蚁群算法求解问题时易产生的误区及对策

蚁群算法是一种新型的模拟进化算法，具有智能搜索、全局优化、稳健性强、分布式计算等优点。是求解复杂的组合优化问题的有力工具。该文对蚁群算法的应用进行了研究，指出了应用该算法时易产生的几个误区，并提出了相应的对策。     

蚁群算法优化策略及其仿真研究

蚁群算法广泛应用于求解组合优化问题,但基本蚁群算法与其他模拟进化算法存在进化速度慢并易于陷入局部最小等缺陷。论文应用蚁群算法求解最短路径问题,从信息量的更新方式、局部搜索策略及参数选择等方面提出相应的改进策略。通过TSP问题的仿真表明,改进算法能够加快收敛速度,节省搜索时间,而且能够克服停滞行为的过早出现。     

基于指导变异蚁群算法的PID控制器优化

蚁群算法是意大利学者Dorigo于1991年提出的一种模拟进化算法,蚁群算法提出后却在组合优化中获得广泛的应用,如调度、二次分配和网络路由等,本文将蚁群算法进行改进并应用于PID控制器优化,得到了良好效果。     

蚁群和微分进化相融合的自适应优化算法

为解决复杂函数的全局优化问题,提出一种蚁群和微分进化相融合的自适应优化算法。采用微分进化算法的变异和交叉操作避免蚁群算法过早收敛,使用蚁群算法的寻优路径信息素正反馈机制来加速微分进化算法收敛于最优路径,并自动调整搜索范围。实验结果表明,与蚁群算法和微分进化算法相比,该算法全局优化的搜索效率较高。     

一种改进蚁群算法的仿真研究

最新研究表明蚁群算法是一种基于群体的强鲁棒性的进化算法,其基本思想是模拟蚂蚁的合作行为,通过其内在的搜索机制,成为求解组合优化问题的新的进化算法。但是,蚁群算法也有收敛速度慢,容易陷入局部最优的缺点。本文介绍蚁群算法的模型及其存在的问题,并提出了一种改进形式。针对TSP问题的仿真实验结果,表明了该改进算法的有效性。     

求解带时间窗车辆路径问题的混合蚁群优化算法

为求解带时间窗车辆路径问题,提出一种混合蚁群优化算法,利用两个隔离的种群同时进化的方式,有效避免了两种算法的缺点,种群Ⅰ应用蚁群算法可以丰富解得多样性,种群Ⅱ则应用粒子群算法来强化进化过程.种群Ⅰ通过局部搜索、复制、重组和选择等操作来保持种群广泛搜索的能力,种群Ⅱ则依靠复制、局部优化、交叉和选择等操作以快速获得高质量解并经常更新得到的解.对100个基准问题进行仿真测试,实验结果表明,与其他算法相比,利用蚁群粒子群混合优化算法能够快速有效地获得近似最优解.     

基于蚁群算法的PID参数优化设计

蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值.     

一种改进的蚁群算法求解最短路径问题

蚁群算法是一种新型的模拟进化算法,为求解复杂的组合优化问题提供了一种新的思路。该文应用蚁群算法求解最短路径问题,对算法的选择策略、局部搜索、信息量修改三方面进行改进,使算法不易陷入局部最优解,并且能较快地收敛到全局最优解。实验结果表明,改进方法是合理的、有效的。     

蚁群系统模型的比较及参数优化

蚁群算法是一种模拟进化算法,根据信息素更新策略的不同,蚁群系统模型分为蚁密系统、蚁量系统和蚁周系统。本文对三种模型的原理、特点进行研究,并通过仿真实验分析三种模型的性能及参数对其性能的影响,进而提出的参数优化规则,有利于蚁群算法在组合优化问题中的推广和应用。     

蚁群算法在数据挖掘中的应用研究

蚁群算法是一种新型的模拟进化算法,在求解复杂的组合优化问题中获得成功并表现出良好的性能。文章介绍了蚁群算法在分类和聚类两个重要的数据挖掘任务中的应用研究情况,阐述了算法的基本原理及特性,最后总结了蚁群算法在数据挖掘应用中尚待解决的问题。     

改进型蚁群算法的多处理机任务调度研究

蚁群算法是一种新型的模拟进化算法,具有正反馈、分布式计算等特点,是一种解决组合优化问题的有效算法。在介绍蚁群算法基本原理以及探讨该算法的缺陷基础上,针对多处理器任务调度问题,提出了一种基于改进型蚁群算法的调度策略。仿真研究表明,该算法具有优良的全局优化性能,效果令人满意。     

带杂交算子的蚁群算法

蚁群算法是一种由意大利学者Macro Dorigo等提出的新型模拟进化算法,它具有许多优良性质,因此被广泛用于求解组合优化问题。但基本蚁群算法有许多不足。特别是许多搜索速度慢,且容易陷入局部最优。该文针对这个问题提出了一种改进算法。该算法通过引入遗传算法中用到的杂交算子来改善蚁群,使其对应的问题的解更加优良,用改进算法求解TSP问题的结果表明改进算法是有效的。     

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.     

