优化型蚁群算法在旅行商问题中的应用研究

针对基本蚁群算法的搜索时间长和局部收敛等现象,提出一种用于求解旅行商问题（TSP）的优化型蚁群算法,该算法有效地将最大最小蚁群算法（MMAS）和遗传算法（GA）相结合,一方面在很大程度上缩短了算法的寻优时间;另一方面有效地避免了算法的早熟停滞现象。利用MATLAB对多种TSP问题进行仿真研究,实验结果证明了优化型蚁群算法在性能上优于MMAS和GA。     

改进的求解TSP问题文化蚁群优化方法

在文化算法基础上提出了一种改进的用于求解TSP问题的蚁群优化算法。改进算法采用新的双层进化机制对文化算法的种群空间与信念空间进行了重新设计,用最大最小蚁群系统（MMAS）构建种群空间,在信念空间中对当前最优解进行改进的3-OPT交叉变换操作,由于采用了这种双层进化机制,种群空间获得了更高的进化效率。通过仿真实验结果表明,改进算法比传统的蚁群算法（ACO）、文化蚁群算法（CACS）效果更好,收敛速度更快,精确度更高。     

具有分段和变异特性的蚁群算法求解TSP问题

常规蚁群算法具有搜索时间较长,易于过早地收敛于非最优解的缺陷。为了提高蚂蚁一次周游的质量,采用具有轮盘赌方式的最大最小蚁群算法（MMAS＋RW）,即在依据概率选择下一个城市时采用轮盘赌的方式。提出一种具有分段和变异特性的蚁群算法。该算法融合了分段的分而治之思想和遗传算法中的变异,有利于保持群体多样性的特性,是在采用轮盘赌方式的最大最小蚁群算法陷入局部最优解的情况下,引入随机分段和遗传算法的变异操作来优化当前最优解,改善解的质量,改进蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验表明取得了较好的效果。     

一种动态自适应蚁群算法

针对传统蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种动态自适应蚁群算法。该算法对传统的MMAS蚁群算法中的信息素进行自适应调整。实验结果表明,该算法比传统的蚁群算法和传统的MMAS蚁群算法具有更好的搜索全局最优解的能力,并具有更好的稳定性和收敛性。     

考虑工作量平衡的多旅行商问题及其求解

根据多旅行商问题（MTSP）特点,针对最小化各旅行商最长路线这一优化目标,提出改进蚁群算法（IACO）。最小化各旅行商最长路线考虑各旅行商的工作量平衡,更具实际应用意义。算法中信息素更新与限制遵循最大最小蚁群算法（MMAS）框架,为提高算法性能设计混合局域搜索算法。利用文献中标准算例进行检验,结果表明,所设计蚁群算法与三种遗传算法相比表现出较强竞争性。     

改进蚁群算法MMAS在分类规则挖掘中的研究

为深入研究和评估蚁群算法在分类规则挖掘应用中具有的特点和作用,针对目前基本蚁群算法在数据挖掘方面所存在的不足,引入了改进的蚁群算法模型最大最小蚂蚁系统（MMAS）。并根据分类算法比较原则,通过实验分析对分类规则挖掘算法进行比较。根据使用不同数据集实验结果的对比分析,从仿真的精确度、速度等方面展示和证实了基于改进的蚁群算法模型MMAS的数据分类规则挖掘工具AntMiner＋在分类规则挖掘中体现出的特点和优势。     

带有狮王竞比参数的蚁群优化算法

由于蚁群算法采用随机选择策略,使得进化速度较慢,容易出现停滞现象,从而不能对解空间进一步进行搜索,不利于发现更好的解.针对以上问题,提出了一个带有狮王竞比参数的蚁群优化算法.该算法借鉴狮子种群生存竞争中狮王法则的作用,减少大量不必要的搜索,从而大大缩短了求解时间,同时又引用了最大—最小蚂蚁系统(MMAS)算法对信息素的限制,有效地控制了搜索停滞的问题.通过结合MMAS算法的仿真,结果表明:带有狮王竞比参数的改良算法,在求解同样TSP问题时,大大地缩短了优化时间,并且得到了更优的解.     

一种基于MMAS的具有奖罚机制的分组蚁群算法

蚁群算法是由意大利学者M.Dorigo等人提出,近几年迅速发展起来,并得到广泛应用的一种模拟进化的优化类算法.然而蚁群算法和其他进化算法一样存在搜索速度慢、易陷入局部最优的缺点.为了克服上述的不足,在MMAS基础上提出一种具有奖罚机制的分组蚁群算法,即在MMAS基础上对蚂蚁进行分组,利用蚂蚁组之间合作和组内蚂蚁相遇合作思想,并引入奖罚机制对信息素更新.实验数据表明改进后的算法避免了停滞陷入局部最优的现象且加快了搜索速度,最优解也较优.     

基于信息素强度的改进蚁群算法

现有的基本蚁群算法和MMAS算法都存在收敛速度慢、易陷于局部最优解等缺点,为了提高算法搜索效率,提出了一种求解旅行商问题的改进蚁群算法.在基本蚁群算法和MMAS算法的基础上,通过对蚂蚁进行区分,直接控制信息素的浓度,并进行有选择的更新,有效地抑制了算法收敛过程中的停滞和早熟现象,提高了全局搜索能力和解的质量.最后通过经典的CTSP31实例验证了该改进算法的有效性,仿真实验结果表明,它在最优解、平均解和最优迭代次数等性能上比经典蚁群算法都有较大的改善.     

