求解多重序列比对问题的蚁群算法*

多重序列比对是生物信息学特别是生物序列分析中一个重要的基本操作。提出求解多重序列比对问题的蚁群算法,利用人工蚂蚁逐个选择各个序列中的字符进行配对。在算法中,蚂蚁根据信息素、字符匹配得分以及位置偏差等信息决定选择各序列中字符的概率,通过信息素的更新与调节相结合的策略较为有效地解决了局部收敛的问题,加强了算法寻求全局最优解的能力。另外在该算法的基础上,提出了基于分治策略的多序列比对蚁群求解算法,不但减少了原算法的计算时间,而且显著改善了算法所求得的解的质量。     

基于改进信息素的蚁群算法在QoS 组播路由中的研究

针对传统的蚁群算法在求解大规模旅行商问题时容易导致搜索时间过长或陷入停滞的问题,提出了一种基于改进信息素的蚁群算法。通过蚁群算法的改进,使得每轮搜索之后的信息素都能更好地反映解的质量。实验仿真结果表明,改进后的蚁群算法能获得比传统的蚁群算法更优的解,同时具有更快的收敛速度和较好的稳定性。     

求解0-1背包问题的量子蚁群算法

0-1背包问题是组合优化中经典的NP难题,在蚁群算法的基础上结合量子计算提出一种求解0-1背包问题的量子蚁群算法。算法采用量子比特表示信息素,用量子旋转门来更新信息素。大量数据实例的比较测试表明,算法可有效提高蚂蚁算法的性能,减少搜索时间,具有更好的全局寻优能力。     

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.     

High speed ant colony optimization CMOS chip

Ant colony optimization (ACO) is an optimization computation inspired by the study of the ant colonies’ behavior. This paper presents design and CMOS implementation of the ant colony optimization based algorithm for solving the TSP problem. In order to implement ant colony optimization algorithm in CMOS, we will present a new algorithm. This algorithm is based on the original ant colony optimization but it can be implemented in CMOS. Briefly, pheromone matrix is transformed on the chip area and ants move up-down through the pheromone matrix and they make their decisions. Finally ants select a global path. In previous researches only pheromone values is used, but select the next city in this paper is based on heuristics value and pheromone value. In definition of problem, we use heuristics value as a matrix. Previous researches could not be used for wide type of optimization problem but our chip gives heuristics value initially and we can change initial value of heuristics value according to the optimization problem so this capability increases the flexibility of ACO chip. Simple circuit is used in blocks of our chip to increase the speed of convergence of ACO chip. We use Linear Feedback Shift Register (LSFR) circuit for random number generator in ACO chip. ACO chip has capability of solving the big TSP problem. ACO chip is simulated by HSPICE software and simulation results show the good performance of final chip.     

一个蚁群优化模型的期望性能分析

用蚁群优化求解组合优化问题时, 信息素模型及其规则可能使问题的各组件之间的竞争失衡, 从而有可能使蚁群搜索停滞在最差解。 研究了蚁群优化求解k-最小生成树问题时的信息素模型及其更新规则对性能的影响,对原有的信息素模型作出了新的解释:直接表示k-最小生成树问题的边被选择的概率。基于新的信息素模型设计了一种新的解的构造过程,这种过程不仅产生可行解, 也产生不可行解;同时研究了使用可行解和全部解更新信息素模型时算法的迭代期望质量随时间的增减情况,其结果表明, 只使用可行解时迭代期望质量随时间连续降低, 而使用全     

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。     

基于分解优化的多星合成观测调度算法

某些卫星的侧摆性能较差, 必须进行合成观测以提高观测效率. 研究了多星联合对地观测中的任务合成观测调度问题. 提出了将原问题分解为任务分配与任务合成的分解优化思路. 任务分配为任务选择卫星资源及时间窗口; 任务合成则针对该分配方案,将分配到各卫星的任务按照轨道圈次分组, 分别进行最优合成. 采用蚁群优化算法(Ant colony optimization, ACO)求解任务分配问题, 通过自适应参数调整及信息素平滑策略, 实现全局搜索和快速收敛间的平衡.提出了基于动态规划的最优合成算法, 求解任务合成子问题,能够在多项式时间内求得最优合成方案. 依据分配方案的合成结果, 得到优化方案的特征信息, 反馈并引导蚁群优化算法对任务分配方案的搜索过程. 大规模测试算例验证了本文算法的效率.     

