方法,来改善蚁群算法易于过早地收敛于非最优解的缺陷.使用KDD99作为入侵检测数据集进行仿真实验,结果表明,改进的蚁群聚类算法能有效提高入侵检测的检测率和降低误检率.     

电网节点编号优化的一种改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化系统,目前已经在众多组合优化领域中得到广泛应用。不同于传统的节点编号优化方法,采用最大最小蚁群系统改进的蚁群算法能快速地找到多个全局最优解,并且不易陷入局部最优解。将多种蚁群算法的改进融合在一起,取长补短,得到了较满意的效果。根据节点编号本身的特点,通过引入初始节点选择开关算子,同时在迭代过程中不断淘汰劣势蚂蚁,使蚂蚁能更快地找到最优解。     

一种基于启发式演化算法的最优-最差蚂蚁系统

针对传统最优-最差蚂蚁系统(BWAS)存在搜索效率低、收敛速度慢的缺点,提出一种基于启发式演化算法的最优-最差蚂蚁系统(IEABWAS)算法。该算法通过加入启发式演化算子,在算法的每次迭代中将最优蚂蚁与次优蚂蚁执行启发式的演化算子操作,并将这种演化操作产生的较好个体替代系统中最差的个体,以达到快速收敛的目的。同时,为使搜索更加集中于最优解附近,对最优-最差蚂蚁的信息素更新方式进行适应性调整,以提高算法的全局搜索能力。使用该算法求解复杂旅行商问题(TSP),结果表明:与传统的最优-最差蚂蚁系统相比,该算法不但具有更强的全局搜索能力,而且能提高算法的收敛速度,算法性能得到明显改善。     

一种改进的蚁群算法及其在旅行商问题中的应用

分析了基本蚁群算法易出现早熟停滞现象的原因.对基本蚁群算法进行改进,在原有算法的基础上引入最优最差信息素更新策略和局部最优搜索策略,从而扩大可行解的的范围,避免了算法过早停滞,同时加快算法的收敛速度,使得改进后的蚁群算法解的性能得到较大的提高.最后,以三种旅行商问题为例进行仿真,结果表明该算法能较快地收敛到全局最优解而且具有较好的发现解的能力.     

非线性规划的元胞蚂蚁算法

将元胞自动机思想引入到蚂蚁算法中,提出一种新的进化算法——元胞蚂蚁算法。通过算法的元胞演化机制对信息素的二次分配,有效扩大了对解空间的搜索,避免陷入局部最优,并提高了寻找到所有全局最优解的能力。通过对一系列典型多极值优化问题的求解,均找到了所有全局最优解,显示了其在寻找多峰函数极值点方面的优越性。     

新的加速Bregman迭代方法在稀疏最小二乘问题中的应用

结合残量Bregman迭代方法以及不动点迭代方法提出一种迭代算法,对预测校正算法应用Nesterov技巧进行加速,并且作用于最小二乘问题。理论上证明了新算法得到的解收敛到目标函数的最优解,并将新算法应用到稀疏信号恢复问题上,数值试验表明新算法能够快速有效地恢复信号。     

差异演化算法求解二次分配问题

二次分配问题是典型的NP难题.建立了二次分配问题的数学模型.设计了基于差异演化算法的新方法对其进行求解.给出了差异演化算法求解该问题的具体方案.对不同的二次分配问题算例进行了仿真实验.结果表明,算法可以有效、快速地找到二次分配问题的最优解.     

蚁群算法的分析及其改进研究

蚁群优化算法（Ant Colony Optimization ACO）是一种新颖的仿生进化类算法,适用于求解各种复杂组合优化问题。当前该研究方法尚处于研究的初级阶段,本文针对传统的蚁群算法容易出现早熟和停滞现象,提出了一种新的自适应蚂蚁算法,对传统的蚁群算法中的信息素参数进行动态的自适应调整,并选取几个典型TSP问题进行实验,结果表明改进蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性。     

