一种优化的蚁群算法

蚁群算法是一种新型的启发式算法,它具有许多优良性质,被广泛用于求解组合优化问题,但基本蚁群算法也存在诸多不足。为使蚊群算法对应TSP问题的解更加优良,提出了一种改进的蚁群算法并对它进行了试验,结果表明改进算法是有效的,这也为蚁群算法的优化提供了一个新的途径。     

蚁群算法发展评述

蚁群算法作为一种基于种群的模拟进化算法,在从提出到现在的短短十余年的时间里,已经被成功地用于解决各种复杂的组合优化问题,并且取得了令人欣喜的效果。但蚁群算法也有其相应的缺点。对蚁群算法的基本模型及其改进形式作了介绍,并对蚁群算法的未来研究方向作了展望。     

蚁群算法的研究现状

蚁群算法是一种新型的模拟进化算法，研究表明该算法具有很好的通用性和鲁棒性．在离散的组合优化问题中实验，取得了良好的效果。介绍了蚁群算法的原理，对目前蚁群算法的研究进展情况进行了分析，同时对比国内外的研究状况提出了自己的观点，以推动该算法在更广阔的领域内得到应用。     

一种求解TSP问题的相遇蚁群算法

蚁群算法是由意大利学者M．Dorigo等人首先提出的一种新型的仿生算法。蚁群算法与其他算法同样存在搜索速度慢,易于陷于局部最优。该文提出一种改进的相遇算法克服了以上的缺陷。通过对TSP问题的仿真结果表明,提出的相遇算法与基本蚁群算法相比搜索速度和性能都有一定的提高。     

一种求解TSP问题的动态杂交算子

TSP(TravelingSalesmanProblem)问题是最经典的NP-hard组合优化问题之一。长期以来,人们一直在寻求快速、高效的近似算法,以便在合理的时间内解决大规模问题。论文在文犤5犦提出的两交换启发交叉算子的基础上,通过分析,发现该算子的杂交结果与所选择的首城市有关,因而不同的首城市的选择会大大影响该算子的效率,此外,在杂交母体范围内执行贪婪策略也导致了算法的效率较低。为此,提出了一种新的有效利用局部信息的杂交算子,该算子能够有效地保存母体信息,进一步摆脱首城市的选择问题。实例仿真证明了该算子的有效性。     

求解TSP问题的一种改进蚁群算法

TSP问题是典型的NP—hard组合优化问题,用蚁群算法求解此问题存在搜索时间长,容易陷入局部最优解的不足。本文提出了一种改进的蚁群算法。该算法在蚁群算法中植入遗传算法,利用遗传算法生成信息素的分布,克服了蚁群算法中搜索时间长的缺陷。此外,在蚁群算法寻优中,采用交叉和变异的策略,改善了TSP解的质量。仿真结果显示,改进的蚁群算法是有效的。     

基于TSP问题的遗传算法和蚁群算法研究

TSP问题(旅行商问题)是一个典型的组合优化问题,遗传算法(Generation Algorithm,GA)和蚁群算法(Ant Colony Qptimization,ACO)都属于仿生型优化算法,通过两种算法解决TSP的仿真实验,对问题规模、运行时间、性能稳定性及正确性进行了对比分析.得出问题规模小于20时,ACO算...     

关于求解难组合优化问题的蚁群优化算法

1.引言组合优化问题在规划、调度、资源分配、决策等工程问题中有着非常广泛的应用。在问题规模较小时,可以使用分支定界法或动态规划方法等来求解。当问题规模增大时,解的数目虽然有限,但呈指数增长,要在合理时间内求得准确的最优解实际上已不可能。为此,人们设计了各种启发式算法。近年来,最重要和最有希望的一个研究领域是构造“师法自然“的启发式。它们类比社会系统、物理系统、生物系统等的运行机制,设计算法在问题的解空间中进行非确定性搜索。典型的有遗传算法(GA)、模拟退火(SA)、人工神经网络(ANN)。这些算法由于其自适应性,对难组合优化问题的求解取得了好的结果,被广泛应用于工程优化和控制中。本文将要介绍的蚁群优化算法,由于其较强的自适应性和对问题状态的学习能力,正逐步成为一种新的有潜力的优化算法。     

