自适应的并行蚁群算法

本文根据影响并行蚁群算法性能的关键因素，提出了一种自适应的并行蚁群算法．首先提出了基于适应度和基于距离选择的两种不同的信息交流策略，使得各处理机自适应地选择与之进行信息交换的处理机，然后采用自适应的更新策略进行信息素的更新．为了增强该算法的搜索能力，还根据解的多样性给出了自适应地调节处理机之间的信息交流周期的方法．在MPP处理机深腾1800上对TSP问题的实验结果表明了该算法在保证有效的加速比的同时，具有很好的收敛性．     

基于自适应路径选择和信息素更新的蚁群算法

针对蚁群算法加速收敛和早熟、停滞现象的矛盾,提出了一种基于自适应路径选择和信息素更新的蚁群算法,以求在加速收敛和防止早熟、停滞现象之间取得很好的平衡。该算法根据优化过程中解的分布状况,自适应地调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。     

并行设计任务调度的自适应蚁群算法

针对将蚁群算法应用于任务规划调度问题求解时存在的计算时间长、易出现停滞等缺陷,提出一种具有自适应功能的蚁群算法.通过设计一种路径选择机制来提高蚁群路径的多样性;以蚁群目标值作为路径信息素变化的依据,设计一个动态因子更新路径信息素;使用变异蚂蚁以一个动态比率替换策略更新蚁群.实例仿真结果表明,文中算法具有较强的全局寻优能力和较高的搜索效率,较好地解决了快速收敛与停滞现象之间的矛盾.     

基于拥挤度的参数自适应蚁群系统

在蚁群算法中,如何有效处理加速收敛和出现早熟、停滞现象的矛盾一直是一个困难的问题。通过引入拥挤度来加强搜索过程中蚂蚁之间的协调和配合,提出了一种基于拥挤度的参数自适应蚁群算法。该算法采用提前主动预防早熟的策略,将拥挤度嵌入到蚁群算法的状态转移和信息素更新过程中,让局部信息素更新参数随局部搜索状态自适应地调整,全局信息素更新参数随全局搜索状态自适应地调整,大大提高了算法全局搜索能力和自适应能力,同时采用了一种简单有效的变异算法来加快收敛速度。用多个TSPLIB范例进行比较实验,结果表明,改进算法无论是求解质量、稳定性以及收敛速度都有显著提高。     

求解频率分配问题的自适应的多种群蚁群算法

提出一种自适应的多种群蚁群算法用于求解频率分配问题．算法将蚂蚁群体划分为若干个子群体，每个子群体的蚂蚁并行地进行优化．在寻优过程中，算法为每个蚂蚁子群体定义一个收敛系数，根据收敛系数来决定子群体内部的路径的选择和信息量的更新．算法同时根据各个子群体的解的质量和分布情况来自适应地决定信息交流策略，包括选择信息交流的对象和调节信息交流的周期以及信息更新策略，以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡．对固定频率分配和最小跨度频率分配问题在并行计算机上的实验结果表明，本文算法不仅具有较快的全局收敛速度，而且有高质量的解和高的效率．     

基于自适应蚁群算法在急救车辆调度上的应用

针对基本型蚁群算法迭代次数多,搜素时间较长,收敛速度慢的缺陷,采用改进的自适应蚁群算法,根据全局最优解的分布情况自适应地进行信息素范围的更新,从而动态地调整各路径上的信息素强度,同时,建立数学模型,给出求解TSP问题的改进算法,仿真出通过改进的自适应蚁群算法得到的最优路径,应用到患者位置与急救调度站之间最优路径的选择。结果表明,该模型和算法在收敛速度和迭代次数上均优于基本型蚁群算法。     

一种基于路径相似度的蚁群算法

提出了路径相似度的概念,并根据较优可行解与最优解的相似度,来进行路径选择和信息素更新,以求能更快加速收敛和防止早熟、停滞现象。该算法根据截之间的相似度,自适应地调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。     

基于动态自适应蚁群算法的云计算任务调度

针对蚁群算法求解云计算任务调度问题存在收敛速度慢和容易陷入局部最优解的缺陷,提出一种动态自适应蚁群算法的云计算任务调度策略。算法在选择资源节点中引入混沌扰乱,依据节点信息素浓度自适应调整信息素挥发因子,由解的优劣性动态更新信息素。当任务数量超过150时,动态自适应蚁群算法与蚁群算法结果相比较,时间效率最大提高319%,资源负载率为0.51。仿真结果表明,所提算法提高了解的收敛速度和全局搜索能力。     

