|
1.
|
基于混合优化算法的最大独立集问题求解
|
|
|
|
|
|
|
彭震宇 葛洪伟《计算机应用》,2007年第27卷第5期
|
|
|
蚁群优化算法（ACO）的正反馈机制使其具有强大的局部搜索性能，但其全局优化性的优劣在很大程度上与挥发系数的选择有关，如选择得不合适则易将使算法陷入局部最优，而禁忌搜索算法（TS）则具有强大的全局优化性能。为了弥补单一ACO算法的局限性，将ACO算法与TS算法组合起来，提出了基于TS和ACO算法的混合优化算法HTSACO，并将该混合优化算法用于求解最大独立集问题。实验表明：与标准蚁群优化算法相比，该算法显示出了很高的全局优化性和计算效率。
|
|
2.
|
遗传混合算法路径规划研究
|
|
|
|
|
|
|
马江涛《信息与电脑》,2010年第2期
|
|
|
遗传算法和蚁群算法被广泛应用于路径规划,但遗传算法收敛速度慢,蚁群算法易陷入局部最优,在求解旅行商问题上都有一定的缺陷。本文采用遗传与蚁群混合算法,充分利用遗传算法的快速全局搜索能力和蚁群算法的智能性,用蚁群算法迭代每只蚂蚁走过的路径序列作为遗传算法的初始种群,克服随机选择的盲目性,从而提高算法的性能。仿真计算结果表明,该算法可以找到最优解或近似最优解,并提高了求解效率。
|
|
3.
|
禁忌搜索算法与蚁群算法的混合策略在二次分配问题上的应用
|
|
|
|
|
|
|
吕聪颖 赵刚彬 王保胜《计算机与现代化》,2009年第10期
|
|
|
二次分配问题是一个NP-hard问题,它在线路板设计、布局问题以及打字机键盘的设计等现实生活中有许多的应用.使用基本蚁群算法进行搜索时,其全局优化性能的优劣在很大程度上与蒸发系数的选择有关,若选择不合适,易使算法陷入局部最优.为此,本文提出一种新的算法,即将基本蚁群算法与禁忌搜索策略相结合来求解二次分配问题,设计出具体的算法模型,并对标准问题库中的具体实例进行测试,实验结果证实新方法的有效性.
|
|
4.
|
基于引入禁忌表的改进粒子群算法的多目标无功优化研究
|
|
|
|
|
|
|
姚亚鹏 刘崇新 徐文文《江苏电器》,2017年第5期
|
|
|
针对无功优化面临的实际问题,建立了融合有功网损、节点电压偏移和无功补偿成本的多目标优化模型.在传统粒子群算法(PSO)的基础上,动态调节惯性权重并引入禁忌搜索算法(TS)的禁忌表,设置灵活存储结构和禁忌准则,保证有效搜索多样化,弥补了全局寻优能力不足、易陷入局部最优的缺点.IEEE14节点系统的仿真结果表明提出的方法具有较好的全局寻优能力和搜索性能.
|
|
5.
|
改进的粒子群算法在VRP中的应用
|
|
|
|
|
|
|
赵传信 张雪东 季一木《计算机技术与发展》,2008年第18卷第6期
|
|
|
将粒子群算法和禁忌搜索算法相结合构造禁忌搜索粒子群算法.提出一种对粒子群算法中全局最优解进行禁忌搜索的混合算法,扩展了粒子群算法进化方式.将其用于车辆路径优化问题求解.与基本粒子群算法相比较,结合禁忌搜索算法的粒子群算法明显提高了算法收敛速度和优化性能.
|
|
6.
|
改进的粒子群算法在VRP中的应用
|
|
|
|
|
|
|
赵传信 张雪东 季一木《微机发展》,2008年第18卷第6期
|
|
|
将粒子群算法和禁忌搜索算法相结合构造禁忌搜索粒子群算法。提出一种对粒子群算法中全局最优解进行禁忌搜索的混合算法，扩展了粒子群算法进化方式。将其用于车辆路径优化问题求解。与基本粒子群算法相比较，结合禁忌搜索算法的粒子群算法明显提高了算法收敛速度和优化性能。
|
|
7.
|
包装物回收物流中的车辆路径优化问题
|
|
|
|
|
|
|
张异《包装工程》,2017年第38卷第17期
|
|
|
目的 提高遗传算法（GA）求解包装物回收车辆路径优化问题的性能。方法 通过对传统GA算法的改进，提出混合蜂群遗传算法（HBGA）。首先改进传统GA算法的初始种群生成方式，设计初始种群混合生成算子；其次，提出最大保留交叉算子，对优秀子路径进行保护；然后，在上述改进的基础上引入蜜蜂进化机制，用以保证种群多样性和优秀个体特征信息的利用程度；最后，对标准算例集进行仿真测试。结果 与传统GA算法相比，HBGA算法在全局寻优能力、算法稳定性和运行速度方面均有所改善。HBGA算法的全局寻优能力和算法稳定性均优于粒子群算法（PSO）、蚁群算法（ACO）和禁忌搜索算法（TS），但运行速度稍慢于TS算法。结论 对传统GA算法的改进是合理的，且HBGA算法整体求解性能优于PSO算法、ACO算法和TS算法。
|
|
8.
