基于免疫记忆的蚁群算法的WTA问题求解

武器-目标分配(WTA)是影响武器系统作战有效性的重要因素之一。该文在蚁群算法中增加一个额外的记忆库,利用免疫记忆和克隆选择的思想和方法,提出了基于免疫记忆的蚁群算法(IMBACA),并用于求解武器-目标分配问题。分别用给定数据集和随机数据集的WTA问题进行实验,并与传统蚁群算法和蚁群算法的混合算法进行比较,结果显示IMBACA在解的质量和时间性能上均取得了较好的 效果。     

带免疫变异的蚁群优化算法

研究算法寻优的问题时,传统的蚁群优化算法在寻优过程中存在一定缺陷,如容易陷入停滞状态,收敛速度慢.结合免疫算法和蚁群算法的优点,为提高精度和运算速度,提出一种基于免疫算法的蚁群优化算法.采用搜索解的过程中对概率选择规则采用了对比度增强技术,以加快算法的收敛速度;并融入选择算子进行搜索,根据先验知识提出了免疫变异策略,提高算法的全局性能.仿真结果表明,改进算法具有很好的稳定性和全局优化性能,有效地防止停滞现象,加快了算法的收敛速度.     

基于自适应多态免疫蚁群算法的TSP求解*

针对标准蚁群算法易于出现早熟停滞现象,提出了一种自适应多态免疫蚁群算法（adaptive polymorphic immune ant colony algorithm,PIACA）。通过设置多种状态蚁群及引入自适应多态蚁群竞争机制,PIACA算法能有效抑制收敛过程中的早熟停滞现象。将禁忌表中每只蚂蚁走过的路径视为抗体,对抗体运用局部最优搜索算法和免疫克隆选择算法进行高效优化,提高了解的质量。针对TSP实验结果表明,该算法在收敛速度及求解精度上均取得到了较好的效果。     

面向TSP求解的混合蚁群算法

针对蚁群算法的早熟和停滞等现象,将免疫算法机制引入蚁群算法,提出用于TSP求解的混合算法。该算法具有蚁群算法的自适应反馈机理、收敛速度快和免疫算法操作算子简单和维持种群多样性、防止种群退化等特性。从算法解的质量与效率方面与基本蚁群算法和免疫算法进行比较,结果表明融合免疫机制的蚁群算法性能显著提高,也为解决其他组合优化问题提供一个新的思路。     

一种用于函数优化的免疫算法

遗传算法是目前最为广泛使用的可以用于函数优化的寻优方法之一。针对其容易陷入局部极值点等弱点，该文基于生物免疫系统中的学习机理及与其相关的免疫学理论中的克隆选择学说，提出了一种新的用于函数优化的免疫算法。新算法包括选择、克隆扩展、超变异和免疫记忆操作，定义了体现算法学习机制的学习参数和用于保存最优解的免疫记忆集合。提出了根据算法亲合度自适应调节学习参数的方法，以提高算法的全局寻优能力。用不同类型的测试函数进行仿真实验，结果表明该算法是有效的。     

蚁群智能体记忆模型研究

将记忆机制引入传统蚁群算法,把蚂蚁看作具有记忆的智能体,通过对记忆的存储、更新及遗忘原理进行分析,建立一种基于生物记忆原理的蚁群智能体记忆模型。在模型中,蚂蚁智能体能够凭借记忆对自身记忆库和蚁群记忆库进行不断搜索和更新,及时调整当前最优路径。记忆原理与传统蚁群算法的结合替代了后者多次反复迭代的寻优模式,能更好地实现路径选优、缩短搜索时间、提高算法执行效率。实践检验发现,该模型能实时追踪蚁群智能体的最新动态,对当前最优路径做出及时调整和判断,从而引导自身及其他蚂蚁智能体准确、高效地寻找到最优路径。     

主从式免疫克隆选择算法求解任务分配问题

基于生物免疫系统的克隆选择机理,提出一种求解任务分配问题(task assignment problem,TAP)的主从式免疫克隆选择算法(MSICSA).该算法采用一种多种群策略,通过迁入和辽出操作,更新种群之间的信息,保持了群体的多样性.实验结果表明,该算法可有效改善基本免疫克隆选择算法解决大规模优化问题上的不足,具有很好的收敛性和稳定性,能有效解决任务分配问题.     

基于Multi-memory机制的克隆选择算法及其在模式识别中的应用

人工免疫系统研究中大多借鉴克隆选择原理来构建免疫识别算法。描述了Castro提出的克隆选择算法CLONALG的整体框架,指出其在大规模模式识别问题中的不可收敛性。在CLONALG的基础上设计了Multi-memory机制,并以模式识别为应用背景提出了新的基于Multi-memory机制的克隆选择的免疫算法MCA,提出并深入分析了记忆抗体训练过程中的关键因素——变异概率的计算公式。实验表明,采用MCA的免疫系统具有更强的泛化能力、更高的抗原识别率以及更能适应大规模问题的优良特性。     

一种具有免疫特征的Ant-Miner算法

Ant-Miner算法是第一次将蚁群算法应用于分类问题的一个分类模型。提出了一种具有免疫特征的Ant-Miner算法,该算法在原始Ant-Miner算法的基础上设计了克隆选择算子、亲和突变算子和免疫选择算子。将该算法与原始Ant-Miner算法进行比较,实验结果表明该算法在分类的预见准确性上比Ant-Miner算法有较大提高。     

蚁群算法与免疫算法的融合及其在TSP中的应用

提出一种基于抗体片段局部最优搜索的克隆选择和蚁群自适应融合算法.引入混沌扰动来增加抗体种群的多样性,以提高蚁群算法的搜索能力;利用克隆扩增、免疫基因等相关算子的操作,增强了克隆选择算法搜索的效率;通过自适应控制参数,实现了克隆选择与蚁群优化的有机结合及局部最优搜索策略的应用,加快了收敛速度,克服了抗体种群早熟问题,提高了求解精度.仿真实验结果表明,该算法具有可靠的全局收敛性,较快的收敛速度.     

