基于募集机制的连续蚁群系统及其应用

针对经典蚁群算法只适用于离散优化问题的不足，从蚂蚁觅食的生物学行为出发，以寻觅最优食
物源为目标，运用蚁群的海量募集和成群募集两种机制，并结合蚂蚁的厌食现象，均衡地搜索，由此构
建了适用于连续问题的蚁群优化系统（MG-CACO）.经典函数的测试表明，MG-CACO的全局寻优效率高，稳
健性良好，尤其对高维问题的适应性强.将MG-CACO用于二甲苯异构化装置的操作条件优化，效果令人满
意，其全局寻优性能和稳定性均优于其他方法.     

一种用于全局优化的蚁群算法

针对蚁群算法不太适用于连续优化问题,且在搜索过程中容易陷入局部极值的缺点,提出了一种快速全局优化的改进蚁群算法,该算法同时采用在最好解蚂蚁领域内进行搜索及将本次循环得到的最优解作为起始解的搜索方式,以扩大其搜索范围,避免其陷入局部最优。通过对3个典型函数优化问题进行测试并与其他优化算法进行比较,结果表明该改进算法不仅能应用于对连续对象的优化,同时具有良好的全局优化性能,收敛速率快,寻优精度高。     

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.     

有效图像压缩的提升小波优化设计

提出了多种群遗传算法和蚂蚁算法融合的提升格式小波优化设计方法。首先采用多种群遗传算法对构成小波的提升步进行优化；并提出局部适应度和全局适应度的概念，将其和蚂蚁算法中蚂蚁选择路径时对全局启发信息和局部启发信息的利用有机地结合起来；采用蚂蚁算法对遗传优化的结果进一步寻优，精确求解适合给定变换问题的最优小波，形成一种时间效率和求解效率都比较好的启发式随机优化方法。将所设计的小波应用于基于小波的图像编码器对指纹及医学图像压缩，实验结果验证了设计方法的有效性和图像压缩性能的优越性。     

适于混合整数非线性规划的混合粒子群优化算法

通过加强粒子群优化（PSO）算法处理约束和整数变量的能力,使其适于求解混合整数非线性规划（MINLP）,构建了一种混合粒子群优化（HPSO）算法.建立了种群的约束矩阵来反映其解满足约束的情况,运用Pareto支配概念评价解的优劣,确定种群的局部最优点和全局最优点.通过增设基于距离函数的概率取整操作和随机变异的解修复操作,加快了搜优速率.利用各粒子的局部最优点信息更新速度,采用多粒子群策略增强了种群多样性.实例测试结果显示,与其他算法相比,HPSO算法具有更好的全局寻优能力,收敛速度更快.     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

改进蚁群算法及其在永磁同步电机设计中的应用

蚁群算法是一种新型的模拟进化算法，该算法通过模拟蚂蚁觅食的方式，使一定数量的蚂蚁在解空间内进行随机搜索，对路径上蚂蚁释放的信息素进行更新，按照转移概率决定前进的方向，最后收敛于全局最优解.对蚁群算法的模型进行了改进以提高其全局寻优速度，用国际标准函数对改进算法进行验证，并对一台15 kW的永磁同步电机进行优化，取得了满意的优化结果，为永磁同步电机的设计提供了一种新的有效方法.     

基于混合连续蚁群算法的最优潮流研究

提出了基于混合连续蚁群(HCACO)的最优潮流(OPF)计算方法;该方法将蚁群优化算法(ACO)的正反馈特性与实数遗传算法(GA)的进化策略相结合,克服了基本蚁群算法只适用于离散问题的局限性,并提高了寻优的效率,同时采用动态调整罚函数策略,有效提高了算法的全局收敛能力和计算精度,采用优进策略,提高了算法的收敛速度.应用此算法对标准IEEE-30节点测试系统进行最优潮流计算,该算法能够更好地获得全局最优解,仿真结果表明了该算法的合理性和有效性.     

多策略融合的黄金正弦樽海鞘群算法

针对樽海鞘群算法（Salp Swarm Algorithm，SSA）收敛性能差、容易陷入局部最优等问题，提出了多策略融合的黄金正弦樽海鞘群算法（Golden sine Salp Swarm Algorithm with Multi-strategy，MGSSA）.首先采用选择反向学习策略对种群中完全偏离最优个体寻优方向的个体计算选择反向解，改善种群质量；然后在跟随者位置更新阶段加入最优个体和精英均值个体引导，以加快算法收敛速度；最后根据概率选择黄金正弦算法变异策略，进一步改善解的质量，同时便于算法后期跳出局部最优.本研究在14个基准测试函数上进行实验，与其他群智能优化算法和其他改进樽海鞘群算法对比，将其应用于拉压弹簧设计问题测试解决工程优化问题的性能.结果表明：MGSSA具有较高的收敛精度和稳定性，在求解工程问题时性能良好.     

