基于蚁群算法的面向服务软件的部署优化方法

面向服务软件的部署优化问题是典型的NP难题.本文构建了基于性能改善的软件部署优化模型,设计了一种蚁群优化算法ACO-DO进行近似最优解的快速求解.该算法通过设计基于部署优化问题的启发式、改进部署方案的构建顺序、增加局部搜索过程实现蚁群算法求解效率的提升.通过不同规模的实例实验,验证了ACO-DO算法能够取得比现有的混合整数线性规划算法、蚁群算法和遗传算法更好的性能.     

基于蚁群算法求解TSP问题的参数优化与仿真

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性.阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响.对该算法做了一些改进尝试,仿真研究表明这些改进能在一定程度上使得算法取得更优的值.     

基于改进蚁群算法的嵌入式系统软硬件划分

针对标准蚁群算法的软硬件划分问题求解难题,提出改进蚁群算法的系统软硬件划分方法。首先分析了当前嵌入式系统软硬件划分研究的现状,并构建软硬件划分的数学模型;然后采用蚁群算法模拟蚂蚁觅食行为搜索数学模型的最优解,并引入逆反馈机制提高蚁群算法的搜索性能;最后通过实验证明软硬件划分问题求解的有效性。实验结果表明,改进蚁群算法提高了问题求解的效率,获得了合理的软硬件划分结果,且结果优于标准蚁群算法。     

一种MPLS网络拥塞最小化的全局路由优化算法

提出一种启发式群搜索双螺旋优化算法,求解MPLS网络路由全局优化问题,优化目标是使网络拥塞最小化。算法采用群局部搜索,利用混沌变量产生一组分布好的初始解,在邻域搜索过程中融入启发式信息,并设计了特别的贪婪重路由以及扩展贪婪原则,提高了算法效率和全局搜索能力。通过仿真比较说明了所提算法的有效性,及其显著改善网络性能的意义。     

蚁群算法在求解TSP问题中的改进研究

针对蚁群算法在求解大规模优化问题时存在的3个缺点：消耗时间长、蚂蚁在下次搜索时目标导向不强导致搜索随机性大、寻优路径上的信息素过度增强导致得到假的最优解。本文提出了基于边缘初始化和自适应全局信息素的改进蚁群算法。在相同参数下,其搜索时间大大缩短,并且得到了更好的最优解。将其应用到旅行商（TSP）问题中,和基本蚁群算法、遗传算法相比较,其具有以下优点：较好的搜索最优解的能力;对新解不会过早的终止;探索新解的能力进一步增强。因此,改进的蚁群算法在求解TSP等组合优化问题时非常有效。     

动态蚁群算法用于洪灾搜救问题

蚁群算法是一种求解最优路径的常用算法,其利用自然界中蚁群的活动规律和正反馈原理。动态的蚁群算法针对基本蚁群算法存在的问题和缺点进行改进,采用动态参数因子,可以有效避免搜索的局部最优和进化停滞现象,并且能够提高搜索效率。通过实验结果对比,该算法在求解最短路径方面具有更高的精确度,为今后的搜救问题提供了一种高效实用的参考方法。     

一种基于计算智能的组播路由算法

在通信网络中,多约束组播通信是提高网络运行效率和服务质量的重要途径。一些启发式的算法已经被用来解决多约束条件下的组播路由问题,如模拟退火算法,遗传算法,蚁群算法和粒子群优化算法等。然而,这些算法在求解多约束组播路由问题时存在收敛速度低和计算复杂度高的问题。萤火虫群优化(GSO)算法是一种近期在计算智能领域出现的卓越算法,它可以在一定程度上解决多约束组播树生成过程中收敛速度低和计算复杂度高的问题。提出了一种基于GSO的多约束组播树生成算法(GSO-MCM)。该算法可有效生成满足多约束要求的组播路由树。仿真结果表明提出的GSO-MCM算法在求解和收敛速度,以及网络规模适应性方面均有良好的性能。     

基于蚁群优化的时间Petri网及其在柔性制造系统调度优化中的应用

Petri网的优化调度求解主要采用基于状态空间的智能搜索方法,执行效率往往不高.提出基于蚁群优化的时间Petri网,通过在Petri网的变迁和进化规则中引入蚁群优化机制,改变Petri网原有的非确定性选择行为,使之具备蚁群寻优选择智能行为,克服了需要基于状态空间进行启发式搜索的缺陷,提高了调度优化的计算效率.最后应用蚁群优化时间Petri网模型,对柔性制造系统的区间Job Shop调度问题进行建模和优化求解.实验结果进一步验证了所提模型和方法的有效性.     

