模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

基于云计算的蚁群算法求解城市路网最短路径

为了解决在求解城市路网最短路径时遇到的数据量大的问题,提出了基于云计算的蚁群算法。该算法结合了模拟退火算法,在弥补蚁群算法缺点的同时,与MPI并行蚁群算法相比,随着节点数的增加运行速度明显加快。     

基于改进的文化蚁群算法求解最优路径问题研究

针对传统方法不能够有效的求解GIS最优路径问题,在文化算法的基础上提出了一种基于实际路况求解两地之间最优距离的蚁群优化算法.引入了表示天气、路况、驾驶员个人偏好等诸多不确定因素,并将改进的蚁群算法融入到文化算法当中,使蚁群算法具有群体空间和信仰空间并行进化的机制.群体空间采用改进的最大最小蚁群算法,从而有效的提高算法最优解的搜索能力和速度.通过模拟计算结果表明改进的算法求解实际最优路径在速度和精度上优于传统最优路径算法.     

改进蚁群算法在机器人路径规划中的应用

机器人路径规划是机器人技术研究中的一项关键技术。针对蚁群算法在求解机器人路径规划中准确性不高以及求解时间长的问题,提出了一种基于改进蚁群算法的机器人路径规划方法,采用栅格法构建了相应的数学模型。为了提高蚁群算法的全局搜索能力,防止算法早熟收敛,在状态转移规则中引入了随机策略;同时引入了基于狼群分配的策略来更新启发式信息,这样可以进一步提高算法的收敛速度。实验结果表明,改进的蚁群算法具有更强的全局寻优能力,求解时间更短,它可以有效地求解机器人路径规划问题。     

自适应蚁群算法在空间机器人路径规划中的应用

为了弥补传统路径规划方法缺乏足够鲁棒性的问题,采用自适应蚁群算法实现了空间机器人路径规划.针对传统蚁群算法在计算初期出现停滞的现象,修改了信息激素物质的更新方法.自适应蚁群算法根据学习次数和与最近障碍物的距离来调节信息激素物质.仿真结果表明,该算法在采用较少蚂蚁的情况下,与一般蚁群算法相比,能够快速找到理想路径.     

智能交通系统中车辆路径优化问题的研究

针对智能交通系统中的车辆路径优化问题,运用蚁群算法进行求解,并对状态转移概率公式的选择做出了调整,进一步对信息素挥发因子进行改进,从而改进了基本蚁群算法到一定阶段后容易陷入局部最优的缺点,提高了算法的运算速度。实例求解表明,改进蚁群算法在车辆路径优化问题中,可以快速有效地得到近似最优解。     

基于改进蚁群算法的动态多路径诱导系统研究

传统的动态路径诱导系统只能向出行者提供唯一一条最优路径,可能引起出行者的集聚反应,进而导致拥挤漂移问题的出现.本文提出了一种基于改进蚁群算法求解最短路径的方法,实现了动态路径诱导系统中最短路径的搜索.改进蚁群算法对信息素和启发信息进行标准化,消除量纲和取值范围的影响,引入方向函数作为新的启发式因子,使算法的收敛速度得到提高.仿真实验表明该方法收敛速度比较快,搜索结果比较合理、有效,能够满足动态路径诱导的实时性和快速性要求.     

自适应和最大最小蚁群算法的物流车辆路径优化比较

针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了自适应蚁群算法和最大最小蚁群算法进行车辆路径优化,分析、比较了这两种算法的不同并在Matlab上做了仿真。仿真实验结果显示自适应蚁群算法在收敛速度和寻找最短路径上都略逊于最大最小蚁群算法,最大最小蚁群算法在物流车辆路径优化上优于适应蚁群算法。     

求解TSP问题的改进最大最小蚁群算法

针对基本蚁群算法搜索时间长,易产生停滞现象等缺点,提出一种求解旅行商问题的改进最大最小蚁群算法.通过对有优质解的蚂蚁个体所走路径的信息素τ的最大最小值进行固定及信息素的更新方式的改变,可以避免在算法运行过程中信息素轨迹的差异过大.仿真结果表明,该改进算法有更高的执行效率和更好的计算稳定性.     

基于改进蚁群算法的多机器人路径规划研究

针对蚁群算法在机器人路径规划过程中存在的收敛速度慢、效率较低、容易陷入局部最优等缺点,提出了一种多步长的改进蚁群算法.该算法实现了多步长路径规划;同时在概率公式中加入了拐点参数,使路径更加平滑;并且提出了新的信息素奖励惩罚机制.将改进的蚁群算法应用于具有3个优化目标的多机器人路径规划中,采用碰撞预测策略和路径协调策略完成多机器人间的协调避碰.仿真结果表明,改进的蚁群算法规划的路径更短、更平滑,效率更高,验证了该算法在多机器人路径规划中的有效性和可行性.     