基于种群相似度的自适应改进蚁群算法及应用

针对蚁群算法收敛速度较慢、易陷入局部最优的问题,提出了一种基于种群相似度的自适应改进蚁群算法。利用种群相似度对种群内个体的多样性进行度量并根据优化过程中种群相似度的变化情况自适应地调整蚁群算法的参数和信息素更新策略,提升算法的优化性能。该算法用于求解旅行商问题（Traveling Salesman Problem,TSP）问题,并与经典的蚁群系统（Ant Colony System,ACS）及最大最小蚂蚁系统（MAX-MIN Ant System,MMAS）算法进行比较,实验结果表明改进算法在解的质量与算法稳定性方面得到显著提升,有效地平衡了种群多样性与收敛速度之间的矛盾。     

IMMAS算法在复杂环境下路径规划中的应用

移动机器人路径规划是机器人学的一个重要研究领域.文章将改进的MMAS蚁群算法引入路径规划,在栅格法建模的基础上,改进初始蚁群设置,使用可变的终点定义,终合考虑可选点与终点的距离、可选点的被访问次数以及各可选路径上的信息素强度来设计启发式因子,使用奖励机制更新信息素,动态确定最大最小信息素范围,建立了一种新型优化算法.仿真结果表明,利用改进的MMAS算法,可充分发挥蚁群算法的优越性,并减小了陷入停滞状态的可能性,快速搜索到最优解.     

基于云模型的模糊自适应蚁群算法研究

针对蚁群算法存在控制参数难以确定和易陷入停滞等不足,采用云模型理论对蚁群算法进行改进,将云模型作为模糊隶属函数,选择部分较优路径进行全局信息素更新,从而提高算法对路径的开发和探索,同时通过对云隶属函数的参数控制,实现算法的自适应调整策略。针对TSP问题进行仿真实验对比,结果也表明基于云模型的蚁群算法要明显优于ACS和MMAS算法。     

MAX-MIN蚂蚁系统算法及其收敛性证明

MAX-MIN蚂蚁系统算法是解决旅行商问题及二次分配问题的最好方法之一。它是在蚂蚁系统算法的基础上作了许多改进之后得到的一种算法,这些改进在一定程度上避免了过早停滞现象的发生,是一种较好的协作式搜索算法,但是到目前为止,对MMAS算法收敛性的研究还非常少。文章系统地介绍了MMAS算法,并在理论上证明了该算法的收敛性。     

基于可变天气因素的MMAS改进算法

针对最大最小蚂蚁系统(MMAS)容易导致算法快速陷入局部最优的问题,提出一种基于可变天气因素的MMAS改进算法(variable weather MAX-MIN ant system,VW-MMAS)。通过由天气变化影响信息素的变化来改善MMAS的寻优过程,具体引入以下机制:在信息素挥发机制方面,参考天气变化因素对蚂蚁觅食的影响,设置信息素挥发系数和蚁群数量;在算法陷入局部最优时,综合考虑TSP问题中城市间的距离,增强不是最优路径的信息素,扩大蚂蚁的搜索范围。应用该算法解决TSP问题,将仿真结果与其它算法进行比较,验证了该算法的有效性,提高了解的质量。     

蚁群算法在多用户检测中的应用及其改进

首先基于蚁群算法建立了一个多用户检测问题的模型,在这个模型中,蚁群算法得到了简化并且更加利于并行计算.随后将最大-最小的蚂蚁系统用于多用户检测,并通过分析算法的缺陷提出了一种蚁群算法与禁忌搜索相结合的混合算法.通过对多用户检测问题的试验仿真表明,改进算法不仅操作简单,而且全局搜索能力有了显著的提高.     

A new minimum pheromone threshold strategy (MPTS) for max–min ant system

In recent years, various metaheuristic approaches have been created to solve quadratic assignment problems (QAPs). Among others is the ant colony optimization (ACO) algorithm, which was inspired by the foraging behavior of ants. Although it has solved some QAPs successfully, it still contains some weaknesses and is unable to solve large QAP instances effectively. Thereafter, various suggestions have been made to improve the performance of the ACO algorithm. One of them is through the development of the max–min ant system (MMAS) algorithm. In this paper, a discussion will be given on the working structure of MMAS and its associated weaknesses or limitations. A new strategy that could further improve the search performance of MMAS will then be presented. Finally, the results of an experimental evaluation conducted to evaluate the usefulness of this new strategy will be described.     

密集型多轮廓裁片的刀具空行程路径寻优

服装行业中缩短刀具裁剪空行程对于高效裁剪布料具有重要意义。结合服装裁片排列具有轮廓形状复杂、分布密集的特点,将问题转化成广义旅行商问题。 基于最大最小蚁群(MMAS)算法提出了一种新的用于裁片刀具空行程路径寻优的算法--密集多轮廓蚁群算法,该算法包括4步:1)用MMAS算法确定初步裁片顺序;2)由裁片顺序寻找各裁片入刀节点;3)将各裁片的入刀节点再次用MMAS进行顺序优化重组得到初步裁剪路径;4)反复迭代第2)步和第3)步以求得最优路径。实验验证了所提算法的有效性,对比现有的扫描算法以及双信息素蚁群(NACS)算法其结果分别提升了60.15%和22.44%,该算法在刀具空行程优化上具有明显优势。     

基于MMAS的无线传感器网络数据融合算法*

提出了一种基于MAXMIN蚂蚁系统（MMAS）无线传感器网络的数据融合算法。该算法采用定向扩散的机制进行兴趣散布;利用MMAS算法构造一个最小Steiner树,源节点的数据发送到构造好的最小Steiner树上,经过融合后传输到sink节点,降低了网络中传输的数据量。通过与Dijkstra算法比较,NS2仿真表明该算法降低了网络能耗,增加了网络生存时间。