蚁群算法的优化及在TSP问题上的应用

蚁群算法是一种模仿真实蚂蚁群集体行为的全局启发式随机搜索算法．目前蚁群算法存在易陷入局部最优、搜索时间长等问题。提出一种改进的蚁群算法,加入扰动策略、挥发因子动态调整策略以避免算法陷入局部最优值．采用奖励策略提高搜索效率。通过在旅行商问题上验证得知,改进后的算法可以获得已知最优值,与最大最小蚁群算法相比,解的平均值、出现最优值的概率都有提高。     

一种基于解的多样性测度的蚁群算法

针对基本蚁群算法收敛速度慢及易早熟停滞的缺点,提出了一种基于解的多样性测度的蚁群算法。该算法通过对每次迭代过程中解的多样性的测量,定量判断算法运行过程中解的早熟程度,从而自适应地调整蚂蚁信息量更新策略。仿真计算结果表明,提出的改进蚁群算法在求解TSP时具有较好的收敛速度及稳定性。     

基于蚁群数量动态调整的改进蚁群优化算法

蚁群优化（ACO）算法是一种常用的元启发式算法，它通过模拟蚁群寻找食物的过程，为求解多维背包问题（MKP）等NP难（Non-deterministic Polynomial hard）问题提供可行途径。原始ACO算法及其改进算法，通常分为多个轮次，每个轮次均会生成一个蚂蚁种群寻找可行解。在不同轮次中，每轮蚁群中蚂蚁的数量是固定的，因此，如果将其指定一个较大的值，会导致算法出现不必要的时间消耗；反之，如果指定的值较小，则会降低算法全局最优解搜索能力。为此，提出了一种基于蚁群数量动态调整的改进蚁群优化算法ACO-ANDA(ACO algorithm based on Ant Number Dynamic Adjustment)，所提算法在可行解搜索过程中，引入了一种新的蚁群数量动态调整机制。在每轮可行解搜索结束后，均根据近几轮可行解和历史最优解之间的关系，调整下一轮蚁群数量，实现对算法时间耗费和最优解搜索能力的平衡。再基于MKP基准测试集SAC-94的多组实验结果表明，相较于原始ACO算法，所提算法能够在最优解利润平均降低0.02%的情况下，平均降低77.85%的时间耗费。     

蚁群算法的优化及在TSP问题上的应用

蚁群算法是一种模仿真实蚂蚁群集体行为的全局启发式随机搜索算法,目前蚁群算法存在易陷入局部最优、搜索时间长等问题。提出一种改进的蚁群算法,加入扰动策略、挥发因子动态调整策略以避免算法陷入局部最优值,采用奖励策略提高搜索效率。通过在旅行商问题上验证得知,改进后的算法可以获得已知最优值,与最大最小蚁群算法相比,解的平均值、出现最优值的概率都有提高。     

基于觅食-返巢机制连续域蚁群算法

蚁群算法求解函数问题,人工蚂蚁的搜索范围和信息素浓度更新速度直接影响到是否能够获得全域最优解。为了获得更加稳定且准确的全域最优解,受自然蚂蚁觅食后返巢行为的启发,提出了具有觅食-返巢机制的蚁群算法。该算法主要通过增大人工蚂蚁的搜索范围以及加快信息素浓度的更新速度进行改进。通过函数测试,结果表明：觅食-返巢连续域蚁群算法相比于以往的遗传算法和连续域蚁群算法,能够得到更好的计算结果和运行时间。因此觅食-返巢机制使得蚁群算法求解全域最优解的能力获得了提高。     

一种新的基于并行蚁群算法的旅行商问题求解方法的研究

分析了旅行商问题,结合蚁群算法的群体的协作与学习能力,提出了一种基于蚁群算法的的旅行商并行计算模式．该算法根据蚁群的本质特征,并结合计算中通讯的开销,采用了粗粒度模型,并引入变异思想,能够提高算法的收敛速度,以获得更好的优化解．通过旅行商问题的仿真实验获得的结果表明,该算法对于蚁群算法具有较好的改进效果,能够很好地解决旅行商一类的问题问题求解。     

基于混合行为的自适应蚁群算法

针对传统蚁群算法求解能力的不足,提出了一种基于混合行为的自适应蚁群算法(HBACA).通过引入具有多行为的混合蚂蚁来扩大解搜索空间,避免早熟和停滞现象;另外在每次迭代过程中具有不同行为的蚂蚁数目可以视具体情况而动态地进行调整,以便在加速收敛和防止早熟、停滞现象之间取得一个较好的平衡.实验表明,相比ACS、MMAS算法,改进算法求解TSP问题的性能得到了加强.     