蚁群算法及其应用研究进展

蚁群算法作为一种仿生进化算法,是受到真实蚁群觅食机制的启发而提出的.首先介绍了蚁群算法的基本原理和工作机制,然后分别就蚁群算法的理论和应用的研究现状进行了综述,主要包括蚁群算法的参数设置,蚁群算法的改进,蚁群算法的收敛性以及蚁群算法在组合优化问题和连续优化问题中的应用,并进一步给出了它们的研究重点和发展方向,最后是关于蚁群算法的研究展望和面临的挑战,提出了蚁群算法研究中值得探讨的一些课题.     

蚁群算法的研究现状

蚁群算法是一种新型的模拟进化算法，研究表明该算法具有很好的通用性和鲁棒性．在离散的组合优化问题中实验，取得了良好的效果。介绍了蚁群算法的原理，对目前蚁群算法的研究进展情况进行了分析，同时对比国内外的研究状况提出了自己的观点，以推动该算法在更广阔的领域内得到应用。     

蚁群系统模型的比较及参数优化

蚁群算法是一种模拟进化算法，根据信息素更新策略的不同，蚁群系统模型分为蚁密系统、蚁量系统和蚁周系统。本文对三种模型的原理、特点进行研究，并通过仿真实验分析三种模型的性能及参数对其性能的影响，进而提出的参数优化规则，有利于蚁群算法在组合优化问题中的推广和应用。     

浅析蚁群算法的原理及应用方向

蚁群算法是一种模拟进化算法,是意大利学者M.Dorigo在自然界中真实蚁群集体行为的启发下,于1991年提出的一种基于蚂蚁种群的新型优化算法,并用该算法解决了一系列组合优化问题。大量实验结果表明该算法具有良好的解决复杂问题的能力。本文从蚁群算法的基本思想入手,分析了蚁群算法的原理及当前的主要应用方向。     

一种基于免疫遗传的多路搜索蚁群动态路径诱导算法

在交通路径诱导过程中,为了优化出行者的路径选择,提出一种用免疫遗传算法与蚁群系统算法相互融合的算法,主要利用了蚁群系统算法的动态性、正反馈性和分布式计算的优点;同时兼容了免疫遗传算法的全局搜索能力以及容易和其他算法相结合等特点.蚁群系统算法的动态性能够满足交通道路动态变化的各种因素,但是蚁群系统算法固有的缺点是容易陷入局部最优和进化速度缓慢,为了改善蚁群系统算法陷入局部最优的缺点,采用免疫遗传算法的全局搜索的思想来对蚁群系统算法进行改进,避免了蚁群系统算法陷入局部最优的缺点.为了提高算法的进化速度,本文提出了基于多路搜索的蚁群系统算法,能够更好地加快收敛速度,满足交通动态变化的需要,并且满足出行者的需要.在算法的研究过程中,进行了两部分实验对算法进行了论证,在eil51问题中,算法与其它算法相比证明可以得到更优的解;在MapX环境下模拟现实交通状况,运用算法寻找最佳路径,证明了本文提出的算法能够在实际的道路状况中找到满足出行者需求的道路.     

基于蚁群算法WDM网络故障恢复路由研究

蚁群故障恢复算法是一种新颖的模拟进化算法.该算法基于群以正反馈作为首要的搜索机制,为复杂的组合优化问题提供了一种新方法.本文在传统蚁群算法的选择策略,本地搜索,以及信息更新三方面做出改进.改进后的算法用于解决渡分复用光网络中不同故障条件下的优化恢复路由问题.通过对一个典型网络CHINANET的数值仿真,证明了蚁群故障恢复算法在WDM网络中故障恢复路由的可行性.     

蚁群算法的改进及在TSP问题上的仿真验证

蚁群算法是一种新型的模拟进化算法，具有正反馈、分布式计算等特点。在介绍蚁群算法基本原理的基础上，针对基本蚁群算法求解速度缓慢、容易陷入局部最优等特点，采用分区搜索的思想，提出了一种改进的蚁群算法。它将搜索区域分成几个较小的区域进行局部搜索，得到了局部较优解，以此产生蚁群算法在全局搜索时的初始信息素分布，并结合局部与全局信息素调整等策略，大大地加速了算法的收敛速度。在TSP旅行商问题上的仿真验证表明它是可行性和有效性的。