遗传融合蚁群算法的改进与仿真

原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,能够克服收敛速度较慢,易出现停滞,以及全局搜索能力较低的缺陷。但是还不够,因此,在原有的遗传融合蚁群算法的基础上进行了许多改进以扩大解的搜索空间,更加提高其全局优化寻优速度。并将遗传融合蚁群算法和改进的遗传融合蚁群算法分别应用于TSPLIB中的Att532TSP问题进行了仿真实验。仿真研究表明,改进后的算法具有更优良的全局优化性能,效果令人满意。     

动态调整选择策略的改进蚁群算法

针对蚁群算法存在停滞现象的缺点,提出一种动态调整的选择策略以强化其全局搜索能力.改进的选择策略通过适当刺激蚂蚁尝试具有较弱信息素解,以提高所得解的全局性.给出了新算法仿真实验步骤,并将改进后的蚁群算法与传统蚁群算法分别应用于旅行商问题(TSP)进行仿真实验.仿真结果表明,改进后的算法具有优良的全局优化性能,可抑制算法过早收敛于次优解,有效防止了停滞现象,收敛速度也大大加快.     

一种定向式挖掘的连续域蚁群算法

针对蚁群算法在求解连续域优化问题时存在复杂度较大、迭代次数较长等问题,提出了一种用于连续域寻优的改进蚁群算法。改进的蚁群算法通过对解空间定向式挖掘来实现全局快速搜索。给出了新算法仿真实验步骤,并将改进后的蚁群算法与其他连续域蚁群算法以及其他智能优化方法进行仿真对比实验。详细的测试结果表明,改进后算法具有优良的全局优化性能,收敛速度也有很好的提升。     

交叉变异蚁群算法在VRP问题中的应用研究

提出一种改进的蚁群算法,新算法利用遗传算法对蚁群算法的参数进行优化,然后利用新的蚁群算法求解基本的车辆路径问题。改进的蚁群算法具有全局搜索能力强的特点,仿真结果表明,新算法的优化质量和效率都优于传统蚁群算法。     

基于蚁群算法的飞机定检原位工作流程优化

首次将蚁群算法（ACO）应用于飞机定检原位工作流程优化中。在建立原位工作流程优化模型的基础上,借鉴最优一最差蚂蚁系统的思想改进信息素更新机制,并采用改进的精英策略和变异特征对基本蚁群算法进行改进。实例仿真表明,改进蚁群算法在全局搜索能力和收敛速度上较基本蚁群算法有明显提高,克服了基本蚁群算法搜索时间长、容易早熟的不足。优化后原位工作完成时问较优化前缩短2．27％,验证了ACO在解决定检工作流程优化问题上的适用性。     

一类自适应蚁群算法的收敛性分析

为了提高基本蚁群算法的全局求解能力,对基本蚁群算法进行了改进,提出了一种基于信息素挥发因子自适应变化的蚁群算法,并证明了当迭代次数充分大时算法能以概率1收敛到全局最优解,通过对TSP仿真实验表明改进后的蚁群算法在求解最优解时存在优势。     

自适应调整α,β参数的蚁群算法

为了提高基本蚁群算法的全局求解能力,对基本蚁群算法进行了改进,提出了一种通过自适性改变启发式因子α和期望启发式因子β的蚁群算法.当连续几代进化后的最优解没有明显变化时,改进后的算法通过对启发式因子α和期望启发式因子β的自适应调整来提高最优解的求解质量.通过对TSP问题的仿真表明,改进后的蚁群算法在求解最优解和收敛性能方面比起基本蚁群算法存在优势.     

基于改进蚁群优化的盲均衡算法研究

基本蚁群优化算法在信号的盲均衡处理中存在收敛速度慢、容易陷入局部最小的缺点.为了解决基本蚁群算法所存在的不足,文是通过修正基本蚁群算法的转移概率公式给出一种改进的蚁群优化盲均衡算法,建立了基于改进蚁群优化算法的 SIMO 系统盲检测模型,并对基于基本蚁群优化盲均衡算法和改进蚁群优化的盲均衡算法性能进行仿真.仿真分析结果表明,文中提出的改进算法能很好地恢复出未知的发送信号,同时提高了计算效率和加快了收敛速度,表现出了优于文献算法的良好性能     

改进蚁群算法在武器目标分配中的应用研究

为进一步扩大蚁群算法的搜索空间,提高算法的全局搜索能力,论文提出一种基于贪心策略的自适应蚁群算法,并将改进后的算法应用于武器目标分配问题,通过给出任务实例,用基本算法和改进算法分别利用Matlab进行仿真实验,验证了其可行性和有效性.     