双种群改进蚁群算法

基本蚁群优化（Basic Ant Colony Optimization，BACO）算法在进化中容易出现停滞，其根源是蚁群算法中信息的正反馈．在大量蚂蚁选择相同路径后，该路径上的信息素浓度远高于其他路径，算法很难再搜索到邻域空间中的其他优良解．对此，提出一种双种群改进蚁群（Dual Population Ant Colony Optimization，DPACO）算法．借鉴遗传算法中个体多样性特点，将蚁群算法中的蚂蚁分成两个群体分别独立进行进化，并定期进行信息交换．这一方法缓解了因信息素浓度失衡而造成的局部收敛，有效改进算法的搜索性能，实验结果表明该算法有效可行．     

改进蚁群算法在二次分配问题中的应用

为了解决基本蚁群算法在求解大规模二次分配问题时暴露出的缺陷,本文提出一种改进的蚁群算法。在基本蚂蚁算法中,采用全局信息素更新策略,使用距离及流量作为启发式信息并引入局部优化策略,对每代的最优解进行改进,进一步加快算法的收敛速度。通过对于二次分配问题的3种不同类型的问题进行实验,将改进的蚁群算法与基本蚂蚁算法及混合遗传算法进行比较,结果表明该改进算法具有更优的性能。     

基于信息素扩散模型解耦控制策略的蚁群算法

蚁群优化是一种元启发式的随机搜索技术．信息素是蚁群进行交流并实现群集智能的媒介，所以信息素的更新策略一直是蚁群算法中的一个研究热点．针对信息素扩散的耦合特征，提出一种基于信息素扩散模型解耦控制策略的蚁群算法．对信息素扩散模型进行改善，建立以蚂蚁经过的路径（直线段）为信源的信息素扩散模型，通过分析信息素扩散浓度场的耦合性，引入去耦控制策略来修正信息素的更新公式，大量TSP（traveling salesman problem）问题的实验表明：该算法不仅能获得更好的解，而且能加快算法的收敛速度．     

基于改进精英机制的双种群蚁群算法

针对蚁群优算法在进化中容易出现早熟和停滞的现象,对基本蚁群算法进行了改进。借鉴生物群体的相互协作机理,将蚁群算法中的蚂蚁分成两个群体分别独立进行进化,并定期进行信息交换。同时,将遗传算法中排序的概念扩展到精英机制当中,形成基于优化排序的精英蚁群系统。两方法相结合,有效缓解了因信息素浓度失衡而造成的局部收敛,改进算法的搜索性能,计算结果也表明该算法有效性和可行性。     

一种改进的自适应蚁群算法求解TSP问题

文章提出了一种改进的蚁群算法,其核心是限制单步路径上的蚂蚁数目,当该路径上的信息素达到一定浓度时,人为的迫使蚂蚁改换路径,从而更好的全局寻优,避免算法陷入局部极优,并使用2-Opt方法对路径进行优化。对旅行商问题（TSP）的实验结果表明：新算法的优化结果和效率都优于基本蚁群算法。     

基于蚁群算法的PID控制器参数优化研究

蚁群算法是一种新型的优化算法,具有收敛速度快、鲁棒性强的优点。在介绍蚁群算法基本原理的基础上,分析了蚁群的自组织行为,给出该行为的数学模型一蚂蚁群体优化（Ant Colony Optimization,ACO）。提出一种基于蚁群算法优化PID控制器参数的方法,并给出了新算法的具体实现步骤。仿真结果表明了该方法的可行性和有效性。     

