基于蚁群算法的TSP问题求解

TSP问题是典型的NP—hard组合优化问题,蚁群算法是一种求解此类问题的优化算法,通过模拟蚂蚁觅食行为来解决NP问题。文章使用蚁群算法求解TSP问题,并结合TSP问题的特点选择了一种合适的蚁群更新策略。     

混合蚁群算法在水库群优化调度中的应用

针对梯级水库群优化调度问题的特点,建立蚁群算法求解多阶段最优化问题数学模型.把水库的运行策略转换为水库水位变化序列,通过一定的编码形式分别将其表示人工蚂蚁的路径.人工蚂蚁在满足一定的约束条件下,按预定的目标函数评价其优劣.针对蚁群算法在优化过程中出现搜索时间较长和早熟停滞现象,提出了具有变异特征混合局部优化算法的蚁群系统(MSA-ACS).然后将MSA-ACS和蚁群系统(ACS)分别用于求解雅砻江梯级优化调度问题,通过对优化结果和计算时间的对比分析,验证了改进方法的有效性.该改进方法获得了比较满意的解,不仅能提高蚁群算法的收敛性能,还能增强解的稳定性.     

求解连续函数最大值的蚂蚁优化算法

求解连续函数最大值的优化算法已有多种,但都不同程度地存在一定的局限性.为此,提出了一种用于求解连续函数最大值的蚂蚁优化算法-基于图的蚂蚁算法.该方法将问题抽象为一个有向图,模拟蚂蚁的觅食行为,由一组蚂蚁反复地在有向图上移动,最终得到最优解.在阐述了该算法的具体步骤后,从理论上对该算法的收敛性进行了分析,证明了该算法可较快地收敛到最优解.     

一种改进的蚁群算法

蚁群算法是一种新的进化算法,其基本思想是模拟蚂蚁的合作行为.蚁群算法已成功地应用于许多优化问题,成为求解组合优化问题的新的进化算法.最新研究表明蚁群算法是一种基于群体的强鲁棒性的进化算法.但是,蚁群算法也有收敛速度慢,容易陷入局部最优的缺点.为了克服这些缺点,吸取微粒群算法的优点,提出了一种改进的蚁群算法.实验结果表明改进算法是有效的,与标准的蚁群算法相比,算法性能得到了明显改善.     

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.     

一种求解旅行商问题的迭代改进蚁群优化算法

传统的蚁群优化算法每次都从头开始构造新解,无条件地接收选择的解部件,该策略削弱了算法的局部求精能力。针对该不足,提出了一种求解旅行商问题的迭代改进蚁群优化算法。在构造解的过程中,蚂蚁始终记忆一个完整的解,并且只接受能够改进解的候选城市。使用解的部分重构策略来保持种群的多样性,以避免早熟收敛。仿真结果表明迭代改进蚁群优化算法能在更少的迭代次数内获得更好的解。     

基于自适应蚁群算法的模糊聚类算法

将自适应蚁群优化算法与FCM(Fuzzy C-Means)算法相结合,提出了一种模糊聚类分析的新算法.该算法通过把FCM算法中的目标函数降维,将其转化为自适应蚁群优化算法中的优化函数,通过对各个节点的路径连接数的衡量,根据蚂蚁在搜索过程中所得解的分布状况,动态调节蚂蚁的路径选择和信息量更新,从而得到目标函数的最优解.结果表明,该方法比FCM算法具有更好的收敛效果和更高的聚类准确率.     

自适应蚁群算法及其在边坡工程中的应用

蚁群算法目前多用于求解组合优化问题，为了让蚁群算法能求解复杂的边坡稳定性分析问题，对基本蚁群算法的结构形式和蚂蚁转移概率的计算进行了改进，针对蚁群算法在演化过程中存在停滞和过早收敛的现象，引入一种自适应搜索算子，改变蚂蚁的选择机制，提高蚂蚁选择的多样性，并由此构建了一种新的蚁群算法——自适应蚁群算法(AACA)，研究了AACA在边坡非圆弧临界滑动面搜索中的应用，所给出的算例结果表明：与基本蚁群算法相比，可有效地防止停滞和过早收敛现象，并总能搜索到问题的全局最优解，且搜索效率也有较大的提高。     

基于蚁群优化算法的TSP问题求解

蚁群优化算法是受蚂蚁觅食的通行机制的启发而提出的一种群集智能算法．介绍了蚁群优化算法的基本原理,在此基础上实现了蚁群优化算法,应用到TSP问题求解中,并根据启发函数、信息素进行算法性能优化,提高了算法的收敛速度．实验结果表明蚁群算法具有极强的鲁棒性和求最优解的能力,取到了很好的效果．     

基于香味素诱导及道路分级的OPP问题的蚁群算法

为解决传统蚁群算法在求解最优路径问题(optimal path problems,OPP)时,搜索效率不高、最优解质量偏低的问题,提出了一种基于香味素诱导和道路分级的蚁群算法.该算法首先通过模拟食物源(目的地点)散发出的一种吸引蚂蚁不断向其靠近的香味素,使蚂蚁的搜索具有指向性;然后根据拥堵系数将路网中的道路分为不同的等级,并结合动态的分级策略防止算法陷入早熟.实验结果表明:本文算法比传统蚁群算法在最优解的质量及稳定性方面具有一定的优势.     

