一种基于改进蚁群算法的选播路由算法

为了在网络负载较大的情况下实现多目标多路径的选播路由,该文根据蚂蚁寻径与选播路由的相似性,提出了一种基于改进蚁群算法的选播路由算法。在运用数据包传输的历史信息来模拟路径信息素的基础上,增加了目标地址泛洪负载信息来模拟食物气味散发的过程,使得各个节点可以获得服务器和链路的最新信息。节点根据路径上的信息素、食物的气味以及链路的可见度等综合生成概率表,作为后继蚂蚁路径选择的依据。运用NS-2对该算法进行仿真,测试结果表明它可以减少传输时延,降低服务器负载的波动幅度,实现链路的负载均衡,增加网络的容量,提高选播服务的可扩展性。     

求解带用户满意度的多目标实时车辆路径问题的改进伊藤算法

基于对标准车辆路径问题的分析,本文构建了一种包括交通因素、客户需求动态改变、用户满意度的多目标动态车辆路径问题模型.针对伊藤算法在求解离散组合优化问题时效率较低、收敛性较差等缺陷,本文以具有通用性的伊藤算法为框架,参考蚁群算法,设计了伊藤-蚂蚁优化算法,并采用正交实验的方法,分析了改进算法参数的设置问题.为了验证改进算法的有效性,文章对标准测试数据集中的数据进行了测试.最后,将标准测试数据改编成符合带用户满意度的多目标实时车辆路径问题模型的测试数据,并用改进算法进行求解.实验结果表明,本文提出的问题模型和改进算法是可行的、有效的.     

基于改进蚁群算法的组播路由算法研究

提出了一种基于改进蚁群算法的QoS组播路由优化求解方法.新算法采用精英策略进行信息素更新、转轮赌法进行路径选择和变化的信息素强度等方法进行改进.仿真结果表明改进的蚁群算法能有效满足各种业务的服务质量需求.     

求解多目标资源分配问题的改进蚁群优化算法

多目标资源分配问题就是将有限资源分配到不同事件来获得预期目标.建立了多目标资源分配问题的数学模型,提出了一种有效求解该问题的改进蚁群优化算法：设计了一种多目标资源分配问题的可行方案构建机制,定义了蚁群优化算法中的信息素形式及其更新方式,提出了一种新的概率选择形式;通过以上改进有效地提高了蚁群优化方法的效率.为了验证此方法的有效性,将蚁群优化方法与混合遗传算法的实验结果进行了对比分析,证明此方法优于混合遗传算法.     

一种新的多路径覆盖测试数据进化生成方法

 提出一种新的用于多路径覆盖的测试数据生成方法.首先,将被测程序表示成一棵二叉树,对目标路径采用赫夫曼编码方法表示成二进制串;然后,采用遗传算法生成多个测试数据,设计的适应度函数综合考虑个体穿越的路径与每个目标路径的匹配程度.将提出的方法用于4个基准程序的路径覆盖测试数据生成,并与已有方法比较,结果表明本文方法计算量小,生成测试数据效率高.     

用改进蚁群算法实现突发威胁下的航迹规划

航迹规划对UAV完成任务具有重要的意义。为解决突发威胁下的UAV航迹规划问题,根据Voronoi图的局域动态特性提出了一种基于改进蚁群算法的实时重规划方法。采用全新的目标吸引策略、引入信息素增量调节因子并自适应调整信息素挥发系数来对基本蚁群算法进行了改进,提高了算法的求解效率,并进行仿真验证。根据战场已知威胁源生成Voronoi加权图,并与所提的改进蚁群算法相结合求解规划空间中的最优航迹。仿真结果表明,利用改进蚁群算法能够有效地提高收敛速度和寻优能力,可以较好地解决突发威胁下的UAV航迹规划问题,保证UAV能够回避战场威胁,顺利飞抵目标点。     

基于蚁群优化的移动P2P网络路由选择算法

因为移动P2P网络具有动态性而且移动节点能量受限,提升移动P2P数据传输效率至关重要.利用蚁群优化算法,将蚂蚁的信息素与节点的能量和通信带宽结合起来,在蚁群选择路径时,减少其寻优路径上的信息素浓度,根据概率路由表中信息素的浓度对路由选择策略进行调整,避免网络拥塞和个别节点能量消耗过快,提出了一种移动P2P网络的多路径路由选择算法.实验结果表明,与EDSR路由协议相比,提出的算法能够降低节点的分组丢失率和端到端的平均时延,提高了网络的生存周期.     