蚁群算法原理的仿真研究

从蚁群觅食行为受到启发，意大利学者M．Dorigo等人提出了一种新型的模拟进化算法——蚁群算法，初步的研究表明该算法具有极强的鲁棒性和发现较好解的能力。该文通过直接模拟真实蚁群的觅食行为，提出了一种真实蚁群模拟算法(Real Ant Colony Simulating Algorithm，RACSA)，并通过仿真实验对影响蚁群行为的因素(信息素的重要程度、信息素的蒸发系数、蚂蚁数及信息素留存量)进行了研究，其结论对蚁群算法的理论研究和算法实现具有重要的参考价值。     

基于蚁群算法求路径规划问题的新方法及仿真

该文提出了一种基于蚁群算法求解路径规划问题的新方法及其仿真,蚁群算法就是对自然界中蚂蚁的寻食过程进行模拟而得出的一种模拟进化算法。与传统的算法相比,该算法的主要特点是正反馈和并行性,正反馈使得该算法能很快发现较好解,并行性使得该算法易于实现并行计算。虽然蚁群算法在时间复杂度上可能不如传统的算法,但是理论研究表明该方法是一种基于种群的鲁棒性较强的模拟进化算法。最后,利用Java语言对蚁群算法和改进的Dijkstra算法进行了仿真,并进行了比较。     

多目标优化问题的蚁群算法研究

将离散空间问题求解的蚁群算法引入连续空间,针对多目标优化问题的特点,提出一种用于求解带有约束条件的多目标函数优化问题的蚁群算法.该方法定义了连续空间中信息量的留存方式和蚂蚁的行走策略,并将信息素交流和基于全局最优经验指导两种寻优方式相结合,用以加速算法收敛和维持群体的多样性.通过3组基准函数来测试算法性能,并与NSGAII算法进行了仿真比较.实验表明该方法搜索效率高,向真实Pareto前沿逼近的效果好,获得的解的散布范围广,是一种求解多目标优化问题的有效方法.     

蚁群算法求解分布式系统任务分配问题

蚁群算法是受自然界蚂蚁觅食过程中,基于信息素的最短路径搜索食物行为的启发提出的一种智能优化算法.研究表明,在求解复杂优化问题方面该算法具有一定的优越性.任务分配问题是一类典型的组合优化问题.应用蚁群算法来解决多处理器分布式系统上的任务分配问题,一个任务只能分配给一个处理器处理,而一个处理器可以处理多个任务,其中每个处理器都有固定成本和能力限制.仿真结果表明,该算法比禁忌搜索和随机方法具有更好的求解能力.     

带佳点交叉算子的非均匀窗口蚁群算法

基本蚁群算法具有较强的鲁棒性,但收敛慢并容易陷入局部最优。针对这些缺陷,通过将蚂蚁的搜索空间缩减在非均匀的小窗口中,减少了蚂蚁的搜索时间。并将佳点集遗传算子引入到解的优化中来,提出了带佳点杂交算子的非均匀窗口蚁群算法,从本质上探索蚁群算法的寻优能力。实验结果表明:新提出的算法明显快于基本蚁群算法,佳点集杂交算子对解的优化有较好的作用。但需要继续探索避免陷入局部最优的方法,以及算法各部分所采用的方法的平衡问题。     

带佳点交叉算子的非均匀窗口蚁群算法

基本蚁群算法具有较强的鲁棒性，但收敛慢并容易陷入局部最优。针对这些缺陷，通过将蚂蚁的搜索空间缩减在非均匀的小窗口中，减少了蚂蚁的搜索时间。并将佳点集遗传算子引入到解的优化中来，提出了带佳点杂交算子的非均匀窗口蚁群算法，从本质上探索蚁群算法的寻优能力。实验结果表明：新提出的算法明显快于基本蚁群算法，佳点集杂交算子对解的优化有较好的作用。但需要继续探索避免陷入局部最优的方法，以及算法各部分所采用的方法的平衡问题。     

蚁群算法和免疫算法的融合及其应用

蚁群算法作为一种启发式算法,其参数组合一般是通过大量实验取得的。文中将免疫算法和蚁群算法相结合,即用免疫算法来求得蚁群算法中关键参数的较优组合,以增强蚁群算法的有效性。通过求解QoS单播受限路由问题的仿真实验,表明融合算法是有效的。