一类自适应蚁群算法的收敛性分析

为了提高基本蚁群算法的全局求解能力,对基本蚁群算法进行了改进,提出了一种基于信息素挥发因子自适应变化的蚁群算法,并证明了当迭代次数充分大时算法能以概率1收敛到全局最优解,通过对TSP仿真实验表明改进后的蚁群算法在求解最优解时存在优势。     

改进蚁群算法求解两地间时间最优路径

研究两地间时间最优路径的问题。针对基本蚁群算法搜索的盲目性,迭代时间长,易陷局部最优解的问题,造成寻找最优路径困难。为提高寻优效率,提出一种改进的蚁群算法来求解问题。在方案中引入阀值排序算法对搜索路径进行优化,解决了蚁群算法前期搜索路径的盲目性问题。改进的蚁群算法加快了收敛速度,并提高了稳定性。经仿真证明:改进蚁群算法性在减少算法的迭代次数和提高解的稳定性方面有了较大的提高,并且能很好的用于求解路径时间最优问题。     

一种改进的智能蚁群优化算法

为了提高基本蚁群算法（Ant Colony Algorithm）的全局求解能力,对基本蚁群算法进行了改进,提出了一种高效的智能蚁群优化算法。它修改了基本蚁群算法中信息素、挥发因子的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,有效地避免陷入局部最优,以加快收敛;另外,采用了一种最近节点选择策略使之适应大规模问题求解,对路径进行优化,提高搜索效率。通过对TSP问题的仿真结果表明,改进后的蚁群算法在求解最优解和收敛性能方面都取得了很好的效果。     

改进的蚁群优化算法求解旅行商问题

针对基本蚁群算法在求解旅行商问题时表现的停滞和早熟现象,提出一种带遗忘因子的蚁群优化算法。通过在人工蚂蚁中加入遗忘因子,建立新的状态转移公式,修改信息素更新策略,蚂蚁按照基本蚁群算法的搜索方式工作,结合当前解的最优值误差率,对状态转移方程进行调整,新公式可用于降低最优值误差、提高最优值跟踪能力、修正路径评价模型、计算每条路径到当前最优解的概率。对TSP实例的仿真结果表明,改进算法耗时更短,路径寻优结果更优。     

改进蚁群算法及其在机器人避障中的应用

提出了一种改进蚁群算法.首先针对蚁群算法在构造解过程中收敛速度慢且容易陷入局部最优,提出了在蚁群搜索路径过程中,通过建立α(信息素启发式因子)和β(期望启发式因子)的互锁关系,动态自适应调整α、β;其次针对蚁群算法在面对凹形障碍物易陷入死锁,降低搜索效率,提出了广义信息素更新规则;最后利用栅格法进行静态已知环境建模,通过不同规模TSP的仿真验证了该方法的可行性和有效性,同时将其应用到机器人避障并取得了较好实验效果。     

改进蚁群算法求解两地间时间最优路径

为提高蚁群算法的运算效率,提出一种改进的蚁群算法来求解问题。研究中中引入阀值排序算法对搜索路径进行优化,解决了蚁群算法前期搜索路径的盲目性问题。改进的蚁群算法加快了收敛速度,并提高了稳定性。经仿真试验证明,改进蚁群算法性在减少算法的迭代次数和提高解的稳定性方面有了较大的提高,并且能很好的用于求解路径时间最优问题。     

改进的智能蚁群算法在TSP问题中的应用

研究旅行商领域优化路径问题,解决目前蚁群算法易陷入局部最优、搜索时间长等问题.为加快算法的速度优化结果,提出了一种改进的求解TSP问题的智能蚁群优化算法.算法前期采用了一种最近节点选择策略对路径进行优化,提高了搜索效率,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛.通过改进后的蚁群算法,对TSPLIB中部分问题的仿真结果表明,在避免陷入局部最优和缩短搜索时间方面都取得了很好的效果.证明采取的优化蚁群算法,是可行有效的.     

