粒子群位置转移和最近邻居选择的多线程蚁群算法

本文提出了一种多线程的高速收敛蚁群算法,该算法在MMAS基础上,采用多线程来实现其蚁群算法并行机制以减少寻路时间,同时结合粒子群算法中粒子位置转移的机制,采用一种新颖的最近邻居选择策略、并进行动态信息素更新策略,以保证在每次搜索中,都能迅速向较优解靠拢.同时,还采取了一种局部变异策略,以对每次搜索的结果进行优化.     

物流配送最短路径网搜索的改进蚁群算法

将蚁群优化的基本原理用到物流配送网最短路径搜索中,在充分考虑了物流配送网基本特性后,采用了一种基于加强方向性搜索、减少搜索范围的蚁群算法对其进行具体实现.改进的蚁群算法改善了基本蚁群算法中的随机搜索特性,使算法能以较快的速度收敛到最优解上.     

公司班车的协同车辆路径问题

考虑员工上下班时间及早晚高峰期影响班车行驶速度等因素,建立协同车辆路径问题的数学模型.针对蚁群优化算法的缺点,结合具有快速全局搜索能力的遗传算法,并自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混合自适应蚁群优化算法.应用该算法和蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于蚁群优化算法.     

基于混合反馈机制的扩展蚁群算法

由于传统蚁群算法基于正反馈机制的单一搜索方式,导致其存在收敛速度慢、易陷入局部极值的缺点.针对该问题提出一种基于混合反馈机制的扩展蚁群算法(MF-ACO),该算法在传统蚁群算法的基础上定义一种具有较强全局搜索能力的扩展型蚂蚁,帮助算法跳出局部极值;参考蚁群劳动分工行为,设计基于刺激-响应分工模型的负反馈平衡机制,动态平衡算法的收敛能力和全局搜索能力;最后依据分工模型对蚂蚁个体的信息素更新策略进行改进,进一步加快算法收敛速度.以多个TSP实例作为测试对象进行仿真实验,实验结果验证了所提算法的优越性,并将该算法用于机器人路径规划问题,在实际应用中进一步验证了所提算法的有效性.     

求解TSP问题的自适应模拟退火蚁群算法

针对蚁群算法易陷入局部最优,收敛速度较慢的问题,在最大-最小蚁群算法的基础上,提出一种自适应模拟退火蚁群算法。在高温阶段以一定概率接受次优解,优化每次迭代后的路径,增加算法的全局搜索能力,并采用一种自适应的信息素更新策略,前期增加算法的全局搜索能力,后期加快算法的收敛速度;在低温阶段通过降温系数的取值,加快算法收敛速度,在温度机制上采用了回火机制,避免局部最优,使解的质量得到了提高。同时在算法中结合了3opt进一步优化了算法解的质量。实验结果表明该算法的收敛速度以及求解质量得到了一定程度的改善,较好地平衡了种群多样性以及收敛速度的关系。     

带有单亲遗传特征的蚁群算法

蚁群算法是一种新型的模拟进化算法,具有许多优良的性质,但同时也存在着计算时间过长和易导致早熟收敛等缺点.单亲遗传算法不使用基本遗传算法常用的交叉算子,简化了遗传操作过程,且不要求初始群体具有广泛多样性,计算速度较快,不存在早熟收敛现象.将这两种算法结合,提出一种具有单亲遗传特征的蚁群算法.将蚁群算法每次搜索结果作为初始种群,进行单亲遗传优化改良,求得最短路由.在旅行商问题上的实验证明了该算法的有效性.     

带免疫变异的蚁群优化算法

研究算法寻优的问题时,传统的蚁群优化算法在寻优过程中存在一定缺陷,如容易陷入停滞状态,收敛速度慢.结合免疫算法和蚁群算法的优点,为提高精度和运算速度,提出一种基于免疫算法的蚁群优化算法.采用搜索解的过程中对概率选择规则采用了对比度增强技术,以加快算法的收敛速度;并融入选择算子进行搜索,根据先验知识提出了免疫变异策略,提高算法的全局性能.仿真结果表明,改进算法具有很好的稳定性和全局优化性能,有效地防止停滞现象,加快了算法的收敛速度.     

