改进蚁群算法的TSP问题研究

蚁群算法是受蚂蚁觅食行为启发的智能仿生优化算法,在求解TSP这一组合优化问题时行之有效。笔者针对基本蚁群算法求解TSP时存在易于陷入局部最优解、过早停滞的缺陷,结合引入参数、分阶段迭代对基本蚁群算法做出改进,并将改进的蚁群算法与基本蚁群算法解决旅行商问题的实验结果进行对比分析,验证改进蚁群算法的效果。     

基于蚁群算法的物流车辆监控及调度系统设计

物流车辆的监控以及调度关系着企业的成本与利润，因此，需要对企业的物流配送方法进行合理规划。研究中采用了蚁群算法进行路径的规划，实验中对信息素的增量函数进行了优化，同时利用爬山操作来优化蚁群算法。结果显示当信息素挥发因子ρ=1时，改进后的爬山蚁群算法在迭代至16次时开始大幅收敛；当迭代次数为45时，接近最优解；该算法比基础蚁群算法的精度提升了14.23%。在B公司的案例分析中，当客户数量为100时，爬山蚁群算法的使用车辆数为22,成本为5 798.6元，客户满意度为96.8%。实验证明改进的蚁群算法能够有效用于物流车辆的监控及调度中。     

基于正交实验的蚁群算法在车间调度问题中的应用

提出用正交实验的方法来设置蚁群算法在求解车间调度问题的参数。蚁群算法在求解车间调度问题时的性能大部分依赖于参数的设置,各参数的值不同,则蚁群算法的收敛速度和得到的解也不同,使用正交实验的方法来测试各个参数对蚁群算法性能的影响,通过对实验结果的分析可得出参数的最佳组合方案。用经典的JSP的样例对这种组合方案进行了测试,实验结果表明用正交实验法得到的蚁群算法的参数设置方案可以加快算法的收敛速度,使算法能够得到问题的最优解或近似最优解。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

基于信息融合的分布式多维自适应蚁群优化算法研究

通过参数优化、与其他优化算法融合等手段对蚁群算法进行改进,能有效地提高蚁群算法的全局寻优能力,改善其收敛性能。随着搜索路径多维,以及复杂分布式系统蚂蚁迭代次数的增加,蚁群动态多样性逐渐消失,容易陷入局部最优。通过对蚁群算法存在的问题进行分析,设计了多维系统各子蚁群时间同步方案以及信息融合时间窗口开启策略;针对影响蚁群算法的主要参数,提出动态认知的参数自适应调整改进算法,实现算法初期路径选择的多样性、成熟后可提高算法的寻优效率。以解决TSP问题为例,对启发式因子、信息素挥发因子等主要参数对蚁群最优路径影响进行仿真分析。     

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。     

蚁群算法参数对物流配送路径问题求解的影响

描述了蚁群系统算法求解物流配送路径问题的过程;通过仿真实验分析了蚁群系统算法中各参数对物流配送路径问题求解的影响.     

一种基于粒子群参数优化的改进蚁群算法

蚁群算法是一种应用广泛、性能优良的智能优化算法,其求解效果与参数选取息息相关.鉴于此,针对现有基于粒子群参数优化的改进蚁群算法耗时较大的问题,提出一种新的解决方案.该方案给出一种全局异步与精英策略相结合的信息素更新方式,且通过大量统计实验可以在较大程度上减少蚁群算法被粒子群算法调用一次所需的迭代代数.仿真实验表明,所提出算法在求解较大规模旅行商问题时具有明显的速度优势.     

