蚁群算法求解连续空间优化问题

借鉴蚁群算法的进化思想，提出一种求解连续空问优化问题的蚁群算法。该算法主要包括全局搜索、局部搜索和信息素强度更新规则。在全舄搜索过程中，利用信息素强度和启发式函数确定蚂蚁移动方向。在局部搜索过程中，嵌入了确定性搜索，以改善寻优性能，加快收敛速率。通过一个实例问题的求解表明了该算法的有效性。     

求解连续空间优化问题的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限件和收敛速度慢的问题,提出了求解连续空间优化问题的量子蚁群算法.该算法每只蚂蚁携带一组表示蚂蚁当前位置信息的量子比特;首先根据基于信息素强度和可见度构造的选择概率,选择蚂蚁的前进目标;然后采用量子旋转门更新蚂蚁携带的量了比特,完成蚂蚁的移动;采用量子非门实现蚂蚁所在位置的变异,增加位置的多样性;最后根据移动后的位置完成蚁群信息素强度和可见度的更新.该算法将量子比特的两个概率幅部看作蚂蚁当前的位置信息,在蚂蚁数日相同时,可使搜索空间加倍.以函数极值问题和神经网络权值优化问题为例,验证了算法的有效性.     

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法.根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解.一个多极值点的连续优化问题求解实例证明了该方法的有效性     

连续优化问题的蚁群算法研究

蚁群算法是一种新型的模拟进化算法,初步的研究已经表明该算法具有许多优良的性质.对于连续优化问题,提出了基于蚁群算法思想的求解算法,并与网格法作了比较.数值试验计算结果表明该方法比较有效,并具有通用性.     

连续优化问题的蚁群算法研究

蚁群算法是一种新型的模拟进化算法，初步的研究已经表明该算法具有许多优良的性质，对于连续优化问题，提出了基于蚁群算法思想的求解算法，并与网格法作了比较，数值试验结果表明该方法比较有效，并具有通用性。     

蚁群算法求解连续空间优化问题的一种方法

针对蚁群算法不太适合求解连续性优化问题的缺陷,提出用蚁群算法求解连续空间优化问题的一种方法.该方法将解空间划分成若干子域,在蚁群算法的每一次迭代中,首先根据信息量求出解所在的子域,然后在该子域内已有的解中确定解的具体值.以非线性规划问题为例所进行的计算结果表明,该方法比使用模拟退火算法、遗传算法具有更好的收敛速度.     

蚁群算法在连续空间寻优问题求解中的应用

将蚁群算法引入连续空间的函数寻优问题求解,通过将传统群算法中的“信息量留存”过程拓展为连续空间中的“信息量分布函数”,定义了相应的求解算法,对多极值函数和非线性连续函数的寻优实例仿真取得了良好的结果,显示了蚁群处在连续空间优化问题中的应用前景。     

基于局部禁忌搜索策略的连续空间蚁群算法

针对蚁群算法容易陷入局部最优解及搜索时间长等不足,引入一种基于连续空间的禁忌搜索算法,并将其与蚁群算法相结合,提出了一种引入禁忌搜索策略的蚁群算法,以求解连续对象优化问题。经测试验证了该算法不仅跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,表明算法的有效性。     

一种连续域函数优化蚁群算法的改进设计

本文在一种连续域函数优化蚁群算法基础上,对该算法做了进一步的改进,引入了自动判断收敛条件方法,同时,也改进了蚁群初始化方法、全局搜索策略以防止早熟和停滞现象。通过与其他连续域函数优化算法的比较结果证明,改进后的算法稳定性较好。     

基于退火的蚁群算法在连续空间优化中的应用

研究了蚁群算法在连续空间的函数寻优问题。通过修改蚂蚁信息素的留存方式和行走规则,定义了一个连续空间的蚁群算法。模拟蚂蚁用触角交流信息的过程提出了直接通信的学习机制,增强了蚂蚁的搜索能力。为了防止出现“早熟”现象,在局部搜索过程中嵌入了模拟退火的思想。同时为避免过大的残留信息,选择了新的信息增量计算函数。实例运算证明了算法的有效性。     

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。     

连续域蚁群算法在扩散工艺路线优选中的应用

针对工艺快速扩散系统中的扩散工艺路线决策问题,提出了扩散工艺路线优选模型.该模型以成本和时间为约束,结合了工艺快速扩散系统中工艺单一性的特点,构建了改进的连续域蚁群算法.该算法提出了最小路径蚂蚁信息素的局部更新,加快了收敛速度,能够快速解决扩散工艺路线优选问题.最后以一个实例验证了该算法的实用性.     

基于蚁群算法的PID控制器参数优化研究

蚁群算法是一种新型的优化算法,具有收敛速度快、鲁棒性强的优点。在介绍蚁群算法基本原理的基础上,分析了蚁群的自组织行为,给出该行为的数学模型一蚂蚁群体优化（Ant Colony Optimization,ACO）。提出一种基于蚁群算法优化PID控制器参数的方法,并给出了新算法的具体实现步骤。仿真结果表明了该方法的可行性和有效性。     

基于记忆表的连续蚁群优化算法

蚁群算法的离散本质限制了其在连续问题求解中的应用,针对该问题提出求解连续函数优化问题的连续蚁群优化算法。对概率密度呈高斯分布的分布函数进行随机采样,为每只蚂蚁产生下一步迭代的 个候选位置,引入记忆表取代基本蚁群算法中的禁忌表,通过对记忆表中的优良解进行动态替换实现信息素更新。与其他连续优化算法的比较结果证明,该算法在复杂度、稳定性等方面具有优势。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

基于遗传算法的混合蚁群算法

提出了一种新的求连续空间最优值的蚁群算法。结合遗传算法和蚁群算法各自的优点以及两种算法融合基础,提出了遗传算法融入到蚁群算法融合中的两种新策略,第一种策略是先利用遗传算法具有比较强的全局搜索能力,在大范围内寻找一组解,然后以此为基础,用蚁群算法快速寻找最优解X*best;另一种策略是利用遗传算法交叉操作产生蚁群算法中的新旅行路径,以此提高蚁群算法的全局搜索能力。用上述策略构造两个基于遗传算法的混合遗传算法。用测试函数Rosenbrock和测试函数Shubert验证了混合蚁群算法的正确性。     

基于蚁群遗传算法混合编程的函数优化

为研究连续函数优化问题,基于图解的蚁群系统,提出二进制蚁群算法,并实现与遗传算法混合编程,以提高求解效率。算例表明,蚁群-遗传算法混合编程求解连续优化问题,收敛速度快,计算精度高,可用于求解实际工程问题。     

一种蚁群聚类算法

提出一种蚁群优化聚类算法,用于将N个对象优化分成K个不同的划分;该算法采用全局信息素更新策略和启发式信息构造聚类解,通过提高信息素在求解过程中的利用率加快了聚类速度,通过使用启发式信息提高了算法的搜索效率,使用均匀交叉算子改善了聚类解的质量;在几个模拟的数据集和UCI机器学习数据集上测试该算法的性能,并与其它几个启发式算法进行比较;计算结果表明该算法具有更好的解的质量,更少的函数估计次数和更少的运行时间.