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。     

蚁群算法理论及应用研究的进展

蚁群算法是优化领域中新出现的一种仿生进化算法．该算法采用分布式并行计算机制,易与其他方法结合,具有较强的鲁棒性;但搜索时间长、易限入局部最优解是其突出的缺点．针对蚁群算法,首先介绍其基本原理;然后讨论了近年来对蚁群算法的若干改进以及在许多新领域中的发展应用;最后评述了蚁群算法未来的研究方向和主要研究内容．     

蚁群算法硬件实现的研究进展

蚁群算法是优化领域中新出现的一种启发式仿生类智能进化算法，该算法采用分布式并行计算和正反馈机制．首先综述了蚁群算法及其硬件实现的研究进展，并讨论了蚁群算法硬件的主要特点；然后，着重介绍了基于现场可编程门阵列（FPGA）的蚁群算法硬件实现方案，简要阐述了蚁群算法在软硬件划分领域的应用进展；最后，展望了蚁群算法硬件实现领域未来的研究方向和内容．     

运输调度问题的蚁群算法研究

蚁群算法是一种用于求解复杂组合优化的较新的启发式算法.本文简述了蚁群算法的基本原理及算法模型,通过分析研究现状指出了蚁群算法在实际应用中的局限性,最后给出解决一般运输调度问题的蚁群算法,并分析了其今后的发展方向.     

蚁群算法及其应用研究进展

蚁群算法作为一种仿生进化算法,是受到真实蚁群觅食机制的启发而提出的.首先介绍了蚁群算法的基本原理和工作机制,然后分别就蚁群算法的理论和应用的研究现状进行了综述,主要包括蚁群算法的参数设置,蚁群算法的改进,蚁群算法的收敛性以及蚁群算法在组合优化问题和连续优化问题中的应用,并进一步给出了它们的研究重点和发展方向,最后是关于蚁群算法的研究展望和面临的挑战,提出了蚁群算法研究中值得探讨的一些课题.     

蚁群算法在搜索引擎系统中的应用研究

蚁群算法是Marco Dorigo等学者在真实蚂蚁觅食行为的启发下提出的一种群智能优化算法。为了优化搜索引擎系统中的搜索代价,文中采用理论分析和实验相结合的方式,研究了蚁群算法在搜索引擎系统中的应用。提出了基于蚁群算法的搜索引擎算法,并设计了适合该算法的搜索引擎系统。从理论上阐述了蚁群算法的开放性和自我动态调整性对搜索引擎系统的适应,在此基础上分析了蚁群搜索引擎算法的优点。实验仿真证明了该算法的有效性和优越性。     

蚁群算法在数据挖掘中的应用研究

蚁群算法是一种新型的模拟进化算法,在求解复杂的组合优化问题中获得成功并表现出良好的性能。文章介绍了蚁群算法在分类和聚类两个重要的数据挖掘任务中的应用研究情况,阐述了算法的基本原理及特性,最后总结了蚁群算法在数据挖掘应用中尚待解决的问题。     

蚁群算法在数据挖掘分类中的研究

对蚁群算法杂数据挖掘中的分类任务的应用进行了研究,算法实质上是利用蚁群觅食原理在数据库中进行搜索,对随机产生的一组规则进行选择优化,直到数据库能被该组规则覆盖,从而挖掘出隐含在数据库中的规则。     

蚁群算法的研究及应用进展

蚁群算法是优化领域新出现的一种启发式仿生类并行智能进化系统,该算法采用分布式计算和正反馈机制,易于和其他算法结合,目前已得到了广泛的应用。本文在介绍基本蚁群算法的基础上,介绍了蚁群算法目前的一些研究情况,然后例举了蚁群算法的一些应用,最后对蚁群算法今后的研究方向作了分析和展望。     

遗传-蚁群融合算法在离散型优化中的研究及实现

主要针对离散型数学模型的优化问题,分析使用遗传和蚁群算法的优缺点,并克服遗传算法、蚁群算法各自的局限性,发挥其优势,通过遗传-蚁群融合算法进行优化计算。在研究过程中,采用C#语言实现融合算法,并定义标准输入和输出结构。利用油田措施优化应用案例进行了对比实验验证,结果表明,融合算法能有效地发挥遗传、蚁群算法的优点,运算速度及求解效率均较理想。     

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。     

基于蚁群优化算法的神经网络训练的研究

在ACO算法原理及框架的基础上，将蚁群优化算法引入神经网络的训练中．提出了ACO训练神经网络的基本原理和方法步骤。并与遗传算法、模拟退火算法、加动量项的BP算法相比，仿真结果表明，用ACO算法训练的神经网络具有较快的收敛速度．能够达到较小的均方误差值。     

基于变异和动态信息素更新的蚁群优化算法

尽管蚁群优化算法在优化计算中已得到了很多应用,但在进行大规模优化时,其收敛时间过长仍是应用该算法的一个瓶颈.为此,提出了一种高速收敛算法.该算法采用一种新颖的动态信息素更新策略,以保证在每次搜索中,每只蚂蚁都对搜索做出贡献;同时,还采取了一种独特的变异策略,以对每次搜索的结果进行优化.计算机实验结果表明,该算法与最新的改进蚁群优化算法相比,其收敛速度提高了数十倍乃至数百倍以上.     

