机器人全局路径规划的混合蚁群系统算法

针对蚁群算法易陷入局部最优的缺点以及收敛速度与局部最优的矛盾,提出一种求解移动机器人全局路径规划的改进混合蚁群系统算法。该算法由两部分组成：Dijkstra算法用于规划出一条次优路径;进一步用改进的蚁群系统算法优化次优路径以获得最优路径。在改进的蚁群系统算法中,首先定义了一种新的启发信息函数来增加种群多样性;然后给出改进的交叉算子避免算法陷入局部最优,并进一步提高解的质量。仿真结果表明：所提出的算法与参考文献中的算法相比搜索效率更高,解的质量更好,性能更优。即使在障碍物复杂的环境中,对于多目标点问题,该算法仍能规划出较好的目标遍历路径,且用时时间较少。     

贪心随机自适应搜索算法在软件测试中的应用

提出一种求解面向对象软件集成测试中确定类间测试顺序的贪心随机自适应搜索算法。该算法是一个多起点的迭代过程,每一次迭代由产生可行解的构造阶段和寻找局部最优解的局部搜索阶段组成。为了进一步改善它的性能,在构造阶段增加了预处理功能,在局部搜索阶段增加了长期记忆和路径再链接功能。实验结果表明,改进的贪心随机自适应搜索过程产生的解的质量优于现有的其它算法。     

自适应调整信息素的蚁群算法

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法．基于群体的协作与学 习，该算法已经成功地解决诸如TSP问题等多种组合优化问题．本文提出了一种基于自适应 调整信息素的改进蚁群算法．该算法根据人工蚂蚁所获得解的情况，动态地调整路径上的信 息素，从而使得算法跳离局部最优解．通过仿真实验获得的结果表明，该算法对于蚁群算法 具有较好的改进效果．     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

一种多空间聚类算法

CLARANS算法是经典的划分聚类算法，其核心思想是采用随机重启的局部搜索方式搜索中心点．由于搜索空阀布满了局部最优解的“陷阱”，因此它难以获得全局最优解，从而影响了聚类质量．针对这个缺点，本文将多空闻思想与CLARANS算法相结合，提出了基于多空间思想的CLARANS算法-CABMS（CLARANS Algorithm Based on Multi—Space）．该算法的基本思路是采用空间变换策略构造一系列光滑程度不同的搜索空间，在不同的搜索空间中执行CLARANS算法，并利用前层搜索空间的聚类结果来引导本层搜索空间的聚类．CABMS能够跳过局部最优解的“陷阱”，增大获得全局最优解的概率，达到提高聚类质量的目的．本文给出了等距法多空间构造策略，并通过实验对比了CLARANS算法与CABMS算法的聚类质量．实验结果表明，CABMS的聚类质量较CLARANS有较大改进．     

基于遗传算法的硬聚类算法改进

硬聚类算法HCM求解的结果通常都是局部的最优解,当模糊集合间的运算采用传统定义的时候,它的聚类结果中还会存在无意义的聚类集。本文通过研究表明,在HCM聚类算法中应用遗传算法,可以在一定程度上避免硬聚类算法收敛到局部最优解。因此,本文将遗传算法应用于硬聚类算法,并设计了相应的算法。但是,考虑到本算法实现时的开销 销和效率,又对该算法进行了改进,并最终提出一种新的算法--CHCM聚类算法。测试数据表明,采用改进后的聚类算法的结果90％以上能够取得全局的最优解,远远超过了采用硬聚类算法时所取得全局最优解的次数,证明了本算法的可推广性。     

基于改进ACS-3-opt蚁群算法的TSP

在ACS-3-opt算法求解中,大规模TSP问题易于停滞。该文提出一种改进的算法,在ACS-3-opt算法停滞后,自适应地调整具有局部搜索能力蚂蚁的数量,并通过提高最小信息素的阈值扩大搜索空间,当算法再次停滞时,增强算法两次停滞时最优路径的公共路径上的信息素,为算法的运行提供较好的初始信息,并引导算法朝最优解的方向进行求解。大中型规模TSP问题的求解结果表明,该算法能够有效地跳出局部最优,解的质量优于ACS-3-opt算法。     

基于改进引力搜索算法的K-means聚类

针对K-means算法的聚类结果极易受到聚类中心的影响而陷入局部最优解的问题,提出一种基于改进引力搜索的K-means聚类算法。首先引入自适应概念,对引力系数衰减因子进行控制,提高算法的全局探索能力和局部开发能力;然后,引入免疫克隆选择机制,以便算法能够有效跳出局部最优,并通过对12个基准测试函数的实验验证改进引力搜索算法的有效性和优越性;最后,通过结合改进的引力搜索算法和K-means算法,提出一种新的聚类算法A2F-GSA-Kmeans,并在6个测试数据集上的实验表明,该算法具有较好的聚类质量。     

基于调整学习的聚类算法

调整学习是一种逐步求精的近似学习方法,是提高局部搜索解质量的重要途径之一.该方法调用调整算子填平局部最优解陷阱,构造一系列不同粒度的搜索空间,降低局部最优解对解质量的影响.利用调整学习的基本原理设计了聚类算法框架CAT_L,并给出了适合处理聚类问题的噪声平滑调整算子.实验对比了经典FCM算法与FCM-CAT_L(以FCM算法作为CAT_L框架的聚类算子)算法的聚类质量.实验结果表明,调整学习方法对提高聚类质量是有效的.     