蚁群算法优化策略综述

对于求解TSP问题,新型的启发式算法——蚁群算法,是成功解决此类问题核心的算法之一。本文简要介绍了几种启发式算法并引出蚁群算法,并对蚁群算法基本原理、常用算法进行了深入的研究,并介绍了一种新的优化策略。     

用于求解函数优化的蚁群算法设计

为了求解一般的函数优化,在对标准蚁群算法研究的基础上,将遗传算法的编码方式引入蚁群算法,对蚁群算法的信息素更新进行改进,并提出一种搜索矩阵表达方式,减少了搜索矩阵的规模,从而提高了搜索效率。通过对几个经典测试函数的求解,证明了算法的有效性。     

改进的增强型蚁群算法

针对传统增强型蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种改进的增强型蚁群算法,该方法将传统的增强型蚁群算法和遗传算法中交叉操作和变异操作相结合,实验结果表明,该方法比传统的增强型蚁群算法具有更好的搜索全局最优解的能力。     

具有自适应杂交特征的蚁群算法

蚁群算法是一种新型的具有许多优良特性的模拟进化算法,然而,在解决组合优化问题时,收敛速度比较慢,而且容易发生停滞。为此,论文提出了一种具有自适应杂交特征的蚁群算法,该算法在判断发生停滞的情况下进行杂交,而且杂交时利用现有信息,有方向地向着更好的结果进行杂交。仿真实验结果表明:该算法可以有效地克服停滞,提高搜索效率并改进优化结果。     

改进蚁群算法的无线传感器网络路径优化

研究无线传感器网络路径优化问题,针对无线传感器网络(WSN)路径优化问题,在分析了遗传算法和蚁群算法各自优缺点的基础上,通过把蚁群算法作为WSN路径优化的主框架,采用遗传算的选择、交叉和变异算子提高蚁群算法搜索速度,提出一种改进蚁群算法的WSN路径优化方法。仿真结果表明,改进蚁群算法有效地克服了基本蚁群算法的缺陷,提高了WSN路径优化效率和成功率,减少了能理消耗,有效延长了网络生存时间。     

遗传布局中的交叉算子

针对遗传算法解决门阵列模式的布局问题时,传统的遗传交叉算子操作后出现了不可行的布局方案,因而寻找了3个新的交叉算子来避免产生这种冲突,通过实例对这3个算子的优越性进行了比较。     

蚁群优化算法及其应用

蚂蚁算法是由意大利学者M．Dorigo等人提出的一种新型的模拟进化算法。该算法首先应用于旅行商问题并获得了极大的成功,其后,又被用于求解指派问题、Job—shop调度问题、图着色问题和网络路由问题等。实践证明,蚂蚁算法是一种鲁棒性强、收敛性好、实用性广的优化算法,但同时也存在一些不足,如收敛速度慢和容易出现停滞现象等。     

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。     

批处理机调度问题的蚁群算法求解

为了求解工件具有不同尺寸的批处理机调度问题,将蚁群算法调整为工件直接成批的调度算法,并提出了一个新的局部优化算法对蚁群算法进行改进。最后通过仿真实验将本算法与其它算法对本问题的求解进行了比较,表明该算法在求解批调度问题上有较好的性能。     

基于动态自适应蚁群算法的MRI图像分割

MRI图像分割在医学图像分析中具有极其重要的理论和应用价值.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法.对目标边界模糊、目标灰度不均匀及目标不连续等情况的图像(如医学图像)分割,蚁群算法是一个比较好的选择.本文针对基本蚁群算法容易出现早熟和停滞现象的特性,提出了一种动态自适应蚁群算法,通过自适应的初始聚类中心调整策略和动态更新局部信息素浓度,使其收敛性和稳定性有一定的提高.实验证明改进的蚁群算法能够有效地分割MRI图像.     

基于免疫记忆的蚁群算法

充分利用前期迭代中解的信息是构造高效蚁群算法实现的关键之一.文中把免疫记忆和克隆选择的思想引入蚁群算法,提出了基于免疫记忆的蚁群算法(IMBACA).算法通过在原有蚁群模型上增加一个免疫记忆库,将记忆库中的解对应为免疫记忆细胞(及其产生的抗体),将问题对应为抗原,并借鉴克隆选择和免疫记忆的思想进行解的构造和信息素更新.算法从解的质量和时间方面与传统蚁群算法进行了比较,实验结果表明,所提出的IMBACA算法可明显提高传统蚁群算法的性能,同时也为解决其他组合优化问题提出了一个新的思路.