控制参数协进化的差分进化算法及其应用

提出一种控制参数协进化的差分进化算法(DE-CPCE),实现算法控制参数随种群搜优进展,自适应动态调整。D E-CPCE算法将控制参数作为原始个体的共生个体,且每一个原始个体都有各自的共生个体;算法在对原优化问题进行差分进化搜优的同时,以原始个体进化效率作为共生个体(即控制参数)的评价,并通过共生个体的差分进化操作实现其协进化。D E-CPCE算法能随优化问题搜优进展,自适应动态调整算法控制参数,实时为算法搜优提供最优的控制参数。仿真研究表明,DE-CPCE算法的控制参数具有动态自适应性;并且在与文中所提及的算法(DE/rand/1,DE/best/1,DE/rand-to-best/1,DE/rand/2,DE/best/2,self-adaptive Pareto DE and self-adaptive DE)比较中,该算法能以较高概率求得全局最优值,且收敛速率快,求得最优解的精度高。同时,应用 DE-CPCE算法估计 SO2催化氧化反应动力学模型参数,结果优于文献报道。      

混合算法在轻钢结构优化设计中的应用

结合粒子群优化（PSO）算法快速的全局收敛性和蚁群优化（ACO）算法较强的寻优能力,提出了一种融合PSO算法和ACO算法的混合算法。首先利用PSO算法较强的全局搜索能力,产生各粒子的最优位置值;然后对ACO算法的蚂蚁总个数进行调整,在保证算法全局搜索能力的同时,避免陷入局部最优;最后利用改进的ACO算法对最优位置值做进一步优化。将该混合算法应用于轻钢结构优化设计中,建立优化设计模型。以轻钢门式框架为例,利用该模型进行优化分析,并与文献[11]中改进模拟退火算法的优化结果进行对比。结果表明,混合算法经过61次迭代后能够求出较好的全局最优解,合理可行。     

基于边缘搜索的蚁群算法

蚁群算法是根据真实蚁群的觅食原理提出的一种新兴的启发式搜索算法。算法应用于解决组合优化问题，取得了良好的效果。定义了一种新的旅行商问题，即过程旅行商问题，针对这个问题提出了一种基于边缘搜索的改进蚁群算法。该算法通过限制蚂蚁的起点城市，提高了蚁群算法的搜索效率；并通过减少蚂蚁数量加快计算速度。应用于过程旅行商问题的仿真计算表明，该算法具有相同的计算结果和更快的求解速率。     

蚁群算法解决连续优化问题的新途径

为了克服蚁群算法难以直接处理连续优化问题的缺陷,在保持蚁群算法基本框架的基础上,将传统蚁群算法中蚂蚁由解分量的信息素和启发式的乘积值按比例来决定取值概率的方式,改为根据连续的概率分布函数来取值.并将函数在各个维上的极值点方向作为蚂蚁搜索的启发式信息.在标准测试函数上的试验结果显示,该算法不但具有较快的收敛速度,而且能够有效地提高解的精确性,增强了算法的稳定性.     

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。     

改进蚁群算法在并联六自由度平台优化设计中的应用

蚁群算法在解决组合优化问题上有着良好的适应性，但直接应用于求解连续优化问题难以获得理想的效果．通过对蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的改进，构成了可用于连续优化问题求解的改进蚁群算法．将该算法应用于以灵巧度为目标函数的并联六自由度平台结构设计问题中，通过与采用基本蚁群算法得到的优化结果进行比较，证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度，可以有效求解并联六自由度平台结构设计这一类连续优化问题．     

混沌蚁群优化的高速公路匝道PI控制器

研究混沌蚁群算法优化PI控制器的参数,调控进入高速公路的车辆数量.首先建立了高速公路交通流模型,阐述了混沌蚁群算法的基本原理,并给出了该算法优化的步骤;然后结合非线性反馈理论设计了基于混沌蚁群优化的入口匝道PI控制器;最后用MATLAB软件进行系统仿真.结果表明,该系统响应速度快,具有优越的动态和稳态性能,控制效果优于传统的和基于蚁群优化的PI控制器.     

基于相对距离和关联度的多任务联盟的蚁群算法

针对蚁群算法在求解多任务联盟问题(multi-task coalition problem,MTCP)时存在的迭代次数多、求解精度不高的问题,提出了一种基于相对距离和关联度的蚁群算法.该算法针对蚁群算法搜索机制和信息素增量模型,提出了2种策略.首先,为提高资源利用效率,减少Agent的能力浪费,引入了相对距离的概念,提出了基于相对距离的搜索机制;其次,为强化蚂蚁间的协作,利用已获得的解信息,给出了一种基于关联度的信息素增量模型.仿真实验结果表明,与已有的一些算法相比,本文算法不仅能获得更好的联盟结构,而且具有较快的收敛速度.