基于信息素强度的改进蚁群算法

现有的基本蚁群算法和MMAS算法都存在收敛速度慢、易陷于局部最优解等缺点,为了提高算法搜索效率,提出了一种求解旅行商问题的改进蚁群算法.在基本蚁群算法和MMAS算法的基础上,通过对蚂蚁进行区分,直接控制信息素的浓度,并进行有选择的更新,有效地抑制了算法收敛过程中的停滞和早熟现象,提高了全局搜索能力和解的质量.最后通过经典的CTSP31实例验证了该改进算法的有效性,仿真实验结果表明,它在最优解、平均解和最优迭代次数等性能上比经典蚁群算法都有较大的改善.     

求解TSP问题的多级归约算法

TSP(traveling salesman problem)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,以便在合理的计算时间内解决大规模问题.由于对较大规模的问题,目前的近似算法尚不能在较短的时间内给出高质量的解,因此提出了多重归约算法.该算法的基本原理是通过对TSP问题的局部最优解与全局最优解之间关系的分析,发现对局部最优解的简单的相交操作能以很高的概率得到全局最优解的部分解.利用这些部分解可以大大缩小原问题的搜索空间,同时也不会降低搜索的性能.这就是所谓的归约原理.再通过多次归约使问题的规模降到足够小,然后对这个较小规模的实例直接用已有的算法求解,最后通过相反的次序拼接部分解,最终得到一个合法的解.在TSPLIB(traveling salesman problem library)中,典型实例上的实验结果表明,此算法在求解质量和求解速度上与目前已知的算法相比有较大的改进.     

一种面向对象的多角色蚁群算法及其TSP 问题求解

蚁群算法的改进大多从算法本身入手或与其他算法相结合,未充分利用待解决问题所包含的信息,提升效果较为有限.对此,提出一种面向对象的多角色蚁群算法.该算法充分利用旅行商问题(TSP)对象的空间信息,采用k-均值聚类将城市划分为不同类别;同时,对蚁群进行角色划分,不同角色的蚁群针对城市类别关系执行各自不同的搜索策略,增强了蚁群的搜索能力,较大幅度地提高了求解质量.每进行一次迭代,仅各角色最优个体进行信息素更新,防止算法退化为随机的贪婪搜索.将精英策略与跳出局部最优相结合可避免算法的停滞.50个经典TSP实例仿真实验表明:所提出的算法可以在较少的迭代次数内获得或非常接近于问题的已知最优解;对于大规模TSP问题所得结果也远超所对比的算法.     

求解最大割问题的多启动禁忌搜索算法

为了增强局部搜索算法在求解最大割问题上的寻优能力,提高解质量,提出了一种多启动禁忌搜索（MSTS）算法。算法主要包括两个重要组件:一是用于搜索高质量局部优化解的禁忌搜索算法;二是具有全局搜索能力的重启策略。算法首先通过禁忌搜索组件获取局部优化解;然后应用设计的重启策略重新生成初始解并重启禁忌搜索过程。重启策略基于随机贪心的思想,综合利用了“构造”和“扰动”这两种方法生成新的起始解,来逃离局部最优的陷阱从而找到更高优度的解。采用了国际文献中公认的21个算例作为本算法的测试实验集并进行实算, 并与多个先进算法进行比较,MSTS算法在18个算例上得到最好解值,高于其他对比算法。实验结果表明,MSTS算法具有更强的寻优能力和更高的解质量。     

一种基于构建基因库求解TSP问题的遗传算法

传统的遗传算法通常被认为是自适应的随机搜索算法．该文在分析其特点后针对TSP问题提出了一种将建立基因库(Ge)与遗传算法结合起来的新算法(Ge-GA)．该算法利用基因库指导种群的进化方向，并在此基础上使用全局搜索算子和局部搜索算子增强遗传算法的“探测”和“开发”能力．Ge-GA算法大大加快了遗传算法的收敛速度和寻优能力．作者测试了TSPLIB中的多个实例(城市数目从70～1577)，试验结果与最优解的误差都不超过0．001％．特别是对于难求解的TSP问题，如att532和fl1577，都能够在理想的时间内找到最优解．     