基于改进型蚁群算法求解旅行Agent问题

本文在蚁群系统的基础上,提出一种改进型蚁群算法.蚂蚁之间通过外激素进行间接交流从而达到合作的目的,在利用已有信息与探索新解并重的策略指导下给出所求解问题的最优解,并且由于遗传算子的引入及全局更新规则的修正,不再易于陷入局部极小.本文采用改进型蚁群算法求解复杂的组合优化问题-旅行Agent问题,取得了满意的效果.实验结果表明,改进型蚁群算法具有鲁棒性强、自适应、并行化、正反馈的优点.     

云资源中多目标集成蚁群优化调度算法

针对云计算环境的复杂性和云资源的不确定性,提出多目标集成蚁群优化调度算法。采用熵度量云资源的不确定性,进行信息素全局更新,以提高算法收敛速度;将Min-min算法得出的任务预期最小完成时间作为启发信息,以实现最小调度时间;在信息素局部更新时加入负载系数,根据当前负载情况调节信息素,满足负载均衡需求,同时在更新时考虑信息素扩散因素,不仅计算当前节点还考虑周遭节点信息素情况,可增强蚂蚁间协作,提高最优解的性能。改进后算法比原始蚁群算法降低了算法复杂度,提高了最优解精度。云仿真系统实验测试表明改进算法在调度时间、负载均衡等方面表现均优于其他算法。     

基于信息熵的异类多种群蚁群算法

提出了一种基于信息熵的异类多种群蚁群算法。算法使用多个异类种群的蚂蚁子群体同时进行优化计算,引入信息熵来表示蚂蚁种群的进化程度,根据蚂蚁子群体间的信息熵来决定子群体间的信息交流策略,包括选择信息交流的对象和调节信息交流的周期以及信息更新策略,以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡。基于旅行商问题的实验证明,该算法具有很好的全局搜索能力、收敛速度以及解的多样性。     

用自适应的多种群蚁群算法求解频率分配问题

提出一种自适应的多种群蚁群算法求解移动通信中的频率分配问题。该算法改变了传统蚁群算法只有一个蚂蚁群体的做法,使用多个蚂蚁子群体同时进行优化处理。为每个蚂蚁子群体定义一个收敛系数,根据收敛系数来决定子群体内部的路径选择和信息量更新、子群体间的信息交流策略,同时采用自适应的信息更新策略以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡。通过对固定频率分配和最小跨度频率分配问题进行仿真的实验,表明此算法不仅具有较强的全局收敛性,而且有更快的寻优速度。     

基于相似度的自适应异类多种群蚁群算法

针对原有的多种群蚁群算法收敛速度慢,运行时间长,容易早熟等缺陷,提出了一种新型异类多种群蚁群算法。算法由多类不同特性蚁群构成,不同蚁群具有不同特质,且优势互补,彼此间具有潜在的合作性。不同种类蚁群搜索时,通过子蚁群间的相似度,自适应选择最互补的蚁群进行信息交换,以加强不同种类蚁群间的协作,增强解的多样性,增强跳出局部最优的能力。TSP仿真结果表明,该算法在搜索速度以及搜索质量方面都有明显的提高。     

结合ABC算法动态分级的双蚁态蚁群算法

针对蚁群算法收敛速度慢、易陷入局部最优等问题，结合人工蜂群算法的分级思想，提出动态分级的双蚁态蚁群算法。根据适应度不同，将蚁群划分为寻优蚁和侦查蚁，并执行不同加权系数的动态信息素更新策略：寻优蚁负责较优路径的搜索，执行较大权重的信息素更新策略，以增强其导向性，提高算法收敛速度。侦查蚁则负责探索非较优路径，发现其他更优解，以保证算法多样性。然后，每次迭代结束则两类蚂蚁进行优良解交换，以提高解的质量。以旅行商问题为例，将其与经典蚁群算法、最新蚁群改进算法以及其他最新优化算法进行对比，其表现皆更优。     

基于自适应更新策略的蚁群算法在TSP上的应用

针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法（Adaptive Update-Ant Colony System,AU-ACS）,有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题（Travelling Salesman Problem,TSP）中对比表明,改进后算法求解的精度更高、稳定性增强。