基于细粒度模型的并行蚁群优化算法

蚁群优化算法的研究和应用已取得了不少重要成果,然而在大规模优化应用中还存在搜索时间长的问题,为此研究了一种基于细粒度模型的并行蚁群算法。实验结果表明,该算法与最新的改进算法相比,搜索速度提高数十倍至数百倍以上。     

基于交互式的并行蚁群优化算法

传统蚁群优化算法研究已经取得了很多重要的成果,但是在解决大规模组合优化问题时仍存在早熟收敛,搜索时间长等缺点.为此,将邻域搜索技术与蚁群优化算法进行融合,提出一种新的并行蚁群优化算法,实验结果表明,在解决大规模TSP问题时,该算法求解质量和稳定性更好,在短时间内即可得到较高质量的解.     

基于改进蚁群算法的数据仓库多连接查询优化

传统蚁群算法在解决数据仓库查询优化问题时存在过早收敛、收敛速度慢的缺点。为此,对传统蚁群算法进行改进,将伪随机状态转移规则引入最大最小蚁群系统,在每次迭代结束后进行迭代局部搜索。实验结果表明,改进算法在多表连接查询优化中具有较快的收敛速度,能提高最优解的质量。     

CONTROL OF DEAD-TIME SYSTEMS USING HYBRID ANT COLONY OPTIMIZATION

This paper introduces two improved forms of the ant colony optimization (ACO) algorithm applied to a proportional integral derivative (PID) controller and Smith predictor design. Derivative free optimization methods, namely simplex derivative based pattern search (SDPS) and implicit filtering (IMF), are used to intensify the search mechanism in the ACO algorithm with improved convergence over the original ACO. The effectiveness of the controller schemes using the proposed algorithms, namely SDPS-ACO, and IMF-ACO, is demonstrated using unit step set point response for a class of dead-time systems, and the results are compared with some existing methods of controller tuning.     

Hybrid large neighbourhood search algorithm for capacitated vehicle routing problem

This paper presents a new hybrid algorithm that executes large neighbourhood search algorithm in combination with the solution construction mechanism of the ant colony optimization algorithm (LNS–ACO) for the capacitated vehicle routing problem (CVRP). The proposed hybrid LNS–ACO algorithm aims at enhancing the performance of the large neighbourhood search algorithm by providing a satisfactory level of diversification via the solution construction mechanism of the ant colony optimization algorithm. Therefore, LNS–ACO algorithm combines its solution improvement mechanism with a solution construction mechanism. The performance of the proposed algorithm is tested on a set of CVRP instances. The hybrid LNS–ACO algorithm is compared against two other LNS variants and some of the formerly developed methods in terms of solution quality. Computational results indicate that the proposed hybrid LNS–ACO algorithm has a satisfactory performance in solving CVRP instances.     

一类用于连续域寻优的蚁群算法

由真实蚁群觅食行为启发而来的经典蚁群算法,非常适合解决组合优化问题,但经典蚁群算法的离散性本质也限制了其在连续空间问题求解中的应用。为此,提出了一种用于连续域寻优的改进蚁群算法。局部搜索上基于解决离散域问题的经典蚁群优化思想,全局搜索利用类似于遗传算法的交叉、变异操作-称为Ant Diffusion和Ant Walk方法,每代寻优结束后均采用"精英策略"把本代最优个体保留到下一代中。最后,采用改进算法对几个基准函数做了寻优测试,都取得了良好的效果,证明了算法的有效性。     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

GACO – A HYBRID ANT COLONY OPTIMIZATION METAHEURISTIC FOR THE DYNAMIC LOAD-BALANCED CLUSTERING PROBLEM IN AD HOC NETWORKS

