蚁群算法在求解旅行商问题中的应用综述

旅行商问题作为组合优化研究中最具挑战的问题之一, 自被提出以来就引起了学术界的广泛关注并提出了大量的方法来解决它. 蚁群算法是求解复杂组合优化问题的一种启发式仿生进化算法, 是求解旅行商问题的有效手段. 本文分别介绍蚁群算法中几个有代表性的算法, 综述了蚁群算法的改进、融合和应用的文献研究进展, 以评价近年来不同版本的蚁群算法为解决旅行商问题的发展和研究成果, 并针对改进蚁群算法结构框架、算法参数的设置及优化、信息素优化和混合算法等方面, 对现被提出的改进算法进行了分类综述. 对蚁群算法在未来对旅行商问题及其他不同领域的研究内容和研究热点的进一步发展提供了展望和依据.     

求解多目标优化问题的改进蚁群算法

蚁群算法是一种模拟蚂蚁行为进行优化的启发式优化算法,该算法在许多领域已经得到应用.针对多目标优化问题优化与求解较困难的问题,提出一种嵌入变尺度算法的改进蚁群算法用于求解,为蚁群算法在连续空间中的应用提供了怂一个可行的方案.给出了该算法的详细定义及实现步骤,实例仿真表明,该算法能加快收敛速率,对连续空间的蚁群算法研究具有重要的意义.     

基于改进蚁群算法的Hanoi给水管网优化设计

给水管网优化设计是一个多变量的离散优化问题,设计方案直接影响到工程的投资.针对蚁群算法在优化给水管网问题时易陷入局部极小难以寻求最优解的缺陷,提出一种改进蚁群算法,通过蚁群分工机制与优化信息素增加值提高了蚁群算法的全局搜索能力.利用改进蚁群算法对汉诺塔管网进行优化设计,结果表明改进蚁群算法的设计方案在满足工程要求的同时造价最低.通过与其他优化方法相比,提出的改进蚁群算法在给水管网优化问题中具有较好的全局搜索能力.     

蚁群优化算法的研究现状及研究展望

本文首先简要地介绍蚁群优化算法的来源、对应的生物原理和算法实现的框架．然后详细地讨论了算法的研究现状以及在各种优化问题中的应用情况，同时也指出了蚁群优化算法在当前应用中的一些不足．针对这些不足提出了解决方法，描述了几种蚁群优化算法的修正策略.最后对蚁群优化算法下一步的研究方向进行了展望．     

基于改进蚁群算法的物流配送路径求解

蚁群算法是受自然界中蚁群觅食行为启发而提出的一种智能优化算法,通过介绍蚁群搜索食物过程中基于信息素的最短路径的搜索策略.以及蚁群算法在VRP问题中的应用,给出了用于求解物流配送路径问题的蚁群算法.并针对蚁群算法在求解过程容易陷入局部最优的情况,提出了算法改进的措施.     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用,但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈.基于这些原因,根据经济学组织交易成本理论,文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法:基于聚类的蚂蚁优化算法,并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象.     

蚁群算法及其应用研究

蚁群算法是一种新型的模拟进化算法,是受到真实蚁群的觅食机制的启发而提出的。介绍了蚁群算法的基本原理和工作机制,并分别就蚁群算法的理论和应用进行了阐述,包括蚁群算法改进的不同算法以及蚁群算法在各个领域中的应用,并进一步给出了研究重点和发展方向。     

基于改进蚁群算法的无人天车路径规划

针对无人天车在吊运过程中的路径规划问题,提出了改进蚁群算法以优化天车路径.首先,综合考虑无人天车的行驶距离和任务等待时间,建立具有时空约束的路径规划数学模型.其次,改进常规蚁群算法的启发信息和信息素更新机制,并根据任务执行顺序限制条件和任务优先级系数改进蚂蚁的路径选择策略,以得到改进的蚁群算法.仿真结果表明,改进蚁群算法规划所得路径在路径长度和任务等待时间上均优于传统算法,证明了应用改进方法优化无人天车路径的可行性和有效性.     

浅谈指导变异蚁群算法

蚁群算法是意大利学者Dorigo于1991年提出的一种模拟进化算法,通过模拟蚂蚁在协作搜索食物时的搜索行为来寻求最优解。蚁群算法提出后却在组合优化中获得广泛的应用,如调度、二次分配和网络路由等。同时大量的实验结果表明蚁群优化结果优于遗传算法、进化算法和模拟退火算法,因此如何将蚁群算法应用到连续问题优化并获得其在离散优化问题上同样优异的性能,成为目前的一个研究热点,也是该文的主要研究内容。     

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.     