蚁群遗传混合算法

提出了一种蚁群系统与遗传算法融合的算法。将遗传算法加入到蚁群系统的每一次迭代过程中，利用遗传算法全局快速收敛的优点，来加快蚁群系统的收敛速度。并且遗传算法中的变异机制，帮助提高了蚁群系统跳出局部最优的能力。不仅阐述了新算法的原理，而且以旅行商问题为例进行了仿真实验，实验结果表明新算法在求解时间和求解质量上都取得了很好的效果     

蚁群聚类组合方法参数M的研究

蚁群算法中参数在不同取值情况下,常常会对算法的性能和求解效率产生重大影响。该文在基于蚁群聚类组合方法的研究基础上,重点研究了蚁群聚类组合方法KMAOC算法中蚁群算法参数蚂蚁数m对KMAOC算法性能的影响,对KMAOC算法中的参数蚂蚁数m分别取值进行实验,通过几组实验验证提供了KMAOC算法中参数蚂蚁数m配置的较好建议。     

基于群体分布的自适应差分进化算法

差分进化算法是一种简单有效的启发式全局优化算法,但是其优化性能受差分进化策略及控制参数取值的影响较大,不合适的策略和参数容易导致算法早熟收敛。因此,针对差分进化算法搜索过程中变异策略和控制参数的选择问题,文中提出了一种基于群体分布的自适应差分进化算法(Population Distribution-based Self-adaptive Differential Evolution,PDSDE)。首先,设计适应因子以衡量当前种群的分布情况,进而实现算法所处进化阶段的自适应判断;然后,根据不同进化阶段的特点,设计阶段特定的变异策略和控制参数,并设计自适应机制以实现算法策略和参数的动态调整,从而平衡算法的全局探测和局部搜索能力,以达到提高算法搜索效率的目的;最后,将所提算法与6种主流改进算法进行比较。15个典型测试函数的数值实验表明,所提算法在平均函数评价次数、求解精度、收敛速度等指标的评价优于文中给出的6种主流改进算法,因此可以证明所提算法的计算代价、优化性能和收敛性能更具优势。     

A Fuzzy Adaptive Differential Evolution Algorithm

The differential evolution algorithm is a floating-point encoded evolutionary algorithm for global optimization over continuous spaces. The algorithm has so far used empirically chosen values for its search parameters that are kept fixed through an optimization process. The objective of this paper is to introduce a new version of the Differential Evolution algorithm with adaptive control parameters – the fuzzy adaptive differential evolution algorithm, which uses fuzzy logic controllers to adapt the search parameters for the mutation operation and crossover operation. The control inputs incorporate the relative objective function values and individuals of the successive generations. The emphasis of this paper is analysis of the dynamics and behavior of the algorithm. Experimental results, provided by the proposed algorithm for a set of standard test functions, outperformed those of the standard differential evolution algorithm for optimization problems with higher dimensionality.     

A self-adaptive differential evolution algorithm for continuous optimization problems

This paper proposes a new self-adaptive differential evolution algorithm (DE) for continuous optimization problems. The proposed self-adaptive differential evolution algorithm extends the concept of the DE/current-to-best/1 mutation strategy to allow the adaptation of the mutation parameters. The control parameters in the mutation operation are gradually self-adapted according to the feedback from the evolutionary search. Moreover, the proposed differential evolution algorithm also consists of a new local search based on the krill herd algorithm. In this study, the proposed algorithm has been evaluated and compared with the traditional DE algorithm and two other adaptive DE algorithms. The experimental results on 21 benchmark problems show that the proposed algorithm is very effective in solving complex optimization problems.     

基于改进差分算法的变桨ADRC参数优化

自抗扰控制器是一类不依赖被控对象数学模型且具有较强鲁棒性及抗干扰能力的非线性控制器,已成功应用于风力发电机变桨距控制这一多变量、强耦合的非线性系统中,但自抗扰控制器也存在参数众多整定难度大这一明显缺点。现提出了通过智能算法来实现参数的自动整定。分析了改进差分进化算法的原理及步骤,并将改进差分进化算法应用到ADRC的整定过程中,实现参数的自动整定。仿真结果验证了通过改进差分进化算法自动整定ADRC参数的可行性,与传统PID控制器相比,改进差分进化算法整定后的ADRC能较好的满足风力发电机变桨控制要求,有效维持了风力发电机组输出功率的稳定性。     

