一种基于免疫蚁群混合算法的TSP求解模型

为了解决传统蚁群算法搜索速度慢、容易出现早熟、停滞的缺点,以及传统免疫算法由于反馈信息利用不足存在大量无为的冗余迭代导致求解效率低的缺点,提出了一种蚁群与免疫克隆相结合的混合算法,该算法在前期采用免疫算法来产生蚁群算法的初始信息分布,在后期根据路径浓度抑制机制调整路径上的信息量,从而保持了蚁群多样性,并将该算法用于求解旅行商问题进行计算机仿真,从实验结果可以看出,该算法具有针对性的改进,是一种收敛速度和寻优能力都较好的优化方法.     

综合时间序列分析和新颖性的信息扩散预测

现有信息扩散预测普遍依赖于社会网络构建,从而引发网络链路估计准确率低,信息扩散预测精度差的问题,为此提出了一种综合时间序列分析和信息新颖性的信息扩散预测方法.通过分析信息在网络节点上扩散随时间的变化特性,对网络节点的全局影响力进行估计,并考虑信息产生至节点受影响的时间差来衡量信息新颖性,进而平移调整节点影响力大小,最终实现信息扩散范围的预测.向斯坦福大学所提供测试数据的实验结果表明,新方法准确稳定地预测了信息扩散范围的实时变化.     

基于改进蚁群粒子群算法的移动机器人路径规划

全局静态地图下,针对蚁群算法规划机器人移动路径时存在计算时间长、搜索效率低,并且得到的优化路径转弯次数过多的问题,提出了一种改进蚁群粒子群算法：首先利用粒子群算法快速得到蚁群算法初始信息素,然后进行蚁群算法路径规划,对得到的路径采用惯性优化,对每个节点进行遍历,当 ２个节点间的路径上无障碍物时,将中间节点删除,转换为优化路径。仿真实验表明,该方法与传统蚁群算法及相关改进算法相比,能有效减少迭代次数、提高搜索效率、减少转弯次数、缩短路径长度,从而提高路径质量。     

蚁群算法融合粗糙集理论的属性约简算法

为了克服属性约简过程中寻找最小属性集算法存在时间复杂度高搜索空间大等不足,把属性抽象为节点,通过蚁群算法搜索得到节点的最少组合,使得其能代替原有的属性节点并保持决策系统的粗糙分类能力.针对蚁群算法初期信息素匮乏,收敛速度慢的问题,将蚁群算法和粗糙集理论融合,采用粗糙集理论的相关算法确定属性核,并将其作为蚁群算法的初始节点.利用蚁群算法的搜索能力,用于最小属性集的搜索.理论分析和实验结果表明,该算法可行有效.     

蚁群算法中改进的蚂蚁选择城市概率公式

在经典蚁群算法中,蚂蚁利用节点之间的局部信息素浓度和节点之间距离作为参考标准选择节点。文中利用历代最短路径作为蚂蚁选择节点的启发式信息,改进传统蚁群算法并结合旅行商问题实验结果中的最优解、平均解,均优于标准蚁群算法。     

基于 k-m eans 算法改进的蚁群聚类算法

传统的k-means算法是一种局部搜索算法,对初始化敏感,容易陷入局部极值。针对此缺点,提出一种基于k-means算法的改进的蚁群聚类算法,选择相距最远的处于高密度区域的k个数据对象作为初始聚类中心,把正反馈、精英机制和变异算子引入到蚁群聚类。实验结果证明,算法不仅对初始数据具有弱依赖性,而且能够提高聚类的准确率,加快收敛。     

用于连续函数优化的蚁群算法

为了用蚁群算法来解决连续优化问题，该算法将函数优化问题中生成解的过程转化为蚁群每前进一步就选择一个十进制数字并以此来生成一个十进制串的过程。与普通蚁群算法相同，蚁群在选择数字的过程中将一定量的信息记录在每条选择的路径上以改变下一次蚁群选择各个数字的概率。实验数据表明，文中的函数优化算法能比遗传算法以及其他用于连续优化的蚁群算法更快地找到更好的解。这种算法为蚁群算法求解连续优化问题提供了一种新的方法。     

蚁群算法在TSP中的仿真应用及最优参数选择研究

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。论文阐述了蚁群算法在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。仿真研究表明蚁群算法中的参数对于TSP的求解有较大的影响,通过最优参数的正确选取,能使得算法取得更优的值。     

SDN中基于遗传蚁群优化的测量节点选择方案设计

SDN中的测量节点选择问题其本质为最小顶点覆盖模型的求解,然而流量路由信息的保护造成基于流的动态测量节点选择方案失效,只能转向静态测量节点选择,目前的静态测量节点选择算法存在测量精度较低、运行时间长等问题。本文针对SDN中测量节点选择算法性能受限问题,设计了一个基于遗传和蚁群算法的测量节点选择方案,该方案所设计的G-ACO算法将遗传算法和蚁群算法进行动态融合,并将其应用于解决最小顶点覆盖问题,有效提升最小顶点覆盖模型求解速度。最后,在SDN仿真网络环境下以4个不同数量级的网络拓扑进行节点选择方案验证,与其他算法进行对比分析,G-ACO遗传蚁群优化算法具有更好的寻优能力、算法稳定性。     