模糊相关机会规划的蚁群优化算法及收敛性分析

模糊相关机会规划(Fuzzy dependent-chance programming, FDCP)因其非线性、非凸性及模糊性,对经典的优化理论提出了极大的挑战. 本文为解决复杂的模糊相关机会规划问题设计了一种基于模糊模拟的蚁群优化算法, 证明了该算法的收敛性,并通过估算期望收敛时间以分析蚁群优化算法的收敛速度. 数值案例研究验证了该算法的有效性、稳定性及准确性.     

基于文化的连续蚂蚁优化算法的研究*

针对蚂蚁优化算法在求解连续空间问题方面的缺陷,提出一种基于文化的连续蚂蚁优化算法。该算法将蚂蚁优化算法纳入文化算法的框架,组成基于蚂蚁优化算法的主群体和信念的两大空间。在知识和群体层面使用双重进化机制支持问题的求解和知识的提取,从而充分利用精英蚂蚁所携带的特征信息,在很大程度上提高了收敛速度,增强了搜索的多样性。实验结果表明,该算法求解速度快、寻优成功率高,是一种提高蚂蚁优化算法性能的有效算法。     

多约束条件蚁群优化算法的收敛性分析及其应用

为有效解决无线移动自组网中多约束服务质量(QoS)路由问题,提出结合QoS条件下的改进型蚁群算法.该算法对QoS约束条件进行简化,只考虑影响网络因子的主要指标,提高了算法的工程实用性,并在理论上证明该算法的收敛性.对传统蚁群算法的信息素进行改善,通过对该算法局部和全局收敛性的研究,提出了普遍意义下的收敛条件,为这一类约束条件下的蚁群算法进一步研究奠定了良好的基础.     

基于蚁群优化的网络路由算法及其NS仿真

随着网络日趋复杂,求解实际的网络路由问题成为了一个NP一难问题。蚁群优化算法作为一种启发式算法近年来被广泛的用于求解复杂的NP一难问题,在对蚁群优化算法进行研究的基础上,给出了基于蚁群优化的网络路由算法一AntNet算法的原理及其NS仿真。仿真结果表明,该算法很好地利用了蚁群算法的正反馈性,能依概率随机且有效选择下一个节点,从而使网络流量按路径费用好坏,分散在多条可能的路径中,达到平衡流量、减小拥塞现象出现的目的。     

蚁群算法在求解旅行商问题中的应用综述

旅行商问题作为组合优化研究中最具挑战的问题之一, 自被提出以来就引起了学术界的广泛关注并提出了大量的方法来解决它. 蚁群算法是求解复杂组合优化问题的一种启发式仿生进化算法, 是求解旅行商问题的有效手段. 本文分别介绍蚁群算法中几个有代表性的算法, 综述了蚁群算法的改进、融合和应用的文献研究进展, 以评价近年来不同版本的蚁群算法为解决旅行商问题的发展和研究成果, 并针对改进蚁群算法结构框架、算法参数的设置及优化、信息素优化和混合算法等方面, 对现被提出的改进算法进行了分类综述. 对蚁群算法在未来对旅行商问题及其他不同领域的研究内容和研究热点的进一步发展提供了展望和依据.     

基于多蚁群的并行ACO算法

通过改变蚁群优化(ACO)算法行为,提出一种新的ACO并行化策略——并行多蚁群ACO算法。针对蚁群算法存在停滞现象的缺点,改进选择策略,实现具有自适应并行机制的选择和搜索策略,以加强其全局搜索能力。并行处理采用数据并行的手段,能减少处理器间的通信时间并获得更好的解。以对称TSP测试集为对象进行比较实验,结果表明,该算法相对于串行算法及现有的并行算法具有一定的优势。     

基于改进蚁群优化算法的无线传感器网络路由研究

无线传感器网络为能量受限系统,为了促使网络节点能量消耗相对均衡,将蚁群优化(ACO)算法应用于无线传感器网络的路由选择,提出一种基于能量均衡的无线传感器网络路由算法。该算法将节点能量作为转移概率规则启发因子,通过计算转移概率和适应度值找到最优路径。仿真结果表明:该算法可以显著减低网络总能耗,从而延长无线传感器网络的生命周期。