|
进化规划-蚁群优化算法的构建并用于化工过程操作优化 被引次数：2
|
|
|
|
|
|
|
程志刚 陈德钊 吴晓华 张兵《化工学报》,2005年第56卷第12期
|
|
|
经典蚁群优化（ACO）算法搜优效率高，但只适用于求解组合优化等离散问题.以搜索最优食物源为目标，并引入进化规划（EP）简洁的进化机制，用以改造ACO，使之适于连续问题.又将蚁群分工为全局和局部蚂蚁，分别引领个体进行全局探索式和局部挖掘式寻优，并在各个体上释放信息素，供蚁群共享，由此继承了ACO正反馈、互激励的优点，并在优进策略的支持下，构建为EP-ACO算法.经复杂测试函数的优化检验，显示出EP-ACO适于连续问题，且全局搜优效率高，对高维问题适应性强.将EP-ACO应用于二甲苯异构化装置的操作优化，取得了良好的效果，与其他方法相比，优越性明显.
|
|
9.
|
WebGIS中基于蚁群算法的TSP问题的求解
|
|
|
|
|
|
|
薛胜军 胡俊杰 吴隽《武汉理工大学学报》,2008年第30卷第11期
|
|
|
针对旅行商问题(TSP),研究了网络地理信息系统(WebGIS)中的蚁群优化算法(ACO)在其问题上的应用.为提高蚁群优化性能,采用一种空间拓扑结构与蚁群优化算法结合,并引入了局部搜索策略2-opt.在城市数目一定的情况下,改进蚁群算法能够得到所求TSP的全局最优解,与遗传算法和模拟退火算法比较,它具有更快的收敛速度和更高的收敛精度,并可扩展到一类相关的组合优化问题之中.结果表明,改进蚁群算法对于求解TSP问题效果是很明显的.
|
|
10.
|
混合蚁群算法求解分布式系统任务分配问题
|
|
|
|
|
|
|
王灵霞 ;赵宏 ;王万军《自动化与仪器仪表》,2014年第12期
|
|
|
任务分配问题是被公认的NP-hard问题,应用广泛。在对分布式系统任务分配问题进行分析的基础上,将蚂蚁寻求任务分配方案的过程用一种新的图形表示方式来实现。针对蚁群优化算法易陷入局部最优的固有缺陷,提出了一种新的混合算法,该算法将蚁群优化算法与简单禁忌搜索算法相结合,增强了算法的局部搜索能力,提高了任务分配问题解的质量。实验结果表明混合算法的求解性能较优。
|
|
11.
|
混合算法在轻钢结构优化设计中的应用 被引次数：1
|
|
|
|
|
|
|
周书敬 薄涛 史三元《河北煤炭建筑工程学院学报》,2011年第2期
|
|
|
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。
|
|
12.
|
TS-PSO算法在电力系统无功优化中的应用
|
|
|
|
|
|
|
何芳 丁金嫚《安徽电力》,2011年第2期
|
|
|
为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。
|
|
13.
|
应用混合蚁群算法求解模糊作业车间调度问题 被引次数：6
|
|
|
|
|
|
|
宋晓宇 朱云龙 尹朝万 李富明《计算机集成制造系统》,2007年第13卷第1期
|
|
|
为解决蚁群算法求解时间过长和易陷入局部最优的问题,提出了一种求解模糊作业车间调度问题的混合算法,该算法将蚁群算法用于全局搜索.为了提高搜索效率,根据作业车间调度问题解的特征,提出一种基于关键工序的邻域搜索方法,并使用此邻域搜索方法的禁忌搜索算法嵌入蚁群算法.利用禁忌搜索算法较强的局部搜索能力,提高了蚁群算法的优化能力,改善了作业车间调度问题解的质量.实验结果验证了该混合搜索算法的有效性,其优化效果优于并行遗传算法和禁忌搜索算法.
|
|
14.
|
基于蚁群优化算法的网格任务映射策略
|
|
|
|
|
|
|
谭一鸣 张苗 张德贤《计算机应用》,2008年第28卷第6期
|
|
|
针对网格环境下实现任务最优映射的问题，提出一种基于蚁群优化算法的网格任务映射策略(ACO-GTM)。该算法通过人工蚂蚁在构建图上行走构建初始解，利用最优改进2-选择局部搜索方法对初始解进行局部优化，并采用全局信息素更新与局部信息素更新相结合的信息素更新策略。最后通过实验与其他算法进行比较，表明所提出的映射算法在最优跨度和负载平衡方面具有明显的优越性。
|
|
15.
