混合型蚁群算法及其应用研究

旅行商问题是一个NP—Hard组合优化问题。根据蚁群优化算法的特点，本文提出新盼随机插入式算法用于蚁群算法的初期信息素分布，同时在蚁群算法过程中加入了改进3-opt算法。实验研究表明，在收敛速度和解的质量方面均获得了改进。     

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。     

蚁群算法及其改进形式综述

蚁群算法是一种具有许多优良特性的模拟进化算法，已经成功地解决了许多复杂的组合优化问题。但是蚁群算法并不完善。本文介绍蚁群算法的模型及其存在的问题，并综述蚁群算法的多种改进形式，最后对蚁群算法将来的研究方向作出预测。     

基于改进蚁群优化算法的分布式多播路由算法

蚁群优化算法在优化计算特别是在多播路由问题中得到了广泛应用，但在进行大规模优化时，蚁群算法与其它随机优化算法一样，存在着收敛速度慢易于限于局部最小点等缺点。为此，该文提出了一种新的改进蚁群算法。仿真实验表明，应用这种改进型蚁群算法于多播路由问题，可以得到比现有启发式算法更好的结果。     

多约束条件下路由选择算法研究

采用遗传算法和蚁群算法相结合的融合算法，继承了遗传算法和蚁群算法的优点，在求精解效率上优于遗传算法，在时间效率上优于蚁群算法，能很好地实现多约束条件的最优路径计算，测试证明融合算法优化性能和时间性能都取得了很好的效果。     

一种求解0-1背包问题的快速蚁群算法

0—1背包问题是典型的NP完全问题，且蚁群算法已成功地解决了许多组合优化的难题。因此，文中介绍一种基于蚁群算法求解0—1背包问题的算法，并对此算法进行优化，提出一种求解0—1背包问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间，有效改善了蚁群算法易于过早地收敛于非最优解的缺陷，当物品数较大时，也取得了较好的求解质量。仿真实验取得了较好的结果。     

蚁群算法在移动机器人路径规划中的应用综述

路径规划是移动机器人领域的一个研究热点,蚁群算法在移动机器人的路径规划得到广泛应用。介绍了常见的几种蚁群算法,从蚁群算法结构、参数选取及优化、信息素优化等方面对已有的蚁群算法方法进行了分类综述,同时对多蚁群优化算法、融合蚁群算法在移动机器人路径规划的应用进行了分类比较与分析。从蚁群算法的理论研究、算法融合、多蚁群算法研究等方面对蚁群算法在移动机器人路径规划中的未来研究内容和研究热点进行展望。     

基于蚁群算法的PID参数寻优

蚁群算法是一种新型的模拟进化算法,该算法用于离散空间问题的求解取得了较好的结果.该文将蚁群算法引入连续空间,研究了基于蚁群算法的PID参数优化问题,给出了仿真实例,结果表明蚁群算法用于解决连续空间优化问题是可行且有效的.蚁群算法具有较好的鲁棒性,它采用分布式计算,具有本质并行性.     

基于改进GAAA算法的PID参数优化

针对PID参数优化问题，对蚁群算法进行改进，并与遗传算法相结合，提出了改进的GAAA算法；该算法先利用遗传算法获得初始信息，然后运行改进的蚁群算法，大大加快了蚁群算法的速度；对PID控制的参数优化与仿真结果表明，该优化方法无论在时间性能和优化性能上都取得了较好的效果。     

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．     

武器-目标分配问题的蚁群算法

文章建立了武器-目标优化模型,分析了各种优化方法的优缺点。采用蚁群算法解决了此问题,并通过实例给出了算法,并与匈牙利法做了比较,结果表明该方法比较有效。     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

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。     

连续函数优化的一种新方法-蚁群算法

针对连续函数优化问题，给出了一种基于蚂蚁群体智能搜索的随机搜索算法，对目标函数没有可微的要求，可有效克服经典算法易于陷入局部最优解的常见弊病。对基本的蚁群算法做了一定的改进，通过几个函数寻优的结果表明，算法具有良好的效果。同时，运用遗传算法对蚁群算法中的一些重要参数进行了寻优，提高了蚁群算法的收敛速度。     

基于细菌觅食的改进蚁群算法

蚁群算法是模仿蚂蚁觅食行为的一种新的仿生学智能优化算法。针对其收敛速度慢和易陷入局部最优的不足,将细菌觅食算法和蚁群算法相结合,提出一种细菌觅食 蚁群算法。在蚁群算法迭代过程中,引入细菌觅食算法的复制操作,以加快算法的收敛速度;引入细菌觅食算法的趋向操作,以增强算法的全局搜索能力。通过经典的旅行商问题和函数优化问题测试表明,细菌觅食 蚁群算法在寻优能力、可靠性、收敛效率和稳定性方面均优于基本蚁群算法及两种改进蚁群算法。     

基于模拟退火的蚁群算法求解Job-Shop问题

引用蚁群算法来解决Job-Shop问题(简称JSP),但是由于蚁群算法本身的原理和Job-Shop问题之间的差异性,使得用基本的蚁群算法来解决Job-Shop问题存在一些缺陷.从蚁群算法的改进入手,采用了不同策略的信息素更新方法,并采用模拟退火算法对搜索到的解进行处理,不仅加快了算法的收敛速度,而且能收敛到更好的解,最后用实例对算法的有效性进行了验证.     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

交叉变异蚁群算法在VRP问题中的应用研究

提出一种改进的蚁群算法,新算法利用遗传算法对蚁群算法的参数进行优化,然后利用新的蚁群算法求解基本的车辆路径问题。改进的蚁群算法具有全局搜索能力强的特点,仿真结果表明,新算法的优化质量和效率都优于传统蚁群算法。     

基于改进蚁群算法的物流配送路径问题研究

针对蚁群算法求解物流配送路径问题易陷入早熟、停滞、局部最优的缺点,提出了混沌、变异与最大最小蚂蚁算法相融合的改进蚁群算法。在仿真实验中,分别采用最大最小蚂蚁算法、加入混沌的最大最小蚂蚁算法、加入变异的最大最小蚂蚁算法、加入混沌和变异的最大最小蚂蚁算法对物流配送路径问题进行求解。实验结果表明,加入混沌和变异的最大最小蚂蚁算法能够有效提高蚁群算法的全局寻优能力,对物流配送路径问题的求解能够得出比较好的结果。     

基于蚁群算法的中国旅行商问题满意解

蚁群算法是基于群体合作的一类仿生算法，适合于解困难的离散组合优化问题。本文对其做了适当的改进，以克服其求解速度过慢、容易出现停滞的缺陷，并将其用于解决中国旅行商问题。找到了目前巳知的最好的解，同时指出了进一步提高蚁群算法效率还需解决的问题和方向。