基于克隆选择的差分进化算法及其在SVM中的应用

支持向量机参数是影响其性能的重要因素,但对支持向量机核参数的选取仍没有形成一套成熟的理论,从而严重影响了其广泛的应用。将克隆选择算法引入差分进化算法,对基本克隆选择算法和差分进化算法中的策略进行改进。将两种改进的算法进行融合,提出了一种基于克隆选择的差分进化算法,并将其应用于SVM核参数的优化中。测试结果表明,该算法不仅可以有效避免差分进化算法易早熟收敛的问题,而且寻优能力得到显著提高;在UCI数据库wine数据中的应用表明,利用克隆选择差分进化算法优化SVM核参数加快了参数搜索的速度,提高了SVM预测精度和泛化能力,具有较高的分类准确率和较好的推广性能。     

自适应调整控制参数的差异演化算法

控制参数选取是包括差异演化在内的演化算法设计时所面临的一个重要问题,对算法的性能有着重大影响.针对差异演化算法参数选取问题,提出一种利用个体适应度作为参数调整决策依据,并结合一定的调整概率对F和CR进行自适应调整的方法,解决了手工设置控制参数的不便.同时利用交叉操作生成双子代个体与父代个体竞争形成新一代种群,加快了算法的收敛.对标准测试函数的仿真实验结果表明,该算法无论在最优解质量和收敛速度上都优于相关算法,尤其对于高维函数而言.     

求解函数优化的新型差异演化算法*

针对差异演化算法存在早熟收敛和后期求解效率低的缺点,提出一种新型差异演化算法。该算法基于单种群,在演化过程中直接对当前种群进行变异、交叉和选择操作,无须差异演化算法中的中间过渡种群。此外,新型差异演化算法的变异与交叉概率是时变的,其中变异概率随着迭代次数的增加而减小;交叉概率随着迭代次数的增加而增加。对几个典型的测试函数进行仿真实验表明,该算法能够有效避免早熟收敛,改善了差异演化算法的优化性能。     

基于和声差分进化的UKF改进算法

无迹卡尔曼滤波(UKF)被广泛应用于工程实际中,但传统UKF在滤波过程进行无迹变换(UT)时的待选参数为固定值,这会带来一定误差.为了获取最优的待选参数,提出基于和声差分进化(HSDE)的UKF改进算法,并在目标跟踪中对该算法进行应用.和声差分进化算法对待选参数kappa进行最优选择,跳出局部最优的现象还有很强的收敛性,通过改进可进一步提高UKF算法滤波精度.Matlab仿真结果表明,基于和声差分进化的UKF改进算法精度更高.     

基于自适应差异进化法的电力系统无功优化

差异进化算法（DE）是一种新的进化算法,近年来的研究和应用已经展示出很大的应用潜力,但其中的某些参数需通过试验确定,影响了实用性。提出一种自适应差异进化算法（FADE）,能使算法的控制参数粮据求解问题的不同在优化过程中自适应发生改变,并应用于无功优化问题。通过IEEE-30节点算例系统的仿真结果证明,与DE和GA算法相比,模糊差异进化算法具有很强的自适应性及通用性。     

改进自适应微分进化算法求解全局优化问题

针对微分进化(DE: differential evolution)算法在进化后期收敛速度慢,收敛精度低,易陷入局部最优解等缺点。本文通过改进DE的变异方程,并引入一种新的控制参数自适应策略,提出了一种改进自适应微分进化(IADE: improved adaptive differential evolution)算法。进化过程中IADE将根据个体适应值与父代平均适应值之间的关系动态地调整控制参数。同时,采用10个常用于优化算法比较的标准函数对IADE和其它改进DE算法进行对比试验,实验结果表明IADE算法不仅能够显著地提高收敛速度和收敛精度,而且具有非常好的鲁棒性,从而使得该算法能够满足过程优化的实时性、准确性以及稳定性要求。