混合群智能算法在模体识别中的应用

为了避免传统吉布斯算法的诸多缺陷,提高算法的求解能力,对蚁群算法（ACO：Ant Colony Optimiza-tion）进行了改进：引入粒子群算法（PSO：Particle Swarm Optimization）动态调节ACO函数中的参数获得最优解。在奔腾PC机的实验平台上、Windows 2003Server操作系统下、开发工具为VB的模拟实验中,结果证明,混合的群智能算法使经典旅行商问题求解的计算时间缩短,提高了算法的收敛速度,有较好的发展前景。利用PSO处理连续优化问题的优点,将混合算法应用于生物信息学的模体识别中,可实现更加快速的基序发现处理。     

基于智能混合算法的车辆配送路径优化

为提高车辆配送效率,节约配送成本,建立了以配送路径和成本综合最优为目标的车辆配送路径问题数学模型.设计并实现了一种智能混合算法,首先利用具有自适应交叉率和变异率的改进遗传算法生成全局较优解,再将较优解转换为初始信息素进行蚁群算法,并结合2-opt算法对解进一步迭代优化,最终获得了车辆最优配送路径.实验结果表明,该算法优化后的目标值比蚁群算法减少了15.0%,比遗传算法减少了10.4%,验证了该算法的有效性和优越性.     

基于蚁群优化的无线传感器网络路由优化算法

针对无线传感器网络节点功耗受限,无线信道容易受环境干涉等特点,提出一种低功耗、信道质量敏感的无线传感器网络路由优化算法COR,COR算法基于节点剩余能量、无线信道质量统计参数等变量,通过修改启发因子方程以及信息素更新方程,采用改进蚁群算法选择剩余能量高、信道质量较好的路径进行数据的路由转发,可有效降低数据传输功耗,平衡网络中节点的功率消耗,延长网络生命周期。仿真实验表明,COR算法网络消耗能量仅为传统ACO(Ant Colony Optimization)算法的73%,具有较高的实用价值。     

基于蚁群最优算法的配电网重构

在电力系统中配电网的重构是配电网降低网络损耗的重要途径。但是由于配网本身的结构,其重构是一个非常复杂的大规模组合优化问题。提出了基于蚁群最优的算法来求解故障情况下的配电网络重构问题,通过改变开关的闭合状态来改变网络的拓扑结构,以达到网络损失最小。蚁群最优算法(Ant colony Optimization,简称 ACO 算法)是模仿现实中的蚂蚁寻食的过程来求解配电网的重构问题。这种方法的主要特征是正反馈、分布式计算以及富有建设姓的贪婪启发式搜索的运用。该算法不依赖各种初始参数,不易陷于局部最优,为了验证本文提出的算法的可行性和有效性,我们研究了一个算例。结果表明,蚁群算法与现有各种方法相比,具有适应性好、计算效率高、优化效果好的优点。     

基于蚁群算法的图书物流中心配送路径规划

以图书物流中心车辆路径规划问题为研究对象,结合图书配送多品种小批量的特点,以配送路线最短为目标,在考虑车辆容量限制的条件下,建立基于零担运输策略的图书物流中心车辆路径规划模型;针对传统路径规划问题研究的不足,运用GPS导航系统重新定义了配送距离.用蚁群算法对所建模型进行求解与仿真,并结合实际案例给出优化结果,验证了模型及算法的有效性.     

基于蚁群算法的速冻蔬菜配送路径优化研究

以安徽某公司速冻蔬菜为例,介绍了基于蚁群算法的冷链物流配送路径优化问题的研究。通过对安徽某公司配送速冻蔬菜的现状与不足、车辆路径问题及求解算法的特点、蚁群算法模型的建立与应用等进行详细分析,建立了基于蚁群算法的冷链物流配送路径优化研究模型,使其在销售速冻蔬菜时能够达成配送路径更短、配送时间更少、配送成本更低、客户满意度更高的目标。     

军事配送式后勤车辆路径问题研究

为提高军事后勤车辆的配送效率,实现快速响应,文中在分析军事后勤车辆路径问题特点的基础上,建立了单时间窗多目标动态军事后勤车辆路径模型,设计了遗传-蚁群混合算法对模型进行两阶段求解.仿真实验结果表明,该算法解决了遗传算法求解效率低及蚁群算法收敛过早的问题,可有效解决军事后勤车辆动态路径优化问题.     

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.     

改进蚁群算法在迷宫路径规划问题中的研究和应用

求解最优路径是迷宫路径规划中的一个重要功能.为了更为准确快速地找到最优解,论文构建了电脑鼠在迷宫中的动态路径规划模型,并采用自适应方法对信息素进行更新,对传统蚁群算法收敛性较慢的问题进行了改进.通过计算机仿真和电脑鼠机器人实际行走实验表明,在场地复杂的情况下,该算法可以有效地规划出全局最优路径.     

