一种改进的动态合同网模型

针对基本动态合同网中存在的问题,利用遗传算法与蚁群算法融合的思想结合蚁群分工特性提出DCNP*协议.该算法利用遗传算法得到初始解,再将其转化为蚁群算法的初始信息素并利用具有分工蚁群算法中刺激度与阈值关系进行最优解求取.通过分析,该模型在动态合同网特别是在大规模的动态合同网中,能够有效地提高求解效率,并减少通信时间.     

连续空间多目标最优化问题的蚁群遗传算法

本文提出了一种基于蚁群算法和遗传算法的多目标蚁群遗传算法,用于解决连续空间中带约束条件多目标最优化问题。本算法先将解空间分解成子区域,再用信息素标定这些子区域,信息素对遗传搜索进行指导,在搜索中更新信息素,同时采用了最优决策集的更新策略和搜索收敛退出机制,从而提高求解效率,降低算法复杂度。实验证明,与以往算法相比,此算法能更快、更精确地逼近Pareto前沿。     

求解旅行商问题的模拟退火蚁群算法

根据蚁群算法与模拟退火算法的特性,提出了求解旅行商问题的混合算法.由模拟退火算法生成信息素分布,然后由蚁群算法根据累计更新的信息素找出若干组解,再经过模拟退火算法在邻域内找另外一个解的操作,得到更有效的解.与模拟退火算法、标准遗传算法、蚁群算法和随机初始化的蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

基于遗传-蚁群算法的CAD产品快速建模

为提高CAD造型的设计效率,提出一种基于遗传-蚁群算法的CAD产品快速建模方法,该方法采用遗传算法求得次优解,依据求得的次优解对蚁群算法进行初始信息素分布,在次优解中进一步寻优,最终搜索到产品造型设计的最优解。遗传算法和蚁群算法的有效结合,使算法具有较好的全局收敛效率和求解精度。实验结果表明,该算法搜索出来的造型包含造型的细节特征,更加满足用户的个性化需要。     

基于遗传算法和蚁群算法融合的QoS路由算法*

面向QoS路由问题,设计了一种基于遗传算法和蚁群算法融合的QoS路由算法(QoS routing algorithm according to the combination of the genetic algorithm and ant colony algorithm,GAACO_QoS).利用遗传算法生成初始解,将其转换为蚁群算法所需的信息素初值,然后利用蚁群算法求取最优解.设置遗传算法控制函数来控制遗传算法和蚁群算法融合的适当时机.通过与遗传算法以及蚁群算法的比较,进一步说明算法的有效性.     

改进蚁群算法在基于服务质量的Web服务组合优化中的应用

为了克服基础蚁群算法存在的前期搜索速度较慢、后期极易陷入局部最优解的缺点,提出初始信息素分布策略和局部优化策略;同时还提出了依赖解的质量的信息素更新依据,以增强算法过程中信息素的有效积累。将该改进蚁群算法应用于基于服务质量(QoS)的Web服务组合优化问题中,通过在数据集QWS2.0上的实验对改进蚁群算法的可用性和有效性进行了验证。结果表明改进的蚁群算法与基础蚁群算法、利用解与理想解距离更新信息素的改进蚁群算法以及用支配程度作为解的个体评价的改进遗传算法相比,能够找到更多的非劣解,寻优能力更优,表现出了较稳定的性能。     

基于蚁群遗传算法的高校排课系统

传统的手工排课的方法在效率和合理度上存在较大的缺陷.而利用单纯的遗传算法和蚁群算法则存在着计算时间过长和易导致早熟收敛等缺点.为了解决问题,将蚁群算法与遗传算法相结合,结果发现使用蚁群遗传算法,可以有效地减少搜索空间,使种群在遗传过程按规则分区,在区间中喷洒信息素,染色适应度与种群区间交互,形成正反馈系统,驱动整个算法得到排课较优解.测试结果表明.蚁群遗传算法较大提高了高校排课系统中的效率和合理度.     

化学反应蚁群优化算法

针对化学反应优化对反馈信息利用不足导致后期求解效率低的问题,提出化学反应蚁群优化算法.该算法利用化学反应优化生成较优解,通过信息素转换策略将较优解转换为蚁群算法的初始信息素,最后由蚁群算法累积更新信息素得到最优解.以TSP为例进行仿真,结果表明,与化学反应优化、蚁群算法、模拟退火算法相比,所提算法具有更高的寻优能力、收敛效率和计算效率.     

一种求解图着色问题的蚁群遗传算法

遗传算法在图着色问题上已经得到广泛的应用,但对于顶点数较多的图,使用此类算法进行着色的结果就显得不够理想,运行效率也不够高。由于遗传算法具有全局收敛性,蚁群算法具有局部收敛性,因此,将遗传算法和蚁群搜索算法融合,提出一种新的解决图着色问题的蚁群遗传算法。该算法先利用蚁群算法快速地为遗传算法搜索到较好的初始解,然后利用遗传算法进一步遗传优化,同时在优化解上加强信息素强度,并反馈给蚁群搜索。实验结果表明,改进的算法在解决顶点数较大的图着色问题上有明显的优势。     