|
禁忌粒子群算法在几何约束求解中的应用 被引次数：1
|
|
|
|
|
|
|
袁华 李文辉 李娜《微电子学与计算机》,2010年第27卷第12期
|
|
|
约束问题可以转化为优化问题,针对粒子群优化算法在算法的后期易陷入局部最优的缺点,提出TPSO(禁忌粒子群优化算法),在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布,后期引入禁忌搜索算法,记录已经达到的局部最优解,在下一次搜索中,不再或者有选择地搜索这些点,从而跳出局部最优点,并且在搜索过程中允许接受劣解,充分利用禁忌搜索的记忆能力及较强的爬山能力,大大提高了获得全局最优解的概率.该算法综合了粒子群优化算法的快速性,随机性和全局收敛性以及禁忌搜索局部寻优的能力.在确保全局收敛性的基础上,能够快速搜索到高质量的优化解.该方法用于几何约束求解的性能明显高于标准粒子群算法,算法具有良好的优化性能和时间性能.
|
|
16.
|
基于局部禁忌搜索策略的连续空间蚁群算法 被引次数：1
|
|
|
|
|
|
|
李桂成 赵海英《计算机工程与应用》,2009年第45卷第10期
|
|
|
针对蚁群算法容易陷入局部最优解及搜索时间长等不足,引入一种基于连续空间的禁忌搜索算法,并将其与蚁群算法相结合,提出了一种引入禁忌搜索策略的蚁群算法,以求解连续对象优化问题。经测试验证了该算法不仅跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,表明算法的有效性。
|
|
17.
|
基于群智能的连续优化算法研究 被引次数：1
|
|
|
|
|
|
|
薛嘉 蔡金燕 马飒飒 张虹《计算机工程与设计》,2009年第30卷第8期
|
|
|
在对蚁群优化算法(ACO)和粒子群优化算法(PSO)进行分析的基础上,提出一种解决函数连续优化的群智能混合策略-CA-PSO.在求解过程中,首先对解空间进行区域划分,进而利用ACO在优化初期具备的快速收敛性能,在整个解空间内搜索最优解的敏感区域.然后利用蚁群的搜索结果初始化PSO粒子,利用PSO快速和全局收敛性进行所在小区域内的搜索.种群更新时根据蚁群的拓扑结构和小区域间的阶跃规则,蚁群不断向最优解敏感区域聚集,使得敏感区域内粒子数增加,则局部的PSO搜索策略可以更细密的搜索最优.实例结果表明,CA-PSO既能保证解的分布性与多样性,又避免了在多峰值函数寻优过程中陷入局部最优解而停止运算,最终将收敛到全局最优解.
|
|
18.
|
基于IC度优化的蚁群多级路径优化策略
|
|
|
|
|
|
|
周新忠《计算机与数字工程》,2010年第38卷第5期
|
|
|
栅格中的节点调度路径规划问题一向是信息栅格中的关键需要解决的技术。针对基本蚁群算法在复杂的栅格资源调度中容易出现停滞现象这一缺陷,对基本蚁群算法进行改进,提出了一种基于IC度优化的蚁群多级路径优化策略,该策略根据优化过程中平均信息素分布度,增强全局（或局部）最优解和全局（或局部）次优解的路径上的信息量浓度,从而有效地克服了传统蚁群算法中容易陷入局部最优解的问题。实验证明,基于IC度优化的蚁群多级路径优策略比传统蚁群优化策略具有更好的搜索全局最优解的能力,特别对于路径搜索问题,其收敛性较传统蚁群算法有明显提高。
|
|
19.
|
基于蚁群算法的支持向量机中长期水文预报模型 被引次数：2
|
|
|
|
|
|
|
张俊 程春田 申建建 张世钦《水力发电学报》,2010年第29卷第6期
|
|
|
支持向量机算法（SVM）具有可靠的全局最优性和良好的泛化能力,尤其适用于中长期水文预报中有限样本的学习,然而该算法的成功与否很大程度上取决于其参数的选择,而常规经验选取方法往往不能获得满意效果。本文建立基于蚁群算法参数优化的支持向量机模型（ACO-SVM）,利用蚁群算法（ACO）基于进化的随机搜索策略对支持向量机参数进行识别。以福建省安砂水库的月径流预报为例,进行建模仿真,将模拟结果与时间序列方法（ARMA）、人工神经网络方法（BP-ANN）所获得的预报结果进行对比分析。结果表明,在拟合精度方面,ACO-SVM模型相比ARMA模型和BP-ANN模型有不同程度的提高,且增幅较大,且具有较好的泛化性能。
|
|
20.
|
融合粒子群和局部邻域搜索的优化算法 被引次数：2
|
|
|
|
|
|
|
吴亮 蒋玉明《计算机工程与设计》,2010年第31卷第7期
|
|
|
为解决采用单一搜索策略的算法很难兼顾全局搜索和局部搜索,且易陷入局部优化的问题,提出一种融合粒子群优化和局部邻域搜索思想的新算法(Ne-PSO).采用混合搜索策略,通过对全局最优粒子信息的交互和反馈,并行进行全局搜索和局部搜素.同时,新算法引入禁忌策略,通过设置禁忌邻域来限制粒子的搜索区域,有效规避了局部优化.通过4个经典函数的测试,验证了该算法在寻优速度、精度和成功率方面的优异性能.
|
|