基于自适应驱散机制的粒子群优化算法

为克服粒子群优化算法（PSO）易陷入局部最优导致早熟收敛的问题,提出了一种新型的基于自适应驱散机制的粒子群优化（ADMPSO）算法。基本的粒子群优化算法易陷入局部最优,一般的改进算法在搜索过程之中对个体最优和全局最优结果进行调整,虽然避免了粒子群陷入局部最优,但会很大程度减慢收敛速度。提出的改进算法只有在种群快要陷入局部最优时,才会对粒子群进行有效驱散,这样不仅保证了收敛速度,又不会使粒子群陷入局部最优。对维度30的12个标准测试函数进行测试的结果表明ADMPSO算法相较于经典粒子群（General PSO,GPSO）算法、综合学习粒子群优化算法（Comprehensive Learning PSO,CLPSO）算法和动态多粒子群协调搜索优化算法（Dynamic Multi-Swarm PSO with sub-regional Harmony Search,DMS-PSO-HS）,可以更有效避免陷入局部最优,稳定地找到最优值,同时又能保证一定的收敛速度。ADMPSO算法不容易陷入局部最优和迭代次数更少的特点使得PSO算法更加实用化。     

A memetic algorithm for the generalized traveling salesman problem

The generalized traveling salesman problem (GTSP) is an extension of the well-known traveling salesman problem. In GTSP, we are given a partition of cities into groups and we are required to find a minimum length tour that includes exactly one city from each group. The recent studies on this subject consider different variations of a memetic algorithm approach to the GTSP. The aim of this paper is to present a new memetic algorithm for GTSP with a powerful local search procedure. The experiments show that the proposed algorithm clearly outperforms all of the known heuristics with respect to both solution quality and running time. While the other memetic algorithms were designed only for the symmetric GTSP, our algorithm can solve both symmetric and asymmetric instances.     

基于亲缘选择的遗传算法

针对传统遗传算法容易陷入局部最优解的缺陷,借鉴生物中亲缘选择的思想,提出基于亲缘选择的遗传算法。该算法构造新选择算子,通过按亲缘关系放弃一个解而获得另一个解来保证算法在最优解的领域内的有效搜索,提高遗传算法对全局最优解的搜索能力和收敛速度。仿真结果表明,该算法正确有效,性能优于现有的传统算法。     

Honey bees mating optimization algorithm for the Euclidean traveling salesman problem

This paper introduces a new hybrid algorithmic nature inspired approach based on Honey Bees Mating Optimization for successfully solving the Euclidean Traveling Salesman Problem. The proposed algorithm for the solution of the Traveling Salesman Problem, the Honey Bees Mating Optimization (HBMOTSP), combines a Honey Bees Mating Optimization (HBMO) algorithm, the Multiple Phase Neighborhood Search-Greedy Randomized Adaptive Search Procedure (MPNS-GRASP) algorithm and the Expanding Neighborhood Search Strategy. Besides these two procedures, the proposed algorithm has, also, two additional main innovative features compared to other Honey Bees Mating Optimization algorithms concerning the crossover operator and the workers. The main contribution of this paper is that it shows that the HBMO can be used in hybrid synthesis with other metaheuristics for the solution of the TSP with remarkable results both to quality and computational efficiency. The proposed algorithm was tested on a set of 74 benchmark instances from the TSPLIB and in all but eleven instances the best known solution has been found. For the rest instances the quality of the produced solution deviates less than 0.1% from the optimum.     

基于改进鲸鱼优化算法的WSN覆盖优化

针对无线传感器网络在随机部署移动节点时,存在分布不均匀导致的覆盖率较低的问题,以网络覆盖率最大化为目标建立网络覆盖优化模型,提出一种基于改进鲸鱼优化算法(IWOA)的网络覆盖优化策略;首先,采用量子位Bloch球面坐标编码初始化种群,提升种群多样性,扩展搜索空间的遍历能力;其次,提出一种基于步长改进的位置更新方式,平衡算法的全局探索和局部搜索能力;最后采用莱维飞行,对个体进行扰动更新,提高跳出局部最优的能力。仿真结果表明,将改进后的鲸鱼优化算法应用在WSN覆盖优化中,与标准鲸鱼优化算法和其他文献中的算法相比,有效减少了传感器节点冗余,表现出更快的收敛速度和更高的覆盖率,进而改善网络监测质量,延长网络生存时间。     

融合改进天牛须搜索的教与学优化算法

针对教与学优化算法易早熟,解精度低,甚至收敛于局部最优的问题,提出一种新的融合改进天牛须搜索的教与学优化算法。该算法利用Tent映射反向学习策略初始化种群,提升初始解质量。在 “教”阶段,对教师个体执行天牛须搜索算法,增强教师教学水平,提高最优解的精确性。在“学”阶段,对学生个体进行混合变异,从而跳出局部最优,平衡算法的全局搜索与局部开发。通过benchmark测试函数和部分CEC2013函数在不同维度对算法进行仿真实验,并进行Wilcoxon秩和检验统计,证明了改进教与学优化算法的优越性。使用压力容器设计优化问题对算法进一步验证,结果表明改进后的算法在求解约束优化问题时也具有更好的寻优性能,不仅收敛速度快,精度也提高了9个数量级。