改进的遗传蚁群混合算法在 TSP 中的应用

针对遗传算法和蚁群算法的不足,提出一种改进的遗传蚁群混合算法。该混合算法通过判定最优解的改良情况,将遗传算法和蚁群算法动态串行融合,以充分利用遗传算法的全局搜索能力和蚁群算法的正反馈机制。同时,依据信息素在正反馈过程中的重要作用,提出一种改进的带奖惩项的信息素更新机制。仿真计算结果表明,本文提出的混合算法在求解TSP方面,收敛速度和求解质量均较传统的遗传算法及蚁群算法要好。     

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。     

蚁群算法和遗传算法融合及其在有时间窗的车辆路径问题中的应用

针对基本蚁群算法搜索时间长、易陷入局部最优的缺点,提出了一种蚁群算法和遗传算法相融合的混合算法.该算法利用遗传算法全局快速收敛的优点,将遗传算法融入到蚁群算法的每一次迭代中,以加快算法的收敛速度,提高求解效率.实例运行结果验证了算法的有效性.     

基于蚁群遗传算法混合编程的函数优化

为研究连续函数优化问题,基于图解的蚁群系统,提出二进制蚁群算法,并实现与遗传算法混合编程,以提高求解效率。算例表明,蚁群-遗传算法混合编程求解连续优化问题,收敛速度快,计算精度高,可用于求解实际工程问题。     

遗传算法与蚂蚁算法的融合

遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，当求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低．蚂蚁算法是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度慢，算法是将遗传算法与蚂蚁算法融合，采用遗传算法生成信息素分布，利用蚂蚁算法求精确解，优势互补，仿真表明取得了非常好的效果。     

改进蚁群算法的无线传感器网络路径优化

研究无线传感器网络路径优化问题,针对无线传感器网络(WSN)路径优化问题,在分析了遗传算法和蚁群算法各自优缺点的基础上,通过把蚁群算法作为WSN路径优化的主框架,采用遗传算的选择、交叉和变异算子提高蚁群算法搜索速度,提出一种改进蚁群算法的WSN路径优化方法。仿真结果表明,改进蚁群算法有效地克服了基本蚁群算法的缺陷,提高了WSN路径优化效率和成功率,减少了能理消耗,有效延长了网络生存时间。     

蚁群算法的收敛性分析及其在TSP上的求解

根据基本蚁群算法的特点对其收敛性进行分析,给出寻找最短路径的蚁群算法收敛的充分条件.并把算法运用到旅行商问题上,试验结果表明该算法在求解TSP问题上解的精度优于组合优化算法以及遗传算法且收敛速度比较快.     

基于混合蚁群遗传算法的Agent联盟求解

针对混合蚁群遗传算法容易融合时机过早或过晚、种群进化经历的代数过多、效率低等问题,首先改进了蚁群算法,并将改进的蚁群算法和遗传算法结合,应用于Agent联盟求解.提出了基于混合蚁群遗传算法的Agent联盟求解算法(Hybrid Ant Colony and Genetic Algorithm,HAGA),算法的核心是动态寻找两个算法的衔接点,在该点左侧使用遗传算法,右侧使用蚁群算法.与其他传统算法的实验比较,证明了该算法在求解联盟的最优解的时问和精度上都有较高的效果.把HAGA应用于RoboCup 2D龙队客户端程序中,使用比赛分析工具软件SoccerDoctor对比赛结果进行了统计分析,结果显示龙队在诸多技术参数方面均占有明显优势.     

基于改进蚁群算法的云环境任务调度研究

针对蚁群优化算法(ACO)在解决大规模的组合优化问题时容易陷入搜索速度慢和局部最优的缺陷,进行算法的改进;结合遗传算法全局收敛的优点,将遗传算法融入到蚁群优化算法的每一次迭代中,加快其收敛速度,并引入逆转变异策略,避免了蚁群优化算法陷入局部最优;深入研究了改进的蚁群优化算法在云计算环境中的任务调度策略,并通过扩展云计算仿真平台CloudSim实现了模拟仿真;实验结果表明,此算法能够缩短云环境下的任务平均运行时间,提高了资源利用率。     

基于遗传蚁群算法的舰艇编队防空火力分配

提高舰艇编队的防空火力分配效率是海上防空中一件紧迫的任务.火力分配问题是NP难问题,经典的求解算法存在指数级的时间复杂度,启发性智能算法又易于陷入局部最优.提出一种基于拥挤替换思想的遗传蚁群算法用于解决水面舰艇编队防空火力分配问题,遗传算法阶段采用拥挤替换和时变性变异算子设计,以维持较好的种群多样性,蚁群算法阶段,由于有较好的初始信息素分布,在进一步求精解的时候能够避免陷入局部最优.仿真结果表明:新算法与其它算法相比,在优化性能和时间性能方面都有了较大的改善,并且分配问题规模越大,优势越明显,能较好地解决舰艇编队防空火力分配问题.     

基于动态融合蚁群遗传算法的医学图像配准

将基于动态融合的蚁群遗传算法作为一种新的图像配准优化算法应用在多模医学图像配准中。该算法以互信息作为相似性测度,生成初始信息素分布,采用蚁群算法搜索最优变换参数,其中动态融合策略提高了混合算法的搜索效率。仿真实验结果表明,该算法有效地避免信息函数的局部极值,减少大量重复运算,提高了配准的效率,配准结果具有良好的稳定性。