人工蜂群算法及其在组合优化中的应用研究

人工蜂群算法是一种启发式算法,通过模拟自然界蜂群觅食过程来解决现实中的优化问题。算法中将每只蜜蜂看做一个智能体,若干智能体间相互合作,高效地完成对目标的搜索、优化。总结人工蜂群算法用于解决组合优化问题的一般方法,以O-1背包问题为例对算法进行仿真测试,实验结果表明：人工蜂群算法有效且优于存在的蚁群算法。     

基于熵的小生境蚁群算法及其应用

为克服基本蚁群算法易“早熟“的缺陷,将小生境算法和信息熵相结合,提出了基于信息熵的小生境蚁群算法。该算法采用小生境算法对蚁群算法的后期进行局部搜索并以信息熵作为开始和结束的判断依据。求解旅行商问题及房地产投资组合优化问题的结果表明其优于基本蚁群算法,该算法具有广阔的应用前景。     

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.     

基于蚁群算法的知识约简

Rough集理论中知识约简是个NP-hard问题，目前已提出较多的求解方法，但是每种方法由于其自身的局限性，只适用于一定条件下的求解．蚁群算法是较新的仿生优化算法，在解决各类组合优化问题中都取得了很好的效果．其显著优点是受问题规模的影响不大，对大规模问题的求解仍能发挥较优的性能．受蚁群算法该特性的启发，提出基于蚁群算法的知识约简方法．文中具体描述了将条件集的组合方式用一图结构来表示、构建目标评价函数、算法参数的设定以及算法的具体实施步骤等．最后通过于相关文献的比较实验，验证了该方法的有效性．     

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。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。     

基于蚁群算法的语音信号动态时间规划

蚁群算法是一种新型的随机优化算法,应用蚁群算法优化机制,提出了一种基于蚁群算法的语音信号动态时间规划方法———蚁群动态时间规划算法,搜索语音信号之间匹配的一条全局最优路径,进而以此衡量语音信号之间的相似度.算法给出了蚁群状态转移概率及信息素更新方程,既利用了语音信号的全局特征又考虑了其局部信息.理论分析与仿真实验结果均证明了此方法的可行性,与传统的DTW算法相比较,其匹配结果更能体现匹配语音信号之间的相似度.     

基于蚁群算法的PID参数优化

针对传统的PID控制器参数多采用试验加试凑的方式由人工进行优化,提出了一种新型的基于蚁群算法的PID参数优化策略.蚁群算法是近几年优化领域中新出现的一种仿生进化算法,该算法采用分布式并行计算机制.在简要介绍蚁群算法基本思想的基础上,推导了蚁群算法PID参数优化方法,并给出了新算法的具体实现步骤,最后将该优化方案应用于某型高精度飞行仿真伺服系统.仿真应用研究表明,该PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了该方案的可行性和有效性.     

基于改进蚁群算法的钢管混凝土构件的优化

针对基本蚁群算法收敛速度慢和容易陷入局部最优的不足,在算法初期赋予挥发系数一个较大的初始值,使蚂蚁搜索到较优路径;后期不断减小和自调整挥发系数,避免局部收敛,在搜索到的较优路径中获得全局最优路径。将改进后的蚁群算法应用到钢管混凝土构件的优化设计中,建立了以梁、柱构件截面特征为设计变量,造价最低为目标函数的优化设计模型。以钢管混凝土纯弯、轴压构件为例,进行模型优化分析,并与文献[4]中改进遗传算法的优化结果进行对比。结果表明,柱和梁分别在58次和52次迭代后求得较好的全局最优解,算法跳过了钢管与套箍混凝土之间复杂作用机理的分析,简单高效。     

基于蚁群优化算法的SAR图像舰船检测研究

边缘检测作为提取图像边缘的重要方法在舰船检测中占有重要位置。采用蚁群优化算法通过调整动态阈值进行边缘检测。与传统边缘检测算子和小波变换算法对比采用蚁群优化算法进行舰船检测大大的减少了计算时间和代价,同时有效地提取了SAR图像的舰船目标和结构信息,保证了检测结果的准确性。蚁群优化算法在处理图像边缘检测等离散优化问题上具有很大的优越性,在图像处理中具有广阔的应用前景。