优化蚁群算法在无人机航路规划中的应用

研究无人机航路规划问题,采用基本蚁群算法易陷入局部最优、搜索时间长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提高速度和系统品质特性,提出了一种基于改进蚁群算法的无人机航路规划方法.算法前期采用了保留最优解和自适应航路点选择策略对路径进行优化,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛,提高了搜索效率.采用改进的蚁群算法对无人机任务航路进行仿真,仿真结果表明,改进方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高,证明是一种有效的无人机航路优化方法,可为实际应用提供参考.     

求解平衡约束圆形Packing问题的快速启发式并行蚁群算法

带平衡约束圆形Packing问题属于NP-hard问题,求解困难.提出一种求解该问题的快速启发式并行蚁群算法.首先提出一种启发式方法:在轮盘赌选择定序的概率公式中增加质量因子和外围逆时针排列定位待布圆,并用它构造出多样性种群个体(相交圆数不超过3的布局方案).然后将蚁群优化与并行搜索相结合,使种群个体快速收敛到最优解或迭代出存在少量干涉的近似最优解(1～3个相交圆).若为后者,则基于物理模型用最速下降法将其快速调整成最优解.所采用的启发式方法、并行蚁群搜索机制和快速调整策略有机结合提高了算法的搜索精度和效率.数值实验表明该算法在性能指标上优于已存在的算法.     

二次蚁群算法在运输调度问题中的应用

蚁群算法在解决车辆路径问题VRP(Vehicle Routing Problem)上表现了很大优势,但也存在全局搜索能力较低、易出现停滞等缺陷.提出的二次蚁群算法是指先用改进的自适应蚁群算法对VRP求得一个可行解,再用求解旅行商问题TSP(Traveling Salesman Problem)的蚁群算法对所得到的解进一步优化,从而得到最优解.从两个实验仿真结果的数据上看,该算法具有很强的搜索能力,克服了基本蚁群算法的某些弊端,能够有效地求解车辆路径问题.     

基于启发式机制的改进蚁群算法

针对蚁群算法在求解最短路径问题时收敛速度慢,容易陷入局部最优解的问题,提出基于启发式机制的改进蚁群算法.在蚁群系统（ant colony system,ACS）算法基础上通过候选节点到目标点的距离动态调整启发函数,提高收敛速度;算法陷入局部最优时,引入惩罚函数,使当前最优路径上的信息素快速下降而降低蚂蚁下一次搜索正反馈的影响,避免算法陷入局部最优.仿真实验表明,在复杂环境中,包括终点处存在凹形障碍物时,该算法在解的质量和收敛速度上都显示出了良好的性能.     

基于最大—最小蚂蚁系统的动态自适应Ant-Miner算法

针对基于蚁群算法的文本分类算法Ant-Miner所固有的易陷入局部最优解、复杂度较高等缺陷,引入最大-最小蚁群系统(MMAS)并通过规则质量的变化动态自适应地对信息素的浓度进行调节,引入基于密度的启发式因子来降低计算启发式因子的复杂度,同时通过先验知识来降低条件项选择概率的计算复杂度,在此基础上提出了一种基于Ant-Miner算法的改进文本分类算法。     

基于信息素强度的改进蚁群算法

现有的基本蚁群算法和MMAS算法都存在收敛速度慢、易陷于局部最优解等缺点,为了提高算法搜索效率,提出了一种求解旅行商问题的改进蚁群算法.在基本蚁群算法和MMAS算法的基础上,通过对蚂蚁进行区分,直接控制信息素的浓度,并进行有选择的更新,有效地抑制了算法收敛过程中的停滞和早熟现象,提高了全局搜索能力和解的质量.最后通过经典的CTSP31实例验证了该改进算法的有效性,仿真实验结果表明,它在最优解、平均解和最优迭代次数等性能上比经典蚁群算法都有较大的改善.     

