一种改进的自适应蚁群聚类算法

提出了一种改进的自适应蚁群聚类算法(improved adaptive ant clustering,IAAC).该算法改进了原来的AM(ant movement)模型,并在此基础上提出了一种网格化的移动策略来改善蚂蚁移动的随机性,使蚂蚁有意识地往模式较多的区域移动,极大地减少了蚂蚁无效的移动,使蚂蚁迅速地找到合适的位...     

自适应的混沌蚁群聚类XML分片模型

针对海量XML文档查询复杂等问题,本文尝试通过XML键约束及其矢量化操作,根据混沌原理,融入蚁群聚类算法构建并行XML数据库分片新模型(简称ACC);通过定义相应混沌适应度函数衡量蚂蚁与其邻域的相似程度,让整个人工蚁群在移动中动态地形成多个独立的子群体,同时对函数参数进行自适应的调整,使得人工蚁的移动仅仅使用少量的局部信息,加快XML分片速度并且提高分片质量.对比其它XML分片算法,一系列仿真实验表明利用混沌蚁群模型分片XML,在模型上更直观,计算代价较小.     

全局和局部最优解对蚂蚁群优化算法性能的影响

蚂蚁群优化算法(ant colony optimization, ACO)是一种元启发式方法,其中一群相对简单的Agent(人工蚂蚁)相互合作,求解离散优化问题.对第1个蚂蚁算法(ant system)进行扩展的大量研究表明,采用精英策略可以较好地改善算法性能.探讨了全局最优解和局部最优解间的平衡与解空间搜索的intensification,exploration的关系,及其对ACO算法性能的影响.实验结果表明,合理利用全局和局部最优解,可以显著提高ACO算法的性能.     

一种改进的模糊自适应遗传算法

模糊自适应遗传算法是将模糊控制器应用于遗传算法性能和参数控制的一种新型进化算法。提出了一种2输入和2输出的改进模糊自适应遗传算法。一方面,算法采用混沌初始化,提高了初始群体的质量;另一方面,算法将群体适应度方差作为模糊控制器的一个输入参量,来度量群体在空间分布的离散程度。将群体适应度均值商作为模糊控制器的另一个输入参量,来度量群体中个体的多样性。从而自适应地控制算法在进化过程中的交叉概率和变异概率。测试函数仿真结果表明,该算法很好地平衡了"开发"与"探测",取得了较为满意的优化结果。     

基于八叉树建模的人工蜂群动态路径规划算法

针对群体动画路径规划过程中存在收敛速度慢、与环境的交互性差等问题,提出一种基于八叉树建模的人工蜂群路径规划算法.将环境以八叉树模型进行分解并存储,引入群体自适应机制,通过粒子适应度和环境编码信息寻找目标点,采用分层方式实现路径的动态规划.仿真实验结果表明,该算法能进行群体路径动态规划,在寻优性和收敛性上均有较好的性能.     

求解频率分配问题的自适应的多种群蚁群算法

提出一种自适应的多种群蚁群算法用于求解频率分配问题．算法将蚂蚁群体划分为若干个子群体，每个子群体的蚂蚁并行地进行优化．在寻优过程中，算法为每个蚂蚁子群体定义一个收敛系数，根据收敛系数来决定子群体内部的路径的选择和信息量的更新．算法同时根据各个子群体的解的质量和分布情况来自适应地决定信息交流策略，包括选择信息交流的对象和调节信息交流的周期以及信息更新策略，以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡．对固定频率分配和最小跨度频率分配问题在并行计算机上的实验结果表明，本文算法不仅具有较快的全局收敛速度，而且有高质量的解和高的效率．     

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.     

基于群体适应度均值商的自适应遗传算法

在系统分析和研究自适应遗传算法特点的基础上,提出一种基于群体适应度均值商的自适应遗传算法.一方面,算法设计了群体早熟收敛的定量计算公式和引入了早熟收敛的判定阈值;另一方面,算法采用了改进的交叉和变异策略,即对陷入局部收敛的群体,依据平均适应度值将其一分为二:对性能优于平均适应度者实施先变异后交叉,而对性能劣于平均适应度者实施先交叉后变异.该算法应用在函数优化中,仿真结果表明其能有效提高全局寻优的性能,且鲁棒性好.     

用自适应的多种群蚁群算法求解频率分配问题

提出一种自适应的多种群蚁群算法求解移动通信中的频率分配问题。该算法改变了传统蚁群算法只有一个蚂蚁群体的做法，使用多个蚂蚁子群体同时进行优化处理。为每个蚂蚁子群体定义一个收敛系数，根据收敛系数来决定子群体内部的路径选择和信息量更新、子群体间的信息交流策略，同时采用自适应的信息更新策略以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡。通过对固定频率分配和最小跨度频率分配问题进行仿真的实验，表明此算法不仅具有较强的全局收敛性，而且有更快的寻优速度。     

一种自适应指导的文化粒子群算法

针对文化粒子群算法中影响函数对群体空间的全局变异操作,易导致粒子群算法结构失效及不易收敛的缺点,将群体适应度方差引入到群体空间,提出一种自适应指导的文化粒子群算法。算法通过计算群体适应度方差判断群体空间状态,当算法陷入局部最优时,自适应地利用影响函数对群体空间进行变异更新,从而有效发挥了文化粒子群算法“双演化双促进”机制。将该算法与基本粒子群算法（PSO）、文化粒子群算法（CPSO）和自适应变异粒子群算法（AMPSO）进行比较,实验结果证明该算法不仅具有较好的全局收敛性,算法收敛速度和稳定性也都有显著提高。