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.     

一种基于无相交搜索策略的蚁群算法

针对蚁群算法容易过早收敛和停滞的现象,通过判断路径相交信息,并调整信息素的挥发系数ρ,动态地对迭代最优解进行优化改进,从而使算法局部优化能力更迅速,同时提高最优解搜索的多样性,有效地控制算法过早收敛的问题,增强了算法的寻优性能。通过使用TSPLIB中的范例,与蚂蚁系统算法进行仿真实验比较。结果表明,该算法改进效果明显。     

基于动态候选列表对蚁群算法的改进及其应用

鉴于基本蚁群算法存在收敛速度慢、易陷于局部最优的问题,笔者提出了一种改进蚁群算法模型。首先,引入动态候选列表,蚂蚁选择路径时只考虑贪婪值达到一定标准的路径,并自适应调整候选列表长度,以此提高了算法求解速度;其次,引入信息熵的概念,基于信息熵的变化在求解过程中对启发式参数动态调整,以适应算法不同时期蚂蚁在路径选择时的特点。实例仿真表明,改进算法无论在求解速度,还是在求解质量上都取得了较好的效果。     

基于云模型的小生境MAX-MIN相遇蚁群算法

针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷,本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法;随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进,以提高改进后蚁群算法的全局收敛性能。同时,为了避免蚁群在搜索过程中易出现停滞现象,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。     

基于改进蚁群算法的多批次协同三维航迹规划

针对基本蚁群算法容易陷入局部寻优、收敛速度慢的缺陷以及解决多批次协同航迹规划问题的需要,提出了基于改进蚁群算法的多批次三维航迹规划算法。该算法采用基于加权排序的信息素更新规则,扩大各优劣蚂蚁的差异,提高了算法收敛速度,并采用了一种信息素挥发系数的随机自适应调节方法,在确保收敛速度的同时使算法具有全局寻优,解决了基本蚁群算法容易过早陷入局部最优缺点;在此基础上,引入蚂蚁子群间多约束条件下的协同进化策略,解决了多批次协同三维航迹规划。仿真结果表明:改进的蚁群算法在运算效率和收敛性上明显优于基本蚁群算法,多批次协同航迹规划能有效提高无人机的作战效能。     

基于双向蚁群算法的路径规划研究

针对蚁群算法存在的搜索精度不足以及收敛速度缓慢等问题，本文提出了一种加入角度参数的双向蚁群算法用于解决机器人路径搜索问题。与传统蚁群算法不同，该算法首先对蚁群的起始位置进行改进，使其根据蚂蚁编号从地图中的一系列起点集合中选择适当节点出发，增加解的多样性同时并获得全局最优解。同时改进了信息素更新规则，对当前迭代次数寻找到的最优路径进行信息素奖励，使其对下次迭代蚂蚁的寻路过程起到引导作用。最后，为提高算法的收敛速度，提出了角度参数并将其加入到蚂蚁的转移概率中，使得蚂蚁在根据转移概率选择下一行走节点时能够优先选择与目标节点角度差较小的节点，从而提高获取最优解的概率，并在算法后期加快收敛速度。大量仿真实验结果表明本文所提出算法的路径搜索能力和迭代收敛效果显著提高。     

基于拓展性和魔方变换的自适应蚁群算法

针对传统蚁群算法在求解过程中搜索时间过长、易于出现早熟停滞的缺陷,提出一种具有拓展性的自适应蚁群算法.蚁群综合启发式信息、信息素轨迹和拓展性信息自适应地调整状态转移规则,并采用全局信息素非均匀更新策略,有效增强了蚁群的全局搜索能力.同时,受魔方变换的启发,提出了一种新颖的魔方变异策略,以加快对迭代最优解进行局部优化的速度.旅行商问题仿真验证了文中改进蚁群算法的有效性,其收敛速度、稳定性远高于传统蚁群算法.     