改进蚁群算法在文本聚类中的应用研究

提出了一种改进蚁群文本聚类算法.改进蚁群文本聚类算法利用信息素对蚂蚁随机移动进行控制,使蚂蚁朝着文本向量相对集中的区域移动,缩短蚂蚁寻找文本向量簇的时间,提高聚类效率.采用复旦大学中文文本分类语料库进行仿真实验,实验结果表明,改进蚁群文本聚类算法不仅加快了文本聚类算法的收敛速度,而且提高文本聚类结果的精度.     

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。     

基于基因表达式编程的混合蚁群算法

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。     

基于蚁群优化与细菌趋化性的图像边缘检测算法

为解决基于蚁群优化的图像边缘检测算法中信息素的作用不明显,难以获得全局最优解,从而降低目标边缘的检测精确度与效率等问题,提出一种基于细菌趋化性(BC)耦合蚁群优化(ACO)的边缘检测算法。通过细菌趋化性找到最佳解决方案,用于产生信息素的初值;将BC得到的信息素初值作为ACO的初始信息素,计算每只蚂蚁的行走概率,从而选择最佳的行走路径。当蚂蚁每经历一个像素点时,更新局部信息素。全部的蚂蚁完成迭代后,进行全局信息素更新,搜寻全局最优解;最后,根据信息素最优解与阈值的关系,得到目标的边缘与非边缘,完成边缘检测。测试表明：与其他边缘检测算法相比,所提算法具有更好的边缘连续性和清晰性,能准确检测图像中的微小边缘,同时呈现出理想的收敛速度。     

A Preliminary Study of Automatic Delineation of Eyes on CT Images Using Ant Colony Optimization

Eyes are important organs-at-risk （OARs） that should be protected during the radiation treatment of those head tumors. Correct delineation of the eyes on CT images is one of important issues for treatment planning to protect the eyes as much as possible. In this paper, we propose a new method, named ant colony optimization （ACO）, to delineate the eyes automatically. In the proposed algorithm, each ant tries to find a closed path, and some pheromone is deposited on the visited path when the ant fmds a path. After all ants fmish a circle, the best ant will lay some pheromone to enforce the best path. The proposed algorithm is verified on several CT images, and the preliminary results demonstrate the feasibility of ACO for the delineation problem.     

基于蚁群算法的无人船平滑路径规划

为解决无人驾驶船舶在复杂环境中规划路径时存在的转向角度大、路径拐点多、航行能耗高等问题,文中提出一种基于改进蚁群算法的平滑路径规划方法。该方法采用栅格法进行环境建模,通过在启发函数中引入路径平滑度、距离启发因子以及在路径转移概率中引入障碍物启发因素,提高路径寻优和静态避障能力。结合启发因素改进信息素更新标准,设置可调节信息素挥发因子增加算法的自适应性。提取输出的最优路径关键节点并对其进行平滑处理,进一步保证路径平滑度和安全性。根据不同栅格环境下的避障仿真结果可知,与传统算法相比,文中改进蚁群算法的路径寻优速度提高了45%～62%,转向次数减少了25%～44%,平滑处理后的路径安全性和可行性得到了提升,较好地实现了不同环境下无人船自主路径规划。     

基于路径自动分割的测试数据生成方法

为了提高路径覆盖测试数据生成效率,研究了路径自动分割方法并结合人工鱼群算法提出了一种路径覆盖测试数据生成方法.首先在分析变量与节点关系、变量与路径关系的基础上提出了路径分割的自动判定及分离算法,实现了变量对子路径有无影响的自动判定;其次引入Levy飞行策略和共轭梯度法对人工鱼群算法进行了改进;然后结合路径分离的结果和改进的人工鱼群算法实现路径覆盖测试数据的生成.在利用人工鱼生成测试数据的过程中,判断是否有人工鱼穿越分离的子路径.如果有,则记录人工鱼中穿越子路径相应的分量并在人工鱼的觅食、聚群及追尾等行为中固定这些分量,从而使得搜索空间不断减少.最后将提出的方法实现程序的测试数据生成,并与相关方法进行了比较.实验结果表明,本文方法在时间开销、成功率及算法稳定性等方面均具有优越性.     