基于MMAS的MIMO-OFDM系统上行多用户检测

在多输入多输出-正交频分复用(multiple input multiple output-orthogonal frequency division multiplexing,MIMO-OFDM)系统上行多用户检测(multi-user detection,MUD)中,针对基本蚁群算法(ant colony optimization,ACO)在搜索过程中易出现过早停滞及收敛于局部最优解等问题,提出一种基于最大最小蚁群系统(max-min ant system,MMAS)的MUD新算法.该算法在蚁群每次循环结束后,仅处于最优路径上的单只蚂蚁释放信息素;同时,通过限制每条路径上信息素的取值范围,避免路径间信息素的差值过大,从而使蚂蚁在每次循环时尽可能地选择不同的路径,提高算法的搜索能力.仿真结果表明,MMAS算法能够有效降低蚁群陷入局部最优解的概率,进而提高了检测性能;同时,随用户数的增加,该算法的计算复杂度却远低于最大似然(maximum likelihood,ML)检测算法,因此,该算法能够在检测性能与计算复杂度之间取得较好的折中.     

蚂蚁优化算法在解决CVRP中的应用

针对基本蚁群算法收敛性差,易于停滞的缺陷,通过引入信息素窗口限制信息素的最大最小值,只对迭代最好解进行信息素更新,判断汇聚情况进行信息素重新初始化,在每次迭代中加入局部搜索优化,在选择概率中加入与问题相关的参数等措施对蚁群进行优化,提高蚁群算法的收敛性,避免了算法的停滞现象。     

耦合体系拓扑空间的局部损坏与子空间的重构

本文设想由蚁穴和食物源之间多条可能路径形成一个网络结构空间,考察该空间的拓扑结构发生局部改变或出现缺损时,对蚁群寻找最佳路径的影响。采用蚁群优化算法进行模拟计算,构建出让耦合体系重新达到最优状态时所对应的拓扑结构,计算出相应的连接通道。研究发现,利用蚂蚁可搜索出新的路径通道,一方面,蚁群可以搜索出替代的路径通道,构建出子空间来弥补局部缺损带来的影响,恢复体系的相应功能;另一方面,蚂蚁搜寻的最佳路径与出现局部毁损的时间长短有关,分别对应于局部最优解和组合式最优解。研究表明,利用蚁群优化算法,不仅可以构建新的子空间修复信息通路,而且可以通过对信息过载现象来预测和排查神经网络或信息网络中的局部病变或故障所在。     

蚁群算法在物流路径优化中的应用及仿真

蚁群算法是一种模拟进化算法,适合于求解复杂的组合优化问题,传统蚁群算法收敛速度慢,有时可能出现停滞现象.该文以蚁群算法为核心,采用最短路径法和自定义代价获取最优物流路径,通过优选参数改进蚁群算法,从而有效避免局部解的出现.实验结果表明,改进后的算法效率具有较大改进,算法在实验环境下收敛性较好.     

蚁群-遗传融合的文本聚类算法

针对蚁群算法容易出现停滞现象而不能对解空间进行全面搜索的问题,提出了一种蚁群-遗传融合的文本聚类算法.该算法将影响蚁群算法性能的4个参数作为遗传算法中的染色体进行编码,基于此又设计出相应的适应度函数以及选择交叉变异算子,通过多次迭代找出最优的参数组合,并将其应用到文本聚类问题上.经与经典的k均值聚类算法、基本的蚁群聚类算法的仿真比较,结果表明所提出算法的聚类效果更好,在3个测试集上的F度量值要比k均值聚类算法分别提高5.69%、48.60%、69.60%,所以更适合于处理较大规模的数据集.     

改进的蚁群算法在移动Agent迁移中的应用研究

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点.通过对蚁群算法的改进来解决移动Agent的迁移策略问题.     

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.     

低功耗片上网络映射的遗传及蚂蚁融合算法

针对带宽和时延约束下的低功耗片上网络映射问题,提出了基于遗传和蚂蚁算法融合的映射算法.该算法利用遗传算法的快速搜索能力,获得若干优化解,并按照这些优化解的最优顺序给蚂蚁路径赋初值,以初始化蚂蚁算法的信息素分布.然后,借助具有交叉和变异操作的蚂蚁算法,充分利用蚂蚁算法的正反馈特性,搜索低功耗映射问题的更优解.该算法具有收敛速度快、优化效果好的特点,可用于求解大规模片上网络映射问题.实验结果表明:当系统规模扩大时,该算法在搜索时间方面明显优于遗传类算法和蚂蚁类算法,如系统规模为64处理单元时,搜索速度提高率最高可达220.3％,在较快收敛的同时,还保持了较好的优化效果,与蚂蚁类算法的差别可保持在9.1％以内.