基于改进的文化蚁群算法求解最优路径问题研究

针对传统方法不能够有效的求解GIS最优路径问题,在文化算法的基础上提出了一种基于实际路况求解两地之间最优距离的蚁群优化算法.引入了表示天气、路况、驾驶员个人偏好等诸多不确定因素,并将改进的蚁群算法融入到文化算法当中,使蚁群算法具有群体空间和信仰空间并行进化的机制.群体空间采用改进的最大最小蚁群算法,从而有效的提高算法最优解的搜索能力和速度.通过模拟计算结果表明改进的算法求解实际最优路径在速度和精度上优于传统最优路径算法.     

蚁群算法中基于知识引导的信息素控制策略

针对蚁群算法在求解旅行商问题性能方面的不足,提出了一种基于知识引导的信息素控制策略.该策略利用问题先验知识初始化信息素,旨在提高算法运行初期信息素对蚂蚁搜索的启发能力;采用群知识引导信息素更新,加强信息素对蚂蚁搜索的引导能力,增强蚂蚁搜索的目的性.实验结果表明,基于这种信息素控制策略的蚁群算法的总体性能明显优于当前最先进的蚁群算法.     

基于蚁群优化算法的模糊神经网络控制器及仿真研究

提出了一种基于蚁群优化算法的模糊神经网络控制系统,并介绍了模糊神经网络控制器的结构及其参数的蚁群优化算法.仿真结果表明了该方法的可行性和有效性.     

基于蚁群算法的装配序列生成策略

用有向图模型描述零件之间的优先关系,构建了装配关系矩阵.基于该矩阵,将蚁群算法用于生成可行、优化的装配序列,并对算法进行了改造:设计了满足优先关系的“可行转移范围”,直接在优先关系的指导下构造序列;提出了信息素惩罚蒸发策略,对不可行解进行惩罚,帮助“蚁群”避开无效序列;根据装配序列规划的特点,对信息素的释放策略进行了改进.最后通过实例验证了算法的实用性.     

基于香味素诱导及道路分级的OPP问题的蚁群算法

为解决传统蚁群算法在求解最优路径问题(optimal path problems,OPP)时,搜索效率不高、最优解质量偏低的问题,提出了一种基于香味素诱导和道路分级的蚁群算法.该算法首先通过模拟食物源(目的地点)散发出的一种吸引蚂蚁不断向其靠近的香味素,使蚂蚁的搜索具有指向性;然后根据拥堵系数将路网中的道路分为不同的等级,并结合动态的分级策略防止算法陷入早熟.实验结果表明:本文算法比传统蚁群算法在最优解的质量及稳定性方面具有一定的优势.     

基于混合连续蚁群算法的最优潮流研究

提出了基于混合连续蚁群(HCACO)的最优潮流(OPF)计算方法;该方法将蚁群优化算法(ACO)的正反馈特性与实数遗传算法(GA)的进化策略相结合,克服了基本蚁群算法只适用于离散问题的局限性,并提高了寻优的效率,同时采用动态调整罚函数策略,有效提高了算法的全局收敛能力和计算精度,采用优进策略,提高了算法的收敛速度.应用此算法对标准IEEE-30节点测试系统进行最优潮流计算,该算法能够更好地获得全局最优解,仿真结果表明了该算法的合理性和有效性.     

蚁群算法在图像边缘提取中的研究

文章对蚁群算法在图像边缘的提取中进行研究,对蚁群算法在图像边缘提取中采用蚂蚁访问不同邻域策略与不同的启发信息公式进行MATLAB仿真,得到最佳的邻域策略与启发信息公式,并利用得到的最佳方式对不同图像进行边缘的提取,达到一定的效果。     

基于蚁群算法的贝叶斯网结构学习

针对具有丢失数据的贝叶斯网结构学习问题,提出了一种将数据的完备化与结构的蚁群优化相结合的学习方法.随机初始化未观察到的数据,得到完整的数据集,并利用蚁群算法学习得到初始网络结构;然后进行迭代学习,在每次迭代中根据当前最好的贝叶斯网结构,利用EM估计和随机的采样插入对数据进行完备化,在完备数据下,利用改进的蚁群优化过程使结构不断进化,直到获得全局最优解.实验结果表明,该方法能有效地从不完备数据中学习贝叶斯网结构且与新近的MS-EM、EGA、BN-GS方法相比,具有更高的学习精度.     

基于蚁群算法的水库调度图优化研究

在满足发电保证率的条件下,以年均发电量最大为目标,建立了基于模拟的水库调度图优化模型。通过混合编码描述调度线的形状,采用蚁群算法优化关键点,求解模型。以隔河岩水电站为研究背景,开展隔河岩水库优化调度图编制研究。计算结果表明,较原设计方案,水库优化调度图年均发电量可提高0.32亿kW.h,提高幅度约1.21%,经济效益显著。     

蚁群优化算法在TSP中的应用

提出了一种求解TSP问题的有效算法———蚁群优化算法。该算法通过模拟蚁群搜索食物的过程,求解TSP问题。算法的主要特点是,正反馈、分布式计算、与某种启发式算法相结合。并给出了算法原理及流程;最后用计算机仿真得出结果,证明了该算法的有效性。