共享经济背景下多属性双边匹配问题求解

对双边匹配类问题进行抽象建模,改进属性匹配度计算模型,求出匹配双方的偏好序,引入机器学习的思想改进蚁群算法对之求解。针对蚁群算法前期易早熟、后期难收敛的问题,提出非线性梯度启发信息和基于历史搜索信息的状态转移策略;针对蚁群算法初始参数设置难、调参工作量大的问题,提出基于梯度下降思想的自动调参方法;并制定稳定匹配和当前最优匹配的评价规则,引导蚁群算法的信息素更新。仿真结果表明改进的蚁群算法与传统蚁群算法相比评价值提升约20%。与传统蚁群和基于RNA计算改进的蚁群算法相比求解稳定性更优。     

引入动态分化和邻域诱导机制的双蚁群优化算法

为提高传统蚁群算法在解决旅行商问题时的优化效果,提出了一种引入动态分化和邻域诱导机制的双蚁群优化算法。该算法首先引入混沌随机策略,在算法初始化阶段改变原始的贪心策略,使初始信息素混沌分布,以保持种群的多样性,从而提高解的精度;其次,将蚁群分为孤立蚁群与正常蚁群,两组蚂蚁分别在当前最优路径与离群路径附近搜索;在种群间采取诱导机制,正常蚁负责搜索最优路径,孤立蚁混沌随机释放信息素,将正常蚁群诱导至新的路径邻域,从而有效地平衡收敛速度与解的多样性之间的矛盾。通过对不同规模的旅行商问题仿真结果的比较,验证了所提算法的有效性。     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

一种求解TSP问题的改进蚁群算法

针对基本蚁群算法存在收敛速度慢,易陷于局部最优解等缺点,提出了一种求解旅行商(TSP)问题的改进蚁群算法。通过在基本蚁群算法中提出保留最优解和引入个体差异策略的改进方法,有效地抑制了算法收敛过程中的停滞现象,提高了全局搜索能力和解的质量。TSPLIB的实例验证了该改进算法的有效性。     

基于变异和启发式选择的蚁群优化算法

为了解决传统蚁群算法求解TSP问题的求解时间较长、易于局部收敛的问题,提出了一种基于变异和启发式选择的蚁群优化算法。利用较优路径中城市相互之间的邻接特点,避免了大范围搜索求解,使得能具有较好的初始解,将算法的时间复杂度大大降低;同时为了加快算法的收敛速度,对于路径的启发式选择进行重新定义;引入变异机制,充分利用2-交换法简洁高效的特点,既提高了变异效率,也改进了变异质量。实验结果证明,在一些经典TSP问题上新算法表现出很好的性能。     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

基于目标函数变化率的混合蚁群遗传算法

根据蚁群算法和遗传算法收敛性互补的特点,提出了一种基于目标函数变化率的混合蚁群遗传算法。该算法的基本思想是：用蚁群算法的解作为遗传算法的初始种群,根据目标函数的变化率交叉地调用蚁群算法和遗传算法。每当种群进化接近停滞时,调用蚁群算法。这种方法可动态地控制蚁群算法和遗传算法的调用时机,再配合相应的信息素更新方法,以提高算法的收敛性。将新算法用于车间调度基准测试问题,仿真结果表明,与常规混合蚁群遗传算法相比,新算法的全局收敛性和局部收敛性有了明显的提高。     

基于人工免疫改进的搬运机器人蚁群路径规划

针对搬运机器人在障碍环境下的路径寻优问题,提出一种基于人工免疫改进的蚁群路径规划算法(AI-ACA)。蚁群算法(ACA)的规划依赖于信息素挥发系数、期望启发因子和信息启发因子等参数的选取,传统ACA通过经验来设定这三个参数,但路径寻优中的最优参数因障碍环境而异,为解决经验参数对不同环境路径寻优结果的影响,引入人工免疫算法(AIA),对ACA的相关参数进行迭代优化,以此改善路径寻优结果。仿真结果及在自制机器人平台上测试表明,AI-ACA对于不同障碍环境可以准确地进行路径规划,在同样环境下较所参考的定参数蚁群路径规划效果有明显提升,提高了整个系统的运输效率。     

基于蚁群优化的多目标社区检测算法

蚁群优化算法作为单目标优化问题,由于只有一个目标函数,通常会将解限制到特定的范围内。当优化的目标不恰当时,算法可能失效,比如分辨率限制问题。我们将多目标优化的思想与传统的用于社区检测的蚁群优化算法相结合,增加了目标函数个数,即增加了解的评价指标数目。该算法引入多目标策略,提出多目标ACO算法,该算法在一次运行过程中会产生一组Pareto最优解。并在三个真实世界网络证明该算法的有效性和准确性。