自适应信息素更新蚁群算法求解QoS组播路由

针对基本蚁群算法在求解QoS组播路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种自适应信息素更新蚁群算法对该问题进行求解。该算法在节点选择中引入混沌扰动,在算法前期依据各链路信息素浓度动态调整信息素的挥发因子,提高了全局搜索能力,后期根据解的优劣自适应更新信息素,使收敛性能得到显著提高。仿真实验表明,同等实验条件下,基本蚁群算法在第12次迭代收敛到局部最优费用值87;融合量子粒子群算法思想的多行为蚁群算法第7次迭代收敛到局部最优费用值66,而本研究算法则在第10次迭代收敛到全局最优费用值62,本研究算法比前两种算法更优。     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

回归蚁群算法

针对基本蚁群算法在收敛速度和求解精度方面的不足,提出一种回归蚁群算法．通过外加牵引力使得蚂蚁按照城市的整体分布规律寻优,增加了算法的全局收敛性．并通过圈地算法,减少了局部搜索的计算量．多个旅行商问题的仿真结果验证了该方法的可行性和高效性．     

基于博弈论的量子蚁群算法

针对量子蚁群算法求解组合优化问题时易陷入局部最优和收敛速度慢的问题,提出一种基于博弈论的量子蚁群算法(quantum ant colony algorithm based on the game theory, GQACA)。算法采用重复博弈模型,在重复博弈中产生一个博弈序列,使得每次博弈都能够产生最大效益,并得到相应博弈过程的纳什均衡。利用典型的5个标准测试函数对GQACA算法寻优性能进行试验测试。试验结果表明: GQACA算法的收敛精度和稳定性均要优于量子蚁群算法(quantum ant colony algorithm, QACA)和蚁群算法(ant colony algorithm, ACA)。     

祁连山北缘断裂滑动参数的GPS数据蚁群算法反演研究

介绍了新近为求解复杂组合优化问题提出的蚁群算法,分析和讨论了蚁群算法在反演参数的搜索空间离散化,将参数反演问题转换成一个组合优化问题等过程;再针对断层参数的特点,改进蚁群算法并结合多断裂位错模型,利用河西地区1999～2001年和2001～2004年期间观测的GPS数据对祁连山北缘断层的三维滑动速率进行了反演计算分析....     

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。     

智能蚁群算法解决公交区域调度问题研究

针对多条运营线路的公交区域调度问题，给出了人员调度问题的改进模型，模型的目标是在满足工作时间、跨度时间、换班要求等相关约束的条件下使人员完成任务的间隔时间最小。论文对已有蚁群算法解决车辆路径优化问题的算法进行了改进。对算法中相应的转移规则和轨迹更新规则进行了重新设定，改进了算法转移策略和信息素更新策略。给出了算法的实现步骤。通过仿真，对模型的正确性进行了验证。证明了改进蚁群算法解决公交调度问题的高效性和较强的适用性。     

智能蚁群算法解决公交区域调度问题研究

针对多条运营线路的公交区域调度问题，给出了人员调度问题的改进模型，模型的目标是在满足工作时间、跨度时间、换班要求等相关约束的条件下使人员完成任务的间隔时间最小。论文对已有蚁群算法解决车辆路径优化问题的算法进行了改进。对算法中相应的转移规则和轨迹更新规则进行了重新设定，改进了算法转移策略和信息素更新策略。给出了算法的实现步骤。通过仿真，对模型的正确性进行了验证。证明了改进蚁群算法解决公交调度问题的高效性和较强的适用性。     

基于改进蚁群算法的移动机器人路径规划

针对大多数路径规划方法所忽视的路径尖峰,以及传统蚁群算法(ACA)易出现的早熟、陷入局部最优等问题,提出一种改进ACA以用于路径规划.首先,在ACA中融入遗传算子,利用交叉与变异操作来扩大解的搜索空间,提升解的全局性.然后,引入简化与平滑操作优化算子,对所寻路径做进一步处理,消除路径中不必要的尖峰,提高其平滑性.栅格环境下的机器人路径规划仿真结果表明,与A*以及传统ACA相比,所提算法能够得到更为平滑的最短路径.     

改进的蚂蚁算法及其在暴雨强度公式参数优化中的应用

蚂蚁算法是解决组合优化问题的一种优秀的算法，但直接用于解决连续优化问题存在很大困难。本文通过引入带可变邻域搜索项的进化策略对蚂蚁算法进行了改进，然后将改进的蚂蚁算法应用到解决暴雨强度公式的参数优化这类连续问题中，并和其它优化方法得到的优化结果进行了比较。结果表明，改进的蚂蚁算法可以成功用于暴雨强度公式的参数优化，并且在实验采用的各种优化算法优化参数得到的暴雨强度公式拟合原始数据的效果比较中只有免疫进化算法在优化过程中迭代次数和迭代规模都要大得多的情况下才和改进的蚂蚁算法差不多，而比其它的优化方法都要好。     

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.