自适应步长萤火虫群多模态函数优化算法

针对萤火虫群优化(GSO)算法优化多模态函数存在收敛速度慢和求解精度低等缺陷,提出一种自适应步长萤火虫群多模态函数优化算法((SASGSO)。该算法解决了萤火虫群优化(GSO)算法优化多模态函数所存在的不足;同时SASGSO算法也可找到多模态函数的所有极值点。数值实验仿真表明,该算法具有操作简单、易理解、收敛速度快和求解精度高等优点。     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

面向多模态函数优化的改进小生境粒子群算法

为了保持群体多样性以增强全局搜索能力,小生境技术在遗传算法中得到了广泛应用.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法.数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性.将算法应用于图像配准实验中,使得配准参数估计误差有明显降低.     

基于凸壳预处理多态蚁群优化算法

针对传统蚁群算法存在搜索时间长、易出现早熟和停滞、易陷于局部最优解等缺陷,提出了一种基于凸壳预处理的多态蚁群优化算法.该算法融合快速凸壳查找、多蚁群协同以及信息素扩散等技术,使之更加接近自然界真实的蚁群行为.仿真实验表明,该算法比传统的蚁群算法具有更好的鲁棒性、能跳离局部最优解、收敛速度快、迭代次数少以及全局最优解能力强等特点.     

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.     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.     

多源扩散蚁群遗传算法

传统的遗传算法在处理多模态函数优化问题时,容易出现早熟收敛,并且局部搜索能力不强.根据蚁群信息素扩散和小生境思想,提出了一种多源扩散蚁群遗传算法.该算法采用了多源选取和保留机制,在每一代种群的个体中选出多个源中心点,并把这些点保留至下一代种群;同时每个源中心点都产生和扩散信息素以指导个体寻优.与简单遗传算法,模拟退火遗传算法和小生境遗传算法进行对比实验,数据表明该算法能搜索到更好的全局最优解,收敛速度更快.     

蚁群算法的并行性研究

并行计算作为现代计算机的一种重要的计算方法,在很大程度上优化了蚁群算法的计算过程.蚁群算法本身隐含着一定的并行性,从本质上来说,蚁群算法是以并行式的协同优化计算方式为特征,利用并行计算求出最优解.本文重点讨论蚁群算法的并行实现,并通过一个仿真实验验证并行优化蚁群算法在解决一个具有时变动态、连续、多输入、非线性系统的最优控制问题上的最优解决方法,得出蚁群算法在加速比上更具有优势.     

增强型的蚁群优化算法

旅行商问题是一个NP-Hard组合优化问题。根据蚁群优化算法和旅行商问题的特点,论文提出了对蚁群中具有优质解的蚂蚁个体所走路径上的信息素强度进行增强的方法,并同其他的优化算法进行了比较,仿真结果表明,对具有全局和局部最优解的个体所走路径上的信息素强度进行增强的蚁群优化算法比标准的蚁群优化算法和其他优化算法在执行效率和稳定性上要高。     

一种求解TSP问题的分段交换蚁群算法

介绍了一种求解TSP问题的分段交换蚁群算法。分段交换蚁群算法把小窗口、随机分段优化求解、模拟退火充分交换的思想引入蚁群算法,把蚁群算法和模拟退火算法融合。该算法在蚁群算法陷入局部最优解的情况下,能改进其局部最优解,并可减少迭代次数。仿真实验表明取得了较好的效果。     

网格环境中一种改进的蚁群任务调度算法*

针对在蚁群算法中初始参数设置对算法收敛性能的影响较大,提出了一种新的改进蚁群算法NACA(new ant colony algorithm),针对蚁群算法中的四个关键参数随机编码,得到初始的染色体,从而获得一组较优解;再利用遗传算法的优点对上一步的结果单点顺序交叉、对换变异、选择操作以产生更好的解;然后以这组数据为蚁群算法下一次的工作备选值,并进行最大次数的循环迭代直至停止,即求得参数组合的近似最优解。将它应用于网格系统任务调度中,系统的性能得到了明显的改善。仿真模拟结果表明,所提出的算法具有更短的调度长度和更宽的适应性,当任务已知时,执行时间约缩短了21.7%,且负载变化时对网格中各处理器资源的影响大大减小。     

快速蚁群算法求解圆排列问题

圆排列问题属于NP-完全问题,且蚁群算法已成功地解决了许多组合优化的难题。介绍一种基于蚁群算法求解圆排列问题的算法,并对此算法进行优化,提出一种求解圆排列问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验取得了较好的结果。     

基于群体分类的自适应蚁群算法

针对基本蚁群算法在求解能力方面的不足,提出一种基于群体分类的自适应蚁群算法.该算法在智能蚁群的基础上引入随机蚁群以便扩大搜索空间,不同蚁群实行各自不同的搜索前进策略和信息更新机制,并可通过调节随机蚁群与智能蚁群的比例来控制收敛速度.多个旅行商问题的仿真实验证明,相比ACS、MMAX算法,该算法的求解能力得到了改进.     

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。     

基于新颖蚁群算法的加工中心组成问题研究

针对蚁群算法求解加工中心组成问题易陷入早熟收敛状态的缺点,提出了将听觉信号、记忆矩阵与蚁群算法相融合的一种新颖蚁群算法。在仿真实验中,分别采用蚁群算法、加入听觉信号的蚁群算法、加入记忆矩阵的蚁群算法和新颖蚁群算法对加工中心组成问题进行求解。实验结果表明,新颖蚁群算法能够有效提高蚁群算法的全局寻优能力,收敛速度快,且所求得的组功效优于以上三个策略及以往的混合遗传算法。     

基于MATLAB的自适应蚁群聚类算法研究与仿真

介绍了蚁群算法和聚类分析,针对传统蚁群聚类算法参数设置对结果影响大的缺点,提出了一种自适应蚁群聚类算法。主要通过对传统蚁群算法的参数进行简化,增加对局部相似度的运算,使蚂蚁的移动具有一定的方向性,从而降低蚂蚁移动的随机性,对待聚类模式的主成分分析再进行聚类,简化聚类的过程。最后在MATLAB上做了仿真实验,实验结果分析表明,运用该算法能得到较好的聚类结果,从而说明该算法是可行的。     

混合行为蚁群算法在快递路径优化中的应用

将蚁群算法应用于快递路径选择上,并提出了混合行为蚁群算法,仿真结果表明该算法能有效提高收敛速度。     

粒子群和蚁群融合算法的自主清洁机器人路径

为了克服粒子群算法和蚁群算法的缺陷,将改进的粒子群算法和蚁群算法进行融合,形成了PAAA算法,并将此算法应用于自主清洁机器人行为路径的仿真实验。结果表明：PAAA在求解性能上优于粒子群算法,在时间效率上优于蚁群算法。     

基于改进信息素的蚁群算法在QoS 组播路由中的研究

针对传统的蚁群算法在求解大规模旅行商问题时容易导致搜索时间过长或陷入停滞的问题,提出了一种基于改进信息素的蚁群算法。通过蚁群算法的改进,使得每轮搜索之后的信息素都能更好地反映解的质量。实验仿真结果表明,改进后的蚁群算法能获得比传统的蚁群算法更优的解,同时具有更快的收敛速度和较好的稳定性。