基于搜索空间自动缩减的路径覆盖测试数据进化生成

 提出一种基于搜索空间自动缩减的路径覆盖测试数据进化生成方法,首先,确定目标路径与输入变量之间的关系,将可分目标路径分离出与部分分量相关的子路径;然后,固定被穿越子路径对应的输入分量,并缩小交叉和变异操作的范围,使种群在不断缩小的空间里寻找测试数据,以提高测试数据生成的效率;最后,将提出的方法用于基准程序的路径覆盖测试数据生成,并与传统方法和随机法比较.结果表明,本文方法在生成测试数据需要的进化代数、运行时间和成功率等指标上均具有优越性.     

An improved distance‐based ant colony optimization routing for vehicular ad hoc networks

Vehicular ad hoc network (VANET) has earned tremendous attraction in the recent period due to its usage in a wireless intelligent transportation system. VANET is a unique form of mobile ad hoc network (MANET). Routing issues such as high mobility of nodes, frequent path breaks, the blind broadcasting of messages, and bandwidth constraints in VANET increase communication cost, frequent path failure, and overhead and decrease efficiency in routing, and shortest path in routing provides solutions to overcome all these problems. Finding the shortest path between source and destination in the VANET road scenario is a challenging task. Long path increases network overhead, communication cost, and frequent path failure and decreases routing efficiency. To increase efficiency in routing a novel, improved distance‐based ant colony optimization routing (IDBACOR) is proposed. The proposed IDBACOR determines intervehicular distance, and it is triggered by modified ant colony optimization (modified ACO). The modified ACO method is a metaheuristic approach, motivated by the natural behavior of ants. The simulation result indicates that the overall performance of our proposed scheme is better than ant colony optimization (ACO), opposition‐based ant colony optimization (OACO), and greedy routing with ant colony optimization (GRACO) in terms of throughput, average communication cost, average propagation delay, average routing overhead, and average packet delivery ratio.     

改进蚁群算法在QoS路由中的应用与研究

在分析传统蚁群算法缺陷及其在QoS路由中的应用的基础上,提出了一种与真实蚁群系统更加相符的基于双向寻路和信息素扩散的蚁群算法,采用来自源节点和目的节点两个方向的蚂蚁探路的同时进行信息扩散.仿真结果表明,该改进蚁群算法在网络规模较大的条件下仍能快速找到满足QoS路由性能指标的路由,节省了QoS路由搜索时间,提高了网络服务能力.     

基于改进蚁群算法的移动机器人动态路径规划方法

 本文提出了基于改进蚁群算法的移动机器人动态路径规划方法.首先针对蚁群算法收敛速度慢,容易陷入局部最优的缺点,提出了根据目标点自适应调整启发函数,提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优.其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择.最后实现了基于改进蚁群算法的移动机器人动态路径规划并完成了仿真实验,实验结果证明了该方法的可行性和有效性.     

一种基于蚁群优化的显著边缘检测算法

该文提出一种基于蚁群优化的显著边缘检测算法。该算法利用相位编组方法计算支持区面积作为描述图像边缘梯度方向一致性的指标,将梯度幅度和支持区面积结合起来形成启发信息和信息素增量的计算方法,采用线性加权方法将信息素、梯度幅度、支持区面积3种信息综合起来得到蚂蚁转移概率,通过引入禁忌表增大蚂蚁的活动范围。实验结果表明:该文提出的算法能够有效检测图像中的显著边缘特征,对多类图像都有良好的适应性,而且收敛速度较快。