基于协同合作的蚁群优化算法

蚁群优化是一种模拟蚂蚁觅食的群集智能搜索算法,基本蚁群算法收敛性较差,易陷入局部最优解。本文在基本蚁群算法的基础上,提出一种新的蚁群优化算法,通过在信息素局部更新中引入信息素扩散模型,在信息素全局更新中引入随机扰动机制,发挥蚂蚁之间的协同合作能力,提高了算法的收敛速度。以TSP为例的仿真实验表明,该算法具有较强的寻优能力、较好的鲁棒性和有效性。     

蚁群优化算法的收敛性分析与研究

蚁群算法本身存在收敛速度慢、容易陷入局部最优解的缺陷,针对该缺陷提出一些改进的蚁群优化算法。主要讨论蚁群优化算法的收敛性理论及应用,得出蚁群系统和最大最小蚂蚁系统的性能好于蚂蚁系统,而且最大最小蚂蚁系统的性能最好,蚁群系统和最大最小蚂蚁系统是值收敛的,一种特殊的ACOgs,ρ(θ)算法是解收敛的。     

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.     

单变量边缘分布算法与蚁群算法的混合算法收敛性分析

智能混杂算法是当前智能优化算法的研究热点,可以融合多种优化算法的优势,提高算法的性能。单变量边缘分布算法具有大范围快速全局搜索能力,但不能很好地利用系统中的反馈信息;蚁群算法是一种并行的分布式正反馈系统算法,但其初期信息素匮乏,求解速度慢。将单变量边缘分布算法与蚁群算法相结合,可以优势互补。基于上述思想,提出一种基于单变量边缘分布算法与蚁群算法混合的算法,并运用马尔科夫随机过程理论对该算法的收敛性进行了分析,结果表明了该算法的优化解满意值序列是单调不增的和收敛的。     

基于改进蚁群算法的物流配送车辆路径优化研究

蚁群算法具有十分广阔的应用前景,但蚁群算法在求解路径优化问题中存在收敛速度慢、易陷于局部最优路径等缺点。文章通过改进传统的蚁群算法,使蚁群算法求最优解的性能显著提升,大幅提高了物流配送的效率。     

蚁群算法的几乎处处强收敛性分析

蚁群算法是一种新型的模拟进化算法,已在很多组合优化问题中得到成功应用,但其收敛性分析还比较缺乏.以TSP问题来描述一类蚁群算法的数学模型,并通过对状态空间的分解和反射壁的构筑,从鞅理论角度论证了该类蚁群算法的几乎处处强收敛性以及能在有限步内收敛到全局最优解集,试图为蚁群算法的研究探索一条新的思路.     

基于多目标优化的联合作战用频规划方法

为全面描述联合作战用频规划问题,引入多目标优化理论,以干扰冲突最少、需求满足最高和邻频风险最低作为优化目标建立了多目标的联合作战用频规划模型,并提出一种求解联合作战用频规划问题的非支配排序蚁群算法. 在蚁群初始化阶段使用带贪心策略的爬山算法获取次优解集合以提升蚁群前期收敛速度,并运用社团检测机制将用频装备分簇以减少电磁干扰分析的计算复杂度从而加快算法进程. 同时,在算法每次迭代中对得到的用频规划方案执行调度改进操作,并自适应调整信息素挥发系数等参数,以提升算法全局优化性能. 仿真实验验证了模型的有效性,并通过反转世代距离与超体积指标证明了算法在收敛性、分布性与收敛速度上的优越性.     

单目标-多条件约束S-P网络可靠性优化的微粒群算法

研究2-状态单目标-多条件约束串-并联(S-P)网络的可靠性优化问题(RAP)。设计了具有压缩系数的离散型微粒群算法进行求解,采用Matlab编程对问题实例进行模拟仿真,结果表明,对于合理选择的初始解与算法参数,微粒群算法每次运行都收敛,并且能够收敛到最优解。通过与传统的智能算法(模拟退火算法、蚁群算法、遗传算法)比较,微粒群算法具有初始解容易选择、参数易于设置,收敛性好、收敛快的优势。     

基于蚁群算法求解TSP问题的参数优化与仿真

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性.阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响.对该算法做了一些改进尝试,仿真研究表明这些改进能在一定程度上使得算法取得更优的值.     

