信号传递的二元蚁群算法

设计一种二元蚁群算法.该算法是将每只"蚂蚁"站在原地构成一维线性队列彼此之间传递信号,并且信号经过每只"蚂蚁"时,"蚂蚁"根据自身的信息素随机选择状态(0或1).由于采用二进制编码对单个蚂蚁的智能行为要求较低,对应的存储空间相对较少,使得算法效率有较大提高,并且实现也较为简单.通过测试函数优化和多维0/1背包问题结果表明该算法具有较好的收敛速度和稳定性,求解结果较好.     

具有新型遗传特征的蚁群算法

蚁群算法是一种新型的模拟进化算法,具有很好的通用性和鲁棒性,在解决组合优化问题方面有良好效果,但存在如计算时间较长、容易陷入局部最优等问题。本文在蚁群算法的基础上,引入了杂交及变异机制,提出了一种具有新型变异特征的蚁群新算法,在减少计算时间的同时可避免早熟现象。     

基于二进制编码的蚁群优化算法及其收敛性分析

蚁群优化算法(ACO)是一种解组合优化问题的“元启发式”算法，也是一种结合了正反馈和贪婪搜索的基于种群的新方法。其思想及其应用产生于上个世纪90年代，而“蚁群优化(Ant Colony Optimization)”的确切提出则只有5年左右的时间。作为一种全新的启发式搜索算法，它在TSP，二次分配(Quadratic Assignment)和网络路由上所获得的结果完全可以与其他最优的启发式算法相媲美，甚至超越它们，并已成为当前最成功的群体智能系统之一。     

一种求解函数优化的混合蚁群算法*

将遗传算法与蚁群算法中的协同模型进行有机结合,在蚁群算法中引入交叉、变异、选择算子来改进基本蚁群算法,克服了蚁群算法不太适合求解连续空间优化问题的缺陷。通过测试函数表明该方法具有较好的收敛速度和稳定性,求解结果好于遗传算法。     

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。     

自适应蚁群差分进化算法

针对传统差分进化算法在求解高维复杂问题时存在通用性差、鲁棒性低、收敛速度慢和求解精度低等问题,提出一种基于蚁群算法的自适应多模式差分变异策略.算法在每代进化中,个体根据各变异进化模式上的信息素大小,采用轮盘赌选择策略选择变异算子,并根据各变异算子对优化所做贡献的大小对信息素进行动态更新,贡献大的变异算子可以获得更多被选择的机会,使得各变异算子发挥其最大性能,从而提高算法的收敛速度和通用性.对5个高维的benchmark函数进行算法验证,实验结果表明,该算法很好的提高了差分进化算法的通用性和鲁棒性,有效地克服了收敛速度慢和早熟等问题.     

基于二元蚁群优化算法的分类规则挖掘

提出一种基于二元蚁群算法的分类规则挖掘算法.针对蚁群算法计算时间长的缺点,引入一种变异算子,同时为了避免蚁群算法陷入局部最优,又引入灾变算子.通过对美国加州大学机器学习数据集中的测试集进行测试表明,该算法的预测准确率能较大提高.实验同时显示引入变异算子和灾变算子能有效节省计算时间和防止陷入局部最优.     

基于协同进化蚁群算法的多播QoS路由算法

提出一种基于协同进化蚁群算法的求解QoS（Quality of Service）多播路由问题的新算法。算法中控制参数及路由选择策略根据迭代过程所处的不同阶段自适应调整。综合考虑QoS路由中所有约束条件的同时,也充分考虑各个约束自身的独立特性。仿真结果证明了算法收敛速度快,能满足实际网络服务质量的要求。     

基于差分进化融合蚁群算法的数据中心流量调度机制

针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题,提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制,对数据中心网络中的大象流调度进行优化。首先,利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标;然后,通过优化目标重定义DE算法,计算出多条可用候选路径,作为ACO算法的初始化全局信息素;最后,结合全局网络状态以求得全局最优路径,并重新路由拥堵链路上的大象流。实验结果表明,以在随机通信模式下为例,与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比,所提算法的平均对分带宽分别提高了29.42%～36.26%和5%～11.51%,降低了网络的最大链路利用率（MLU）,较好地实现了网络负载均衡。     