蚁群法研究进展及应用于化学化工

蚁群法是新型的群智能优化法,具有鲁棒性、分布并行机制和易融入启发式信息等特点。尤其通过释放信息素,蚂蚁间相互交流协作,实现正反馈机制,加速全局搜优,提高效率。蚁群法最初只用于离散问题。本文评述蚁群法的起源、改进和发展;重点介绍并分析了连续型蚁群法的几种处理方案和各自特点;全面总结蚁群法已应用在化学化工领域,以及对动态、带约束和多目标问题的处理方式和机制,效果良好,优于其他算法的情况。最后展望蚁群法今后的发展前景和研究方向。     

Ant colony optimization

Swarm intelligence is a relatively new approach to problem solving that takes inspiration from the social behaviors of insects and of other animals. In particular, ants have inspired a number of methods and techniques among which the most studied and the most successful is the general purpose optimization technique known as ant colony optimization. Ant colony optimization (ACO) takes inspiration from the foraging behavior of some ant species. These ants deposit pheromone on the ground in order to mark some favorable path that should be followed by other members of the colony. Ant colony optimization exploits a similar mechanism for solving optimization problems. From the early nineties, when the first ant colony optimization algorithm was proposed, ACO attracted the attention of increasing numbers of researchers and many successful applications are now available. Moreover, a substantial corpus of theoretical results is becoming available that provides useful guidelines to researchers and practitioners in further applications of ACO. The goal of this article is to introduce ant colony optimization and to survey its most notable applications     

Web服务组合QoS全局优化算法

Web服务技术的发展使得组合Web服务的应用成为可能,组合服务的QoS优化问题的重要性越来越明显。遗传算法与蚁群算法是解决QoS全局优化的两种方法,针对采用蚁群算法进行优化时易出现的收敛速度缓慢及遗传算法易陷入局部最优解、效率不高的问题,结合两种算法的优势,充分发挥蚁群算法正反馈特性与遗传算法的快速全局搜索能力,改善QoS全局优化算法,提高了算法的优化能力,从而更好地解决了Web服务的QoS全局优化问题。     

二元蚁群优化算法研究综述*

二元蚁群优化算法作为蚁群算法改进的一种,其独特的随机二元网络结构在离散域及连续域优化问题中均得到较好的应用,但探索和利用的冲突、单一种群寻优的局限性以及算法评价次数的增加均限制了二元蚁群算法更好的发展。从一维细胞自动机入手,首先对二元蚁群优化算法的基本模型进行描述,然后讨论了近年来对二元蚁群优化算法的若干改进及应用;最后评述了二元蚁群优化算法未来的研究方向和主要研究内容。     

一种基于改进蚁群优化的QoS路由算法

蚁群优化（Ant Colony Optimization,AC0）是一种新型的分布式仿生优化算法,可有效地用来解决组合优化问题,而网络路由优化问题则正是组合优化问题当中的一种。因此,本文首先分析了常用路由算法与蚁群优化的基本原理,根据网络路由优化问题与蚁群优化算法的许多匹配特性,提出了一种基于改进蚁群优化的QoS路由算法（Route Algorithm based on Improved Ant Colony Optimlzation,RAIAC0）。最后,通过实验分析,对其可行性进行了证明。     

蚁群算法求解问题时易产生的误区及对策

蚁群算法是一种新型的模拟进化算法，具有智能搜索、全局优化、稳健性强、分布式计算等优点。是求解复杂的组合优化问题的有力工具。该文对蚁群算法的应用进行了研究，指出了应用该算法时易产生的几个误区，并提出了相应的对策。     

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.     

基于蚁群算法的时序电路测试生成研究

蚁群算法是一种新型进化算法,它提供了解决组合优化问题的框架,但存在着易陷入局部最优解的缺陷。在时序电路测试生成的应用中,通过限制信息素浓度变化范围以及自适应改变信息素挥发因子,在保证算法收敛速度的条件下,提高了算法的全局搜索能力,克服了上述缺陷。实验结果表明,基于该算法的测试生成取得了较高的故障覆盖率和较快的测试生成速度,能够满足实际应用需求。     

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。     

Subdomain generation using emergent ant colony optimization

Finite elements mesh decomposition is a well known optimization problem and is used to split a computationally expensive finite elements mesh into smaller subdomains for parallel finite elements analysis.The ant colony optimization is a type of algorithm that seeks to model the emergent behaviour observed in ant colonies and utilize this behaviour to solve combinatorial problems. This technique has been applied to several problems, most of which are graph related because the ant colony metaphor can be most easily applied to such types of problems. This paper examines the application of ant colony optimization algorithm to the partitioning of unstructured adaptive meshes for parallel explicit time-stepping finite elements analysis.The concept of ant colony optimization technique in addition to the notion of swarm intelligence for finding approximate solutions to combinatorial optimization problems is described. This algorithm combines the features of the classical ant colony optimization technique with swarm intelligence to form a model which is an artificial system designed to perform a certain task.The application of the ant colony optimization for partitioning finite elements meshes based on triangular elements using the swarm intelligence concept is described. A recursive greedy algorithm optimization method is also presented as a local optimization technique to improve the quality of the solutions given by the ant colony optimization algorithm. The partitioning is based on the recursive bisection approach.The mesh partitioning is carried out using normal and predictive modes for which the predictive mode uses a trained multi-layered feedforward neural network that estimates the number of triangular elements that will be generated after finite elements mesh generation is carried out.The performance of the proposed hybrid approach for the recursive bisection of finite elements meshes is examined by decomposing two mesh examples and comparing them with a well known finite elements domain decomposer.