动态调整路径选择的蚁群优化算法

针对蚁群算法收敛速度慢和存在停滞现象的缺点,提出对比度增强的路径选择规则以增强其全局搜索能力,选择规则加强了对反馈信息的利用,能加快算法的收敛速度,通过信息熵来动态控制对比度增强的方向,在避免算法停滞的同时加快了算法的收敛速度。将改进后的蚁群优化算法与传统的蚁群优化算法进行比较,仿真实验结果表明,改进算法具有较好的稳定性和全局优化性能,且收敛速度较快。     

改进型蚁群算法的多处理机任务调度研究

蚁群算法是一种新型的模拟进化算法,具有正反馈、分布式计算等特点,是一种解决组合优化问题的有效算法。在介绍蚁群算法基本原理以及探讨该算法的缺陷基础上,针对多处理器任务调度问题,提出了一种基于改进型蚁群算法的调度策略。仿真研究表明,该算法具有优良的全局优化性能,效果令人满意。     

带有征税算子的改进蚁群优化方法

针对蚁群算法存在停滞现象的缺点,借鉴人类社会税收机制的作用,提出了能够强化其全局搜索能力的征税算子。征税算子通过抑止信息素差异急剧膨胀,以提高所得解的全局性。并对征税算子的参数设置以及收敛性问题进行讨论研究,最后将添加征税算子的蚁群算法与传统蚁群算法分别应用于旅行商问题（TSP）进行仿真实验。仿真结果表明,征税算子具有优良的全局优化性能,可抑制算法过早收敛于次优解,有效防止了停滞现象。     

蚁群算法的改进及在TSP问题上的仿真验证

蚁群算法是一种新型的模拟进化算法，具有正反馈、分布式计算等特点。在介绍蚁群算法基本原理的基础上，针对基本蚁群算法求解速度缓慢、容易陷入局部最优等特点，采用分区搜索的思想，提出了一种改进的蚁群算法。它将搜索区域分成几个较小的区域进行局部搜索，得到了局部较优解，以此产生蚁群算法在全局搜索时的初始信息素分布，并结合局部与全局信息素调整等策略，大大地加速了算法的收敛速度。在TSP旅行商问题上的仿真验证表明它是可行性和有效性的。     

基于蚁群算法的QoS最佳路由选择问题的研究

针对当前通信网络中存在的服务质量问题提出了满足QoS约束的最佳路由选择算法——蚁群算法，该算法是一种新型的进化算法。与其它进化算法一样存在搜索时间过长和易于陷入局部最优解等缺陷。提出了一种通过动态地调整信息素的挥发度和采用最优、最差路径信息索全局更新策略来克服上述缺陷。改进型算法能较快地收敛到全局最优解。仿真结果表明上述方法是可行和有效的。     

基于蚁群算法的六自由度并联坐标测量机测量建模

针对并联机构的位置反解容易,正解复杂的特点,将位置反解模型作为评价函数,而把复杂的位置正解问题转化为优化问题。作者利用改进的蚁群算法的全局优化特性,建立了基于六自由度并联坐标测量机的测量模型。仿真结果表明,蚁群算法应用于并联坐标测量机测量建模与求解,可以获得较高的计算精度和计算速度。     

改进的遗传混合蚁群算法在TSP问题中的应用

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一种改进的遗传混合蚁群算法。在每代进化中保留最优解和次优解的公共解集后引入遗传操作中的交叉算子进行运算,并采用自适应改变信息素挥发系数的方法,加快了算法收敛速度,提高了解的全局性。通过对TSP问题的仿真运算表明,改进的遗传混合蚁群算法在收敛速度和解的全局性上都有较大的改善。     

啤酒原料配方的蚁群优化设计研究

啤酒配方优化是提高啤酒企业生产效率的重要途径。但对于配方优化问题,传统的数学优化方法实现较为复杂,缺乏全局最优解搜索的鲁棒性。蚁群算法目前多用于组合优化问题,但它在演化过程中有收敛慢、耗时长的缺点。因此,提出了变尺度蚁群算法,在迭代过程中不断收缩蚂蚁的搜索范围以提高优化效率。并研究了变尺度蚁群算法在啤酒配方优化中的应用,在满足生产指标前提下,实现配方的原料总成本最低。其应用结果表明：针对啤酒配方优化这类连续域问题,变尺度蚁群算法具有更强的全局搜索能力和鲁棒性,并易于实现,具有实际应用价值。     

改进的遗传蚁群混合算法在 TSP 中的应用

针对遗传算法和蚁群算法的不足,提出一种改进的遗传蚁群混合算法。该混合算法通过判定最优解的改良情况,将遗传算法和蚁群算法动态串行融合,以充分利用遗传算法的全局搜索能力和蚁群算法的正反馈机制。同时,依据信息素在正反馈过程中的重要作用,提出一种改进的带奖惩项的信息素更新机制。仿真计算结果表明,本文提出的混合算法在求解TSP方面,收敛速度和求解质量均较传统的遗传算法及蚁群算法要好。     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.