Multi—Agent协同进化算法研究

与传统优化方法相比,进化计算具有内在的并行性和自组织、自适应、自学习等智能特征,它在许多领域显示出巨大优势并取得一定成功。研究Multi—Agent协同进化算法,集成现有算法中的几种优势策略,利用混合策略的思想结合具体问题设计算法,并以实例说明该算法的有效性。     

一种自适应相位旋转的二进制量子蚁群算法

基于量子进化理论以及蚂蚁群体的寻优策略,结合一种二进制量子蚁群算法,提出了一种自适应相位旋转的二进制量子蚁群算法（Binary Quantum Ant Colony Optimization Algorithm,BQACO）。该算法采用量子比特概率幅表示蚁群信息素,利用伪随机选择策略实现蚂蚁的位置移动,通过自适应相位旋转以及变异操作,实现蚂蚁信息素的动态更新,并有效降低算法早熟收敛概率。通过标准测试函数对其优化性能进行研究,该算法在函数优化的全局寻优能力和快速搜索能力上,均优于二进制量子蚁群算法和连续量子蚁群算法。     

并行二进制蚁群算法的多峰函数优化

针对已有蚁群算法在函数优化问题上存在的几个不足:如算法实现较难,占用过多的存储空间,需要记忆功能,不容易与其他算法结合等等,提出了二进制蚁群算法。实验证明该算法在处理单极值问题时有较好的表现,但是在处理多峰函数时存在着一定的缺陷,对此,论文对该算法进行了改进,将并行化引入算法。通过对几个函数的测试(包括多峰和单峰),结果表明该改进算法具有较好的稳定性和收敛速度,算法性能良好。     

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。     

基于蚁群算法的分布多处理机系统任务调度研究

本文主要基于现代蚁群算法讨论分布式系统调度。蚁群算法是一种构造型启发算法,在离散优化问题中得到广泛应用。分布式系统调度属于NP-hard,为了提高算法性能,把问题任务图的优先级作为启发信息。最后,采用随机产生的任务图将调度结果和模拟退火算法、遗传算法等进行了比较。     

基于蚁群算法的网络安全路由算法研究

通过研究蚂蚁寻食的轨迹,分析推理出一种得到最优路径的并行算法,由于其灵感来源于蚂蚁,所以起名为蚁群算法。蚁群算法是近年才发展起来的,成功应用于很多领域,如车辆调度问题、分布式人工智能研究、负载平衡、大规模集成电路设计、工厂生产计划制定方面、图像着色和路由算法方面等等。本文主要是运用蚁群算法,寻找Ad Hoc网络中最优路由路径,使整个Ad Hoc网络成为一个稳定可靠的网络系统。     

具有调和特性的蚁群改进算法

蚁群算法是一种仿生类算法,该文首先介绍了蚁群算法及发展,并分析它易于收敛于局部最优解及收敛速度比较慢的原因。然后给出了一个基于调和特性的改进蚁群算法,通过对蚁群结果的变异和调和过程的操作来克服蚁群算法的缺点。最后通过实例得到满意的结果。     

蚁群算法的BP网络优化算法

利用蚁群算法和BP网络训练算法相结合的方法对无线传感网络节点路由路径搜索展开了分析研究,简单分析了蚁群算法实现的基本原理,在此基础上重点给出了基于蚁群算法的BP网络优化算法的基本原理及其实现步骤,并对该优化算法与传统的BP网络训练算法的性能进行了对比仿真测试。     

基于模拟退火策略的逆向蚁群算法

为克服现有蚁群算法运算过程中收敛速度慢, 易出现停滞现象等缺点, 提出了一种结合模拟退火策略的改进算法。利用向原始蚁群中引入逆向蚂蚁, 并结合模拟退火思想确定蚁群中逆向蚂蚁的数目, 来提高算法的适应性。将该算法应用于旅行商问题的求解, 仿真试验结果表明该算法的收敛速度和全局寻优能力都得到很大的改善。     

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。     

基于改进蚁群算法的WSN路径优化

针对无线传感器网络(WSN)路径优化问题,提出一种改进蚁群算法的WSN路径优化方法,结合遗传算法和蚁群算法的优点,在蚁群算法中引入遗传算法选择、交叉和变异算子,提高算法收敛和全局寻优能力。仿真对比实验结果表明,改进蚁群算法提高了WSN路径优化效率和成功率,有效延长了WSN的生命周期,改善了网络整体性能。