基于遗传蚁群优化算法的认知无线电频谱分配

针对认知无线电中的频谱分配问题,提出一种融合了遗传算法和蚁群算法优点的频谱分配方法。该方法利用遗传算法快速随机的群体性全局搜索能力生成初始解,然后利用衔接策略将遗传算法初始解转化为蚁群算法所需的信息素初始分布,最后利用蚁群算法正反馈、收敛高效的特点求取最优解。通过仿真比较了该方法与颜色敏感图着色算法的性能。结果表明动态融合了遗传算法和蚁群算法的优化算法性能明显优于颜色敏感图着色算法,它能更好地实现网络效益最大化。     

基于遗传蚁群融合算法的混合链路中继卫星资源调度研究

针对遗传算法容易陷入局部最优和蚁群算法初始信息素匮乏的缺点, 提出将遗传和蚁群融合算法应用于中继卫星系统的资源调度问题。通过改进蚁群算法信息素的定义, 利用基于时间窗口序号编码思想, 给出中继卫星资源调度约束条件与目标函数并建立数学模型。仿真分析了融合算法、标准遗传算法和改进蚁群算法的优化特性, 结果表明融合算法是解决中继卫星调度问题的有效方法。     

基于协同合作的蚁群优化算法

蚁群优化是一种模拟蚂蚁觅食的群集智能搜索算法,基本蚁群算法收敛性较差,易陷入局部最优解。本文在基本蚁群算法的基础上,提出一种新的蚁群优化算法,通过在信息素局部更新中引入信息素扩散模型,在信息素全局更新中引入随机扰动机制,发挥蚂蚁之间的协同合作能力,提高了算法的收敛速度。以TSP为例的仿真实验表明,该算法具有较强的寻优能力、较好的鲁棒性和有效性。     

基于遗传与蚁群算法融合的选播QoS路由算法

为有效解决选播通信中的QoS路由问题,提出一种基于遗传算法与蚁群算法融合的选播QoS路由算法.算法初期使用遗传算法在链路上分布信息素,对蚁群算法的控制参数进行编码和优化;然后通过判断函数来判断遗传算法与蚁群算法融合的时机,初始化信息素,并启动混合算法后期的蚁群算法;引入变异算子,对由变异操作得出新路径进行局部信息素更新,更快地引导蚁群算法找到全局最优解.NS2仿真实验结果表明,该算法很好的解决多QoS选播路由问题,性能优于其它算法.     

改进的蚁群算法及其在TSP问题中的应用

针对蚁群算法容易陷入局部最优解的缺点,提出了一种改进的蚁群算法。该算法通过禁忌当前取得的最优路径,有选择地更新信息素,而后重新搜索,有效提高了基本蚁群算法的寻优能力。文中将改进后的蚁群算法应用于TSP问题,通过对典型的Eil51.tsp进行测试,证明了改进后算法的可行性有和效性。     

蚁群混合遗传算法的研究及应用

为解决组卷过程中在一定约束条件下存在的多目标优化问题,结合蚁群算法和遗传算法各自的优点和它们融合的基础,提出了一种蚁群算法融合到遗传算法的策略:在组卷的前阶段利用遗传算法群体性全局搜索能力,快速形成初始解,在满足终止遗传算法的条件后,将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈、高效等特点快速形成试卷最优解。实践结果证明此算法改善了试卷的质量以及系统的运行效率,生成的试卷符合要求,达到预期的结果。     

基于遗传蚁群算法配电网重构

为应对分布式电源对配电网带来的变化,寻求更好的电能质量和网络损耗,以网损为目标函数,建立配电网重构数学模型。针对遗传算法的早熟现象和蚁群算法前期寻优速度慢的劣势,将遗传算法和蚁群算法进行融合,利用遗传算法快速全局寻优能力为蚁群算法提供所需的信息素对配电网重构问题进行寻优求解。为了克服二进制编码在处理配电网闭环建造,开环运行时带来维数灾,运用基于环网的自然数编码方式,通过节点度的大小来判断配电网的拓扑可行性。将含分布式电源接入IEEE33节点系统进行仿真,结果表明该算法具有较好的全局寻优能力和快速收敛速度。     

融合哈里斯鹰与蚁群算法的机器人路径规划

针对传统蚁群算法在静态环境进行路径规划时存在初始信息素匮乏,收敛速度慢,搜索不全面的问题,提出了一种融合哈里斯鹰与蚁群算法的路径规划算法。基于栅格法对机器人工作地图进行建模,使用哈里斯鹰算法对蚁群算法中初始参数信息素因子和启发函数因子进行训练,并利用经哈里斯鹰算法优化过的蚁群算法对路径进行搜索,改进信息素更新公式并设定信息素浓度阈值,增加了融合算法的全局搜索能力及收敛速度。仿真实验结果表明,融合算法相较于其它算法在最终解精度、转弯次数等方面有一定的优势,验证了该算法的有效性和实用性。     

改进蚁群算法在景区路径规划中的应用研究

随着旅游业的发展,景区的车辆调度问题也逐渐成为一项需要研究的课题,怎样使得运输成本降低且路径最优成为考虑问题的关键.本文针对旅游景区路径问题,在研究了基本的蚁群算法后,利用遗传算法快速寻找可行解并将其转换成蚁群算法的信息素,然后在蚁群算法中更改了信息素更新策略.通过实验结果表明,改进后的蚁群算法提高了寻优效率,有效的降低了运输成本.     