基于双重启发式信息求解影响最大化问题的蚁群算法

针对如何利用社会个体之间的影响力来扩大信息扩散的范围,即社会网络的影响最大化问题,提出一种新颖的基于蚁群优化算法的解决方案。利用2个启发式信息来度量节点影响力:优先选择更不容易被前驱节点激活的节点;考虑后继尤其是多级后继节点对未来扩散的影响。通过节点影响力选择出能扩散最大范围的初始节点集合。试验结果表明,相较于贪心算法以及传统的蚁群算法初始节点的扩散范围增加了150个节点,效率提高了25%,本研究方法很好的改善了初始节点选择容易陷入局部最优的问题。     

求解连续空间优化问题的Powell蚁群算法

针对连续空间函数优化问题,提出了Powell蚁群算法.该算法把Powell方法嵌入蚁群算法的局部搜索,提高蚁群算法的搜索精度和收敛效率.全局搜索过程中,把传统蚁群算法中的信息素更新和蚂蚁的转移规则拓展到连续空间中,定义了相应的求解算法.通过对二维多极值非线性函数的寻优实例进行仿真,并与Powell方法的求解结果进行比较,证明该方法的有效性.     

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。     

自适应蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出了一种自适应蚂蚁算法（Self-Adaptive Ant Colony Algorithm,SAACA）并选择典型TSP问题进行实验.结果表明：改进的蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性.     

模糊系统结合蚁群算法的金具温升建模

为了得到准确可靠的阀厅连接金具温升模型,运用模糊系统结合蚁群算法的方法进行建模。在分析基本蚁群算法与梯度下降法优缺点的基础上,将两种方法结合形成改进蚁群算法,即在基本蚁群算法基础上应用梯度下降算法。通过试验得到的训练数据分别用基本蚁群算法、梯度下降算法、改进蚁群算法训练模糊系统,改进蚁群算法的收敛效果优于其他两种方法;通过试验得到的测试数据对4种方法所得的模型进行测试,由改进蚁群算法训练模糊系统所得模型的测试效果是最好的。结果表明,若能通过试验得到足量训练数据,用改进蚁群算法训练模糊系统的方法对阀厅连接金具的温升进行建模是可行的。     

基于向量空间模型的路径相似度蚁群算法研究

针对如何根据用户的检索状况来提高信息检索的反应速度及查询的准确性的问题,利用向量空间模型信息检索与路径相似度蚁群算法中利用同一方式——相似度来决定下一步方向的共同特点,提出将一种基于路径相似度的蚁群算法应用于信息检索的方法。采用这种算法在性能和收敛性速度上优于常规算法。     

基于遗传蚁群算法的Qos路由约束问题的研究

针对Qos路由约束问题（是一个NP-完全问题,即是一个多项式复杂程度的非确定问题）,设计了一种将遗传算法和蚁群算法优点融合的算法（GA_ACO）.该算法的基本思想是：用遗传算法生成蚁群算法需要的信息素初值,然后利用蚁群算法求得精解.通过NS2仿真表明遗传蚁群算法相比单一的遗传算法和蚁群算法更适合解决Qos路由约束问题.     

基于高程—四叉树模型和改进蚁群算法的路径规划

基于蚁群算法的无人车大区域路径规划方法大多存在速度慢、环境适应能力差等问题,构造了一种高程-四叉树模型,在完整记录区域信息的基础上对信息量进行有效压缩;设计了一种新的寻优启发函数,提高了路径规划的准确度;通过自适应调整挥发系数,避免搜索陷入局部最优.仿真实验结果表明,相比于传统蚁群算法,文章方法得出的最优路径更加准确,且算法复杂度低,收敛速度快.     

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.     

GA-ACO算法用于IMX系统测试数据自动生成

在综合管理X-软件系统测试数据生成中,针对遗传算法不能利用系统提供的信息,需要迭代多次才可找到测试数据,而蚁群算法在搜索初期信息素匮乏的情况下测试效率很低等问题,提出了基于混合遗传蚁群算法的测试数据自动生成方法,通过运行一定次数的遗传算法,产生优化解并作用于信息素的分布,再利用蚁群算法精确求解.在三角形程序和综合管理X-软件系统上的实验表明,该方法在保持性能不变的情况下,大幅降低了迭代次数和消耗时间,提升了测试效率.