基于改进蚁群算法对最短路径问题的分析与仿真

使用传统蚁群算法求解图的最短路径问题时,随着节点的增加会出现搜索速度变慢且易于陷入局部最优解.针对这个问题,提出一种改进的蚁群算法,通过引入搜索方向和搜索热区机制提高算法的搜索性能.仿真实验证明：改进的蚁群算法较传统的蚁群算法具有更高搜索速度且容易得到全局最优解.     

基于改进蚁群的BP神经网络WSN数据融合算法

为了保证无线传感器网络（WSN）在深井中能有效地工作,提出了一种改进蚁群的反向传播（BP）神经网络WSN数据融合算法（IFA-IACOBP）.通过规划蚂蚁运动方向和引入节点剩余能量对蚁群算法启发因子进行改进,优化蚂蚁下一跳节点选择概率,利用改进后的蚁群算法对BP神经网络进行优化,引入井下WSN数据融合,数据经两级融合处理后,能去除大部分冗余信息.仿真实验结果表明,IFA-IACOBP算法能有效减少网络数据通信量,提高数据实时性,降低网络能耗,延长网络寿命.     

基于蚁群优化的内容中心网络服务节点选取算法

内容中心网络是一种全新的网络体系结构,通过内容名字进行寻址和路由.然而,现有的CCN路由在多个服务节点存在时采用全转发策略,导致不必要的资源开销.如何选取最优的服务节点成为CCN路由的一个重要研究课题.蚁群优化是一种启发式算法,通过发送探测蚂蚁来寻找最优解.在对CCN服务节点选取问题分析的基础上,基于蚁群优化机制,提出了一种分布式的服务节点选取算法ADSS.仿真结果表明,ADSS能够显著地提高内容路由性能,减少CCN节点上缓存内容的动态性.     

基于蚁群算法的产品销售渠道优选策略

鉴于蚁群算法具有较强的发现优选解的能力,将其用于产品销售渠道的优选问题中。当企业收集到某种新产品在可能销售地点的销售收益时,可以利用蚁群算法,求得在已知产品销售渠道和销售支出费用上限的约束条件下的最大销售收益。提出了基于蚁群算法的问题流程图,以实例分析证明了蚁群算法在产品销售渠道优选问题上,具有一定的有效性和较快的收敛速度。     

WSN中一种新的基于蚁群优化的路由算法

针对无线传感器网络路由中网络节点能量和生存时间受限问题,提出了一种基于蚁群优化的WSN分簇路由算法.算法引入蚁群优化,对网络覆盖区域内的节点进行分簇处理,簇内利用蚁群优化算法进行最优路径搜索.仿真结果表明:该算法能有效平衡网络节点间能耗,延长网络生存期,蚁群增强了最优路径的可靠性,进一步降低了网络能耗.     

基于蚁群优化的WSN网络数据融合算法

为了减少WSN网络中数据传输量、优化无线传输距离,提出了一种基于蚁群优化的WSN网络数据融合算法.该算法构造数据融合树并根据WSN网络的传输特点改进了蚁群算法,考虑了路径偏转角对路由的影响,调整节点选择概率;同时对最优的多个路径更新信息素,以提升最优路径的全局搜索能力.在WSN网络节点能量消耗、传输延迟方面与经典算法对比,发现该算法能够有效延长网络的生命周期、降低节点能耗,并能改善网络负载均衡.     

基于改进的蚁群算法的教室管理优化问题

给出了教室管理问题的一种改进的蚁群优化方法.考虑教室容量、课间距离和单双周课程等因素,对抽象出的数据按优化方向排序,将教室管理问题简化为带权二部图的完备匹配问题; 然后运用基于超立方框架的最大最小蚁群算法进行求解.为有效减少搜索空间,该算法按照教室类型对二部图结点进行分块搜索.实验表明,与基本蚁群算法相比,该算法在解决教室管理优化问题上能得到较优解.     

基于知识库的动态蚁群算法

针对蚁群算法收敛速度慢、易陷入局部极值等问题,将其与知识库结合,提出了基于知识库的动态蚁群算法.知识库包括算法知识、规则知识和案例知识,存储了定性或定量的算法参数、参数选择方法和历史数据.基于知识库和问题特性,本算法产生初始状态并动态调整参数,在运行过程中根据赌轮法选择算子并适时引入扰动,在不影响搜索过程随机性的前提下较快地收敛于全局最优值.分别用本算法和其他主流算法解决TSPLIB中的Eil51和CHN144实例,比较优化性能、时间性能和鲁棒性3个指标,结果表明本算法均有明显优势.