基于遗传_蚁群算法的多QoS约束组播路由优化算法

提出了一种将遗传算法与蚁群算法融合的新算法,用以满足多QoS约束的组播路由优化。算法首先利用遗传算法生成若干组优化解,将其转换成蚁群算法的信息素初值,然后利用蚁群算法来求取满足QoS约束的最优解。仿真结果表明此算法是有效的,其性能优于文献[6]中算法。     

改进蚁群算法的机器人路径规划研究

针对传统蚁群算法存在算法收敛速度慢、易陷入局部最优的问题,文中提出了一种改进的蚁群算法。在传统A ^*算法的基础上,改进其估价函数,并将其引入到蚁群算法中,提出了改进启发函数η,增加目标点对路径搜索的吸引力,提高了收敛速度。新方法还改进了信息素挥发因子ρ,使信息素挥发因子处于动态变化,提高了算法的全局搜索能力,避免陷入局部最优。仿真结果表明,改进的蚁群算法在收敛速度上比传统蚁群算法提高了近50%,在最短路径上明显优于传统的蚁群算法,证明了改进算法的有效性。     

基于基因表达式编程的混合蚁群算法简

蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。针对此问题,本文提出了一种先用基因表达式编程生成信息素分布,再利用蚁群算法求优化解的新的混合算法。并通过求解复杂TSP问题的仿真数据实验验证了这种基于基因表达式编程的混合蚁群算法的高效性。     

基于拥挤度因子的动态信息素更新策略蚁群算法

针对蚁群算法易陷入局部最优、收敛速度慢的问题,文中提出了一种基于拥挤度因子的动态信息素更新策略的蚁群算法(CFACS)。引入鱼群算法中拥挤度的思想,扩大种群中蚂蚁分布范围,使其探索更大的解空间,提高算法全局搜索能力;采用动态信息素更新策略,在每一次迭代中,自适应调整当前最优路径所释放的信息素浓度,保证蚁群前期的多样性,同时保证算法在后期的收敛性。求解TSP问题的仿真实验表明,改进算法求得解的质量和求解的收敛速度都明显优于传统蚁群算法,较好地平衡了种群多样性与收敛速度之间的矛盾。     

基于栅格模型机器人路径规划的量子蚁群算法

针对复杂环境中移动机器人路径规划问题,提出了一种基于量子-蚁群算法(QACA)融合的路径规划算法。该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素,增加位置的多样性,加快算法的收敛速度。通过仿真实验表明,该算法可增加算法的随机性,较传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力,即使在障碍物较复杂的环境下,也能迅速规划出一条最优路径。     

一种新的基于混合蚁群算法的聚类方法

建立了聚类分析问题模型，分析了K-均值算法、模拟退火算法和基本蚁群算法的优缺点。对蚁群算法作了改进．思路是K-均值方法混合，利用K-均值方法的结果作为初值。经过比较测试，两种混合蚁群算法的效果都比较好．特别混合方法二的效果最好。     

同步卫星转发器二维时频资源蚁群调度算法

针对地球同步卫星转发器多任务时频资源调度问题,考虑任务执行时间和占用带宽需求,建立了以卫星系统总收益为目标的多约束规划模型,提出了基于任务频率时间窗口更新的蚁群调度算法.该算法综合考虑了任务优先级和时间灵活度,以增强蚁群在状态转移规则下的搜索能力;同时设计了虚拟任务、伪随机状态转移规则和信息素参数,保证算法向最优解逐步收敛.实例仿真表明,该算法相对于传统蚁群算法、遗传算法和启发式算法,在算法结果、寻优能力和稳定性方面具有显著优势.     

改进蚁群算法的路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且存在停滞问题,提出一种改进的蚁群算法。为了避免蚁群陷入死锁状态,采用回退策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死亡数量,并且借鉴了狼群分配策略来更新信息素,提高算法全局性,在状态转移概率中引入一个启发因子并进行调整,避免算法陷入停滞。仿真实验结果表明,改进后的蚁群算法收敛速度明显加快,寻优最短路径达到29.73,迭代次数较少28。验证了该算法的有效性和可行性。