高阶累积量盲均衡算法的优化设计

基于高阶累积量盲均衡算法的优化设计,提出了一种新的盲均衡算法。该算法通过引入优化思想,利用模拟退火算法来对高阶累积量的SW准则进行优化;利用模拟退火算法的全局收敛性以及快速收敛性,提高了算法的性能。计算机仿真结果表明,该算法具有较好的收敛性能及抗误码性能。     

蚁群-遗传算法的无线传感器网络路径优化

为了提高无线传感器网络路径优化效率,快速找到最优路径,提出基于蚁群-遗传算法的传感器路径优化方法.利用遗传算法的快速全局搜索能力和蚁群算法的正反馈机制,实现了两种算法的融合.仿真结果表明,蚁群-遗传算法在时间和性能上都优于单独的蚁群算法和遗传算法,能快速找到无线传感器网络最优路径,有效延长了网络的生命周期.     

基于改进蚁群算法的车辆路径优化模型

在分析基本蚁群算法的基础上,针对交通路径的特点,提出了适合于求解路径规划的改进型算法。在原有算法的基础上引入了启发式因子,提高了算法初期的收敛效率,减少了计算。详细分析了参数α,β对蚁群算法速度与结果准确性的影响,提出了参数自适应调整的方案,提高跳出局部优解的能力以及算法的全局收敛性。改善了解的质量。根据仿真结果,将改进蚁群算法与基本蚁群算法进行了比较,结果表明改进后的算法各方面均优于基本蚁群算法,验证了改进型算法可行性和高效性。     

基于遗传因子的自适应蚁群算法最优PID控制

蚁群算法是一种新型的模拟进化算法,重点始于组合优化问题的求解.作者运用该算法优化PID控制参数,但在基本蚁群算法中,存在收敛速度较慢,易出现停滞,以及全局搜索能力较低的缺陷.论文提出了一种具有遗传因子的自适应蚁群算法最优PID控制参数的方法,设计出参数优化图.该方法克服了基本蚁群算法的不足,能够满意地实现PID控制参数优化.仿真结果与Z-N法、遗传算法、基本蚁群算法相比较,优化效果明显得到改善.实验表明,该方法对于控制其他对象和过程也具有应用价值.     

遗传蚁群禁忌融合算法的研究

通过对遗传算法、蚁群算法和禁忌搜索算法三种算法的分析研究,针对其各自优缺点,提出一种融合遗传算法、蚁群算法和禁忌搜索算法的融合算法。融合算法是采用遗传算法生成初始信息素分布,利用蚁群算法快速求精确解,同时将遗传禁忌算子引入到蚁群算法的每轮迭代中,有效解决了蚁群系统初始信息素匮乏、易陷入局部最优和收敛速度慢的缺点,实现优势互补。通过NP-hard30问题仿真实验,结果显示算法具有良好的寻优能力和寻优效率。     

基于遗传蚁群优化算法的认知无线电频谱分配

针对认知无线电中的频谱分配问题,提出一种融合了遗传算法和蚁群算法优点的频谱分配方法。该方法利用遗传算法快速随机的群体性全局搜索能力生成初始解,然后利用衔接策略将遗传算法初始解转化为蚁群算法所需的信息素初始分布,最后利用蚁群算法正反馈、收敛高效的特点求取最优解。通过仿真比较了该方法与颜色敏感图着色算法的性能。结果表明动态融合了遗传算法和蚁群算法的优化算法性能明显优于颜色敏感图着色算法,它能更好地实现网络效益最大化。     

基于蚁群算法的网络层析故障链路诊断

为了解决网络层析成像中链路故障诊断的NP难问题,提出一种基于蚁群算法的故障链路诊断方法。首先将问题建模成一个组合优化问题,利用蚁群算法在解决组合优化问题中独特的优势进行求解。不同于传统的蚁群算法,求解故障链路时蚁群在初始放置点和可行路径上都受约束。为了加快算法的收敛速度,对蚁群算法的初始信息素浓度进行优化。仿真结果表明,所提出的算法在故障链路检测中具有较好的精度和召回率。     

基于栅格模型机器人路径规划的量子蚁群算法

针对复杂环境中移动机器人路径规划问题,提出了一种基于量子-蚁群算法(QACA)融合的路径规划算法。该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素,增加位置的多样性,加快算法的收敛速度。通过仿真实验表明,该算法可增加算法的随机性,较传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力,即使在障碍物较复杂的环境下,也能迅速规划出一条最优路径。     

P2P网络架构下蚁群算法的应用研究

蚁群算法(ACO)是一种新型的模拟进化算法,是受自然界中蚂蚁搜索食物行为启发而提出的一种智能优化算法。探讨了P2P网络架构下蚁群算法的应用,对在P2P网络架构下怎样使用蚁群算法解决网络服务中的Peer间的通信和路由、服务注册和查找等问题进行了研究。采用的蚁群算法在性能和收敛性速度上优于常规算法。