We present the design of a novel hybrid genetic ant colony optimization (GACO) metaheuristic. Genetic ant colony optimization is designed to address the dynamic load-balanced clustering problem formulated from ad hoc networks. The main algorithm in GACO is ACO. Whenever an environment change occurs (i.e., nodes move), it makes use of a genetic algorithm to quickly achieve adaptation by refocusing the search process around promising areas of the search space induced by the new problem structure. Compared to other ACO approaches for dynamic problems, GACO does not depend on any problem-specific heuristics to repair or deconstruct solutions. Genetic ant colony optimization also does not require the knowledge of the specific changes that occurred. We compare GACO with three other adaptation methods, namely, P-ACO, PAdapt, and GreedyAnts. P-ACO is a population-based ACO approach that invokes a repair algorithm on its population of solutions when an environment change occurs. PAdapt works by adapting the values of major ACO parameters, while GreedyAnts employs a group of ants that construct solutions in a greedy manner. Empirical results show that GACO is able to react and recover faster from any performance degradation. Genetic ant colony optimization also produces better solutions within the allowable recovery window. These results are shown to be statistically significant.     

基于改进蚁群算法的项目组合工期——成本优化的研究

基于企业战略导向的项目组合工期——成本优化问题是企业进行多项目管理时需要解决的重要问题,对企业资源效益最大化发挥起到关键作用,它从本质上属于多目标优化问题。本文将蚁群算法引入项目组合工期——成本优化问题的求解,并针对蚁群算法存在的早熟、停止、局部最优的缺点,提出与混沌结合的改进蚁群算法,引进确定和不确定性搜索规则。实验结果表明,改进的蚁群算法能够有效地提高蚁群算法的全局寻优能力,对工期——成本优化问题的求解能够得出比较好的结果。     

一种基于GPU加速的细粒度并行蚁群算法

为改善蚁群算法对大规模旅行商问题的求解性能,提出一种基于图形处理器(GPU)加速的细粒度并行蚁群算法.将并行蚁群算法求解过程转化为统一计算设备架构的线程块并行执行过程,使得蚁群算法在GPU中加速执行.实验结果表明,该算法能提高全局搜索能力,增大细粒度并行蚁群算法的蚂蚁规模,从而提高了算法的运算速度.     

求解多处理机调度问题的蚁群算法

蚁群算法是受自然界中的蚂蚁觅食行为启发而设计的智能优化算法，特别适合处理离散型的组合优化问题。提出一种求解多处理机调度的蚁群算法,利用一个蚂蚁代表一个处理机来选择任务，并通过分析关键路径及每个任务的最早、最迟开始时间来确定每个任务的紧迫程度，让蚂蚁以此来选择任务。实验证明，该算法可比传统算法取得有更好运行效率的调度策略。     

基于分解优化的多星合成观测调度算法

某些卫星的侧摆性能较差, 必须进行合成观测以提高观测效率. 研究了多星联合对地观测中的任务合成观测调度问题. 提出了将原问题分解为任务分配与任务合成的分解优化思路. 任务分配为任务选择卫星资源及时间窗口; 任务合成则针对该分配方案,将分配到各卫星的任务按照轨道圈次分组, 分别进行最优合成. 采用蚁群优化算法(Ant colony optimization, ACO)求解任务分配问题, 通过自适应参数调整及信息素平滑策略, 实现全局搜索和快速收敛间的平衡.提出了基于动态规划的最优合成算法, 求解任务合成子问题,能够在多项式时间内求得最优合成方案. 依据分配方案的合成结果, 得到优化方案的特征信息, 反馈并引导蚁群优化算法对任务分配方案的搜索过程. 大规模测试算例验证了本文算法的效率.     

含维变异算子的连续域蚁群算法

针对在连续优化中,蚁群算法(ACO)存在的收敛速度慢和易陷入局部最优的问题,提出了一种新的含维变异算子的连续域蚁群算法(DMCACO)。该算法采用动态随机抽取的方法来确定目标个体,引导蚁群进行全局的快速搜索,同时在当前最优蚂蚁邻域内进行小步长的局部搜索。在定义了维多样性概念的基础上,引入维变异算子对维多样性最差的维进行变异：让所有蚂蚁在该维上的位置重新均匀分布在可行区域上。对测试函数所做的仿真实验表明,该算法具有优良的全局寻优能力和快速的收敛能力。