基于改进QACA的无人机集群任务分配算法

针对无人机集群多目标任务分配问题，提出在量子蚁群算法(QACA)基础上，融合克隆选择算法的交叉和克隆复制因子来提高算法的全局搜索能力，避免搜索过程陷入早熟收敛问题，然后利用量子蚁群算法快速搜索。仿真结果表明，该算法是求解无人机集群多目标任务分配的一种有效算法。     

一种求解连续对象优化问题的改进蚁群算法

蚁群算法在搜索过程中容易陷入局部最优解，且不适用于连续对象优化问题。文章针对这些问题．采用信息量变异、引入微粒群操作等方法进行改进，提出了一种引入微粒群操作的改进蚁群算法，并应用于求解连续对象优化问题。对几个典型复杂连续函数优化问题的测试研究表明，该改进算法不仅跳出局部最优解的能力更强．而且能较快地收敛到全局最优解，表明了算法的有效性。     

求解多目标资源分配问题的改进蚁群优化算法

多目标资源分配问题就是将有限资源分配到不同事件来获得预期目标.建立了多目标资源分配问题的数学模型,提出了一种有效求解该问题的改进蚁群优化算法：设计了一种多目标资源分配问题的可行方案构建机制,定义了蚁群优化算法中的信息素形式及其更新方式,提出了一种新的概率选择形式;通过以上改进有效地提高了蚁群优化方法的效率.为了验证此方法的有效性,将蚁群优化方法与混合遗传算法的实验结果进行了对比分析,证明此方法优于混合遗传算法.     

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。     

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.     

基于蚁群算法的旅行商问题的研究

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。对以蚁群算法为代表的群集智能的研究已经逐渐成为一个研究热点。蚁群算法在实际的生活中有很大的用处,比如求解旅行商问题,本文介绍了一种求解复杂TSP的蚁群算法,阐述了该算法的基本原理及实现过程,并且在本文中尝试用编码的形式将基本蚁群算法应用到求解旅行商问题中去。     

基于蚁群算法的旅行商问题的研究

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。对以蚁群算法为代表的群集智能的研究已经逐渐成为一个研究热点。蚁群算法在实际的生活中有很大的用处,比如求解旅行商问题,文章介绍了一种求解复杂TSP的蚁群算法,阐述了该算法的基本原理及实现过程,并且在本文中尝试用编码的形式将基本蚁群算法应用到求解旅行商问题中去。     

量子进化膜算法及其背包问题应用

量子进化膜算法是基于量子进化算法和膜计算所提出的一种分布式优化算法。将量子进化膜算法应用于0-1背包问题,讨论了基本膜个数的变化对背包问题求解的影响,找到最适合的基本膜个数,并分别与三种不同的量子进化算法进行对比实验,通过多组实例数据进行测试,结果表明该算法具有更高的求解性能。     

求解Job-Shop调度问题的改进蚁群算法

蚁群算法是一种新型的模拟进化算法,具有一些优良性质,但是蚁群算法容易陷入局部最优,且初期信息素匮乏导致求解速度慢.针对这一特点,在蚁群算法中引入遗传变异操作,并对蚁群算法做了改进.实验结果表明此方法行之有效.     

一种求解TSP问题的改进遗传蚁群算法

旅行商问题(TSP)是一种经典的组合优化问题.传统的蚁群算法运用正反馈和分布式计算机制,具有较强的鲁棒性.但是该算法搜索时间长、易出现早熟停滞现象.因此本文根据旅行商问题的模型特点,在蚁群算法的基础上针对TSP问题提出了一种新型的改进蚁群算法:即变参数选择城市策略,并且在交叉策略中选择PMX(Partially Matched Crossover)交叉策略.实验结果表明,与传统基本蚁群算法和遗传算法相比,能够较快地找到最优解,解的质量也相对较好,因此提高了蚁群算法对TSP问题的求解效率.     

一种改进的多目标蚁群优化算法

提出了一种改进的多目标优化问题的蚁群算法.算法选择进化算法的定义的时候,种群中一定数量的个体信息来源作为中心的扩散,多个中心点之间有一定的距离;群体中的其他个体按照离源个体最近的距离的原则归属于其中一个信息素扩散源;按照信息素扩散算法,每一信息素扩散源中的个体获得源于中心点的信息素;保留每一代群体中的中心点到下一代种群中,确保了收敛性和维护种群的多样性.最后利用多目标背包问题来测试算法的性能,并与MOA和NSGA-II算法进行了分析比较.结果表明,该搜索效率高,向真实Pareto前沿逼近效果好,得到传播的多种解决方案,是一个多目标优化问题的解决和有效的方法.     

蚁群混合遗传算法的研究及应用

为解决组卷过程中在一定约束条件下存在的多目标优化问题,结合蚁群算法和遗传算法各自的优点和它们融合的基础,提出了一种蚁群算法融合到遗传算法的策略:在组卷的前阶段利用遗传算法群体性全局搜索能力,快速形成初始解,在满足终止遗传算法的条件后,将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈、高效等特点快速形成试卷最优解。实践结果证明此算法改善了试卷的质量以及系统的运行效率,生成的试卷符合要求,达到预期的结果。     

一种基于Petri网的多目标无死锁蚁群调度算法

蚁群算法已被广泛应用于解决调度问题,针对资源受限的项目调度问题,死锁和多目标问题是重要的课题研究。文中针对具有死锁资源受限的多目标调度问题,采用Petri网模型,研究其蚁群调度算法,以紧急项目的完成时间和所有项目的完成时间最短为优化目标,并通过仿真实验验证了文中算法的有效性和实用性。     

Path planning algorithm for WCE with joint energy replenishment and data collection based on multi-objective optimization

Considering limited energy of the wireless charging equipment (WCE) in wireless rechargeable sensor network,an energy replenishment strategy and a data collection strategy are designed.On the basis of these,a path planning model for WCE with functions of joint energy replenishment and data collection based on multi-objective optimization is constructed with two optimization objectives,maximizing the total energy utility of WCE and minimizing the average delay of data transmission of all the sensor nodes in the network.To deal with it,a multi-objective ant colony optimization algorithm based on elitist strategy was proposed,where the state transition strategy and the pheromone updating strategy were improved.Then,the Pareto set was obtained in terms of this multi-objective optimization problem.The parameter setting of ant colony algorithm’s effects on the proposed algorithm were analyzed under 20 sensor nodes.50 groups of contrastive experiments show that the average number of energy utilization obtained by ES-MOAC algorithm is 4.53% higher than that of NSGA-II algorithm.The average number of average delay of all node data transmission obtained by ES-MOAC algorithm is 5.12% lower than that of NSGA-II algorithm.     

传感器组网新方法研究

提出了一种基于多目标蚁群优化算法的传感器组网节点快速选择方法，利用蚁群算法处理纯方位目标跟踪中需要同时满足目标定位精度和节点能量消耗这一多目标优化问题，计算机仿真表明，多目标蚁群节点选择方法所得到的跟踪精度和能量消耗比同条件下的最近邻法所得到的好。     

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.