优化蚁群算法在网络知识路由系统中的应用

研究网络知识路由问题,提高网络资源搜索质量。针对传统方法在网络资源搜索过程中,存在搜索时间长,得不到最优解,导致搜索速度慢,效率低的问题。为了提高网络资源搜索效率,提出一种基于改进蚁群的路径搜索算法,在混合信息素更新策略,自适应挥发因子等方面进行改进,并设置了先行蚂蚁和后行蚂蚁。该方法有效地避免了蚁群搜索陷入局部最优,加快了收敛,提高了搜索效率。仿真结果表明,改进方法缩短了搜索时间,网络资源搜索效率明显提高,证明是一种有效的优化方法,能够在最短时间找到资源搜索的最优解,是解决网络资源搜索优化问题的有效算法。     

面向密集多波束组网的卫星通信系统资源调度算法

研究了高动态、资源受限条件下的卫星通信系统资源调度问题。以时间窗口、卫星功耗、信道数量、用户优先级以及任务突发性为约束,建立了卫星资源调度模型。考虑到传统的蚁群优化算法存在初期搜索速度过慢、局部搜索能力较弱以及易陷入局部最优等缺点,提出了以初始解集构造、额外信息素沉积为核心的改进蚁群优化算法,来求解资源调度问题。仿真实验评估了所提资源调度算法在完成任务的数量、优先级和调度完成时间方面的性能。实验结果表明,所提算法具有较快的收敛速度,且与同类型优化算法相比具有更高的调度效率,适用于调度面向密集多波束组网需求的卫星通信系统资源。     

基于蚁群算法的网络层析故障链路诊断

为了解决网络层析成像中链路故障诊断的NP难问题,提出一种基于蚁群算法的故障链路诊断方法。首先将问题建模成一个组合优化问题,利用蚁群算法在解决组合优化问题中独特的优势进行求解。不同于传统的蚁群算法,求解故障链路时蚁群在初始放置点和可行路径上都受约束。为了加快算法的收敛速度,对蚁群算法的初始信息素浓度进行优化。仿真结果表明,所提出的算法在故障链路检测中具有较好的精度和召回率。     

融合QPSO思想的多行为蚁群算法在QoS路由问题上的应用

在解决QoS(quality of service)单播路由问题上,针对蚁群算法缺点,提出了一种融合量子粒子群算法(QP-SO)思想的多行为蚁群算法.该算法采用QPSO作为前期搜索,根据各粒子历史最优值来初始化路径信息素浓度,后期利用多行为蚁群算法来优化路径.仿真结果表明:该算法寻优能力强,可靠性高,是解决QoS路由问题的有效方法.     

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。     

基于连续空间优化的蚁群算法

通过对蚁群算法基本理论的研究,从经典的蚁群算法模型中,抽象出解决问题的一般方法,提出了在连续空间优化问题中蚁群算法的模型,在算法中加入了自适应策略用以提高算法的性能,并通过实例分析了连续空间优化问题中蚁群算法的性能,通过仿真实验证明了算法的可行性与实用性。     

求解函数优化问题的快速连续蚁群算法

 用蚁群算法进行函数优化时,存在收敛速度慢并易于陷入局部最小等问题.为此,根据对真实蚂蚁的最新研究成果,提出了一种全新的由侦察蚁和觅食蚁协作搜索的函数优化快速连续蚁群算法.该算法首先引入混沌序列确定侦察蚁的初始位置,然后由侦察蚁进行全局大视域快速搜索,且每迭代完一步和每迭代完一代都要对解进行评价,并对本代最优解的信息素进行标记,由此吸引觅食蚁在本代最优解周围空间进行小步长搜索.通过这种初始化方法和侦察蚁与觅食蚁的相互协作,不仅能很好的提高寻优精度,且使收敛速度大幅提高.计算机仿真实验结果表明,本算法寻优率高,收敛速度提高显著,效果令人满意.     

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.     

一种改进的量子多目标蚁群优化算法

提出一种新的量子多目标蚁群算法．在蚁群算法的基础上中引入量子理论,将量子计算与蚁群进行融合,并用于求解多目标问题．该算法的核心是在蚁群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．该算法在全局寻优能力和种群多样性方面比蚁群算法有所改进,测试表明：该算法是求解多目标问题的一种有效的算法．     

Discovering the backbone network with a novel designed ant colony algorithm

Forthe problem that in interactive network,the illegal and abnormal behaviors were becoming more hidden,moreover,the complex relation in real interactive network heightens the difficulty of detecting anomalous entities,an ant colony model was proposed for extracting the backbone network from the complex interactive network.The novel model simulated the relationships among entities based on the theory of path optimization,reduced the network size after quantifying the significance of each flow of information.Firstly,a strategy of initial location selection was proposed taking advantage of network centrality.Secondly,a novel path transfer mechanism was devised for the ant colony to fit the flow behavior of entities.Finally,an adaptive and dynamic pheromone update mechanism was designed for guiding the optimization of information flows.The experimental results show that the proposed model is superior to the traditional ant colony algorithm in both solving quality and solving performance,and has better coverage and accuracy than the greedy algorithm.     

无线传感器网络自适应蚁群定位算法研究

针对蚁群定位算法可能出现局部最优解而导致定位不准确的问题,提出了无线传感器网络自适应蚁群定位算法。通过将节点估计坐标移动方向离散化,将传感器定位问题转换成离散组合最优问题。定位过程中通过聚度和信息权重对传感器节点估计坐标向各个方向移动的概率进行修正,解决了定位结果收敛于局部最优解的问题。仿真结果表明,自适应蚁群定位算法比传统蚁群定位算法具有更低的定位误差。