蚁群算法的优化及在TSP问题上的应用

蚁群算法是一种模仿真实蚂蚁群集体行为的全局启发式随机搜索算法．目前蚁群算法存在易陷入局部最优、搜索时间长等问题。提出一种改进的蚁群算法,加入扰动策略、挥发因子动态调整策略以避免算法陷入局部最优值．采用奖励策略提高搜索效率。通过在旅行商问题上验证得知,改进后的算法可以获得已知最优值,与最大最小蚁群算法相比,解的平均值、出现最优值的概率都有提高。     

蚁群算法的优化及在TSP问题上的应用

蚁群算法是一种模仿真实蚂蚁群集体行为的全局启发式随机搜索算法,目前蚁群算法存在易陷入局部最优、搜索时间长等问题。提出一种改进的蚁群算法,加入扰动策略、挥发因子动态调整策略以避免算法陷入局部最优值,采用奖励策略提高搜索效率。通过在旅行商问题上验证得知,改进后的算法可以获得已知最优值,与最大最小蚁群算法相比,解的平均值、出现最优值的概率都有提高。     

一种求解TSP问题的改进蚁群算法

针对基本蚁群算法存在收敛速度慢,易陷于局部最优解等缺点,提出了一种求解旅行商(TSP)问题的改进蚁群算法.通过在基本蚁群算法中提出保留最优解和引入个体差异策略的改进方法,有效地抑制了算法收敛过程中的停滞现象,提高了全局搜索能力和解的质量.TSPLIB的实例验证了该改进算法的有效性.     

求解带硬时间窗车辆路径问题的自适应蚁群算法

蚁群算法具有较强的鲁棒性和优良的分布式计算机制.研究重点是对现有的求解带硬时间窗的车辆路径问题VRP-H(Vehicle Routing Problem with Hard Time Windows)的蚁群算法作出更好的改进,使得算法的计算效率更高且得到的解更优,提出了蚁群算法的改进算法-改进的自适应蚁群算法.该算法先用自适应蚁群算法对VRP-H求得一个可行解,再利用多种改善方法对初始解进一步优化,从而得到最优解.测试时选用Solomon提出的题库,结果表明该算法能够有效地求解VRP-H.     

改进的遗传混合蚁群算法在TSP问题中的应用

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一种改进的遗传混合蚁群算法。在每代进化中保留最优解和次优解的公共解集后引入遗传操作中的交叉算子进行运算,并采用自适应改变信息素挥发系数的方法,加快了算法收敛速度,提高了解的全局性。通过对TSP问题的仿真运算表明,改进的遗传混合蚁群算法在收敛速度和解的全局性上都有较大的改善。     

基于蚁群数量动态调整的改进蚁群优化算法

蚁群优化（ACO）算法是一种常用的元启发式算法，它通过模拟蚁群寻找食物的过程，为求解多维背包问题（MKP）等NP难（Non-deterministic Polynomial hard）问题提供可行途径。原始ACO算法及其改进算法，通常分为多个轮次，每个轮次均会生成一个蚂蚁种群寻找可行解。在不同轮次中，每轮蚁群中蚂蚁的数量是固定的，因此，如果将其指定一个较大的值，会导致算法出现不必要的时间消耗；反之，如果指定的值较小，则会降低算法全局最优解搜索能力。为此，提出了一种基于蚁群数量动态调整的改进蚁群优化算法ACO-ANDA(ACO algorithm based on Ant Number Dynamic Adjustment)，所提算法在可行解搜索过程中，引入了一种新的蚁群数量动态调整机制。在每轮可行解搜索结束后，均根据近几轮可行解和历史最优解之间的关系，调整下一轮蚁群数量，实现对算法时间耗费和最优解搜索能力的平衡。再基于MKP基准测试集SAC-94的多组实验结果表明，相较于原始ACO算法，所提算法能够在最优解利润平均降低0.02%的情况下，平均降低77.85%的时间耗费。     

一种求解TSP的混合遗传蚁群算法

结合遗传算法和蚁群算法,提出了一种求解TSP的基于启发式遗传信息的蚁群遗传算法。该算法由蚁群遗传算法和基于启发式遗传信息的蚁群算法两部分组成。蚁群遗传算法将蚁群算法和遗传算法结合起来,提高了遗传算法的种群的多样性;基于启发式遗传信息的蚁群算法是将启发式遗传信息加入到蚁群算法中,防止蚁群算法对信息素过分依赖,缩小最优解的搜索空间。HGI ACGA算法是将启发式遗传信息加入到蚁群遗传算法中,可以提高蚁群算法的收敛速度和寻优能力。实验结果表明,HGI ACGA算法在收敛速度和收敛精度上均优于ACGA和ACA算法。