一种基于蚁群优化算法的旅行Agent问题求解

旅行Agent问题解决移动Agent在不同主机间移动时如何规划最优的迁移路线，是复杂的组合优化问题。蚁群算法作为一种新的生物进化算法，具有并行、正反馈和启发式搜索等特点。本文在蚁群算法的基础上，通过修改它的信息素轨迹更新规则，并引入自适应的信息素挥发系数，来求解旅行Agent问题。实验结果表明了本文算法的可行性。     

自适应混合蚁群算法在MRCPSP中的应用

以多模式资源受限项目调度问题（Multi-mode Resource Constrained Project Scheduling Problem, MRCPSP）为背景,针对蚁群算法收敛速度和解的多样性之间的平衡问题,提出一种改进的自适应混合蚁群算法。该算法中参数的取值范围和变化幅度能够随算法的运行同步自适应调整,蚂蚁在取值区间内随机取参形成混合蚁群;在算法中引入先驱侦查蚁、带有排名因子的精英蚁群奖励机制和信息素上下限以优化信息素的更新策略。同时,对于MRCPSP问题中的工期不确定问题,基于模糊理论,利用该算法解出项目工期的估计值和模糊区间加以解决。最后,仿真结果表明,该算法与其他启发式项目调度优化算法相比,能够提高收敛速度和解的质量,较好地解决MRCPSP问题,因此有着较高的实际应用价值。     

融合遗传蚁群算法的Web 服务组合研究

为了提高Web服务组合流程中服务选择技术的收敛性能,提出了一种基于遗传算法与蚁群算法相融合的多目标优化策略,用于解决基于QoS的Web服务组合问题。本文首先将Web服务组合的全局最优化问题转化为寻求一条QoS最优解的路径问题,并通过改进遗传算法得到蚁群算法中初始路径的信息素分布,再通过改进蚁群算法来求得最优解。仿真实验结果表明,该改进算法能在较少的进化代数下得到最优路径,提高了Web服务组合的快速全局搜索能力。     

基于蚁群混沌行为的离散粒子群算法及其应用

考虑蚁群算法与粒子群算法的各自特点,在粒子群算法的基础上借鉴蚁群算法的信息素机制,对粒子群算法的速度位置更新公式重新定义,提出了一种基于蚁群混沌行为的离散粒子群算法,并将其应用到背包问题中。实验结果表明,该算法可以得到较优解。     

等级反馈蚁群算法求解成品油二次配送问题

针对成品油二次配送路径优化问题，提出了一种可变成本与动态载荷相关的评价指标。考虑蚁群算法求解路径优化问题的高效性，设计了一种等级反馈蚁群（HFAC）算法。采用局部距离等级策略代替基本蚁群算法的随机选取；利用较优（较差）个体对其所在路线进行正（负）反馈调整信息素浓度；对最优路线的子路线进行末端优化调整。通过15组不同类型算例进行仿真实验表明，HFAC算法在成品油二次配送路径优化中优于基本蚁群算法。     

多蚁群伪并行优化算法

针对传统蚁群算法容易出现早熟和停滞现象，提出了一种多蚁群伪并行优化算法，将蚁群分成若干个子蚁群，在各子蚁群中引入信息素平滑机制，通过设计迁移算子，使多个子蚁群并行、协同寻优，从而使算法跳离局部最优解。类比实验表明，该算法比传统的蚁群算法具有更好的搜索全局最优解的能力。     

基于改进蚁群算法的垂直旋转式贴片机贴装顺序优化

以垂直旋转式贴片机为研究对象,在供料器位置确定的情况下,研究其贴装顺序优化问题。在贴片机贴装数学模型的基础上提出改进蚁群算法,将贴装过程分成拾取 贴放循环和各循环之间连接2个子问题。改进蚁群算法在搜索最优解过程中引入精英蚂蚁,并采用全局和局部相组合的信息素更新策略。实验结果表明,改进算法在求解贴片机最优路径时具有较好的求解精度、全局搜索能力以及较快的收敛速度,相比基本蚁群算法,其求得的最优路径使得贴装效率提高了11%左右。     

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。     

蚁群与粒子群混合算法求解TSP问题

旅行商问题（TSP）是最古老而且研究最广泛的组合优化问题。针对TSP问题,提出一种蚁群与粒子群混合算法（HAPA）。HAPA首先将蚁群划分成多个蚂蚁子群,然后把蚂蚁子群的参数作为粒子,通过粒子群算法来优化蚂蚁子群的参数,并在蚂蚁子群中引入了信息素交换操作。实验结果表明,HAPA在求解TSP问题中比传统算法和同类算法更具优越性。     

改进的蚁群算法求解旅行Agent问题

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点。旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent 为完成用户指定任务,在不同主机间移动时的迁移策略问题。在蚁群算法的基础上,引入变异运算,并且对蚁群算法的全局和局部更新规则进行改进,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移。仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法。     

Hardware-oriented ant colony optimization

A new kind of ant colony optimization (ACO) algorithm is proposed that is suitable for an implementation in hardware. The new algorithm – called Counter-based ACO – allows to systolically pipe artificial ants through a grid of processing cells. Various features of this algorithm have been designed so that it can be mapped easily to field-programmable gate arrays (FPGAs). Examples are a new encoding of pheromone information and a new method to define the decision sequence of ants. Experimental results that are based on simulations for the traveling salesperson problem and the quadratic assignment problem are presented to evaluate the proposed techniques.     

基于自适应蚁群算法的QoS组播路由算法

提出一种改进的自适应蚁群优化算法,在信息素更新策略中引入全局最优系数,研究多约束条件下的QoS组播路由问题。动态更新信息素能够确保自适应地改进全局搜索能力和收敛性能,避免陷入局部最优解。仿真结果表明,该算法比蚂蚁-遗传算法在解决多约束条件下的QoS组播路由问题时更有效。