蚁群算法及其在求解旅行商问题中的应用

蚁群算法是一种求解组合优化问题较好的方法。在蚁群算法的基本原理基础上,以旅行商问题为例,介绍了该算法求解TSP的数学模型及具体步骤,并通过仿真实验与粒子群优化算法等方法比较分析,表明了该算法在求解组合优化问题方面具有良好的性能。     

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法.根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解.一个多极值点的连续优化问题求解实例证明了该方法的有效性     

基于MapReduce改进蚁群算法的Web服务组合优化

对于Web服务组合优化的问题,蚁群算法的求解主要是串行进行,收敛时间长,容易收敛于非最优解。在云计算环境中,将蚁群算法并行化,可对Web服务组合优化问题进行分布式并行求解。根据多目标优化模型给出基于多信息素的蚁群算法,使用MapReduce并行编程框架对蚁群算法中最耗时的部分——蚂蚁独立求解的过程并行化,给出了使用MapReduce改进的基于多信息素的蚁群优化算法,有效地对Web服务组合进行全局优化,弥补传统的蚁群算法求解过程的缺点。     

蚁群算法的理论及其应用

本文介绍了一种崭新的求解复杂优化问题的启发式算法一蚁群算法。该方法通过模拟蚁群搜索食物的过程，达到求解此类问题的目的、它具有智能搜索、全局优化、稳健性强、分布式计算、易与其它方法结合等优点。该算法用于解决组合优化问题，如TSP，QAP，JSP等效果较好．     

传感器网络中单源单汇路由问题的模型与算法

路由问题是无线传感器网络中的核心问题之一,寻找从源到汇的最小费用路径非常困难。蚁群优化算法是最近提出的求解复杂组合优化问题的启发式算法,该算法能够在完全分布式环境下对复杂问题进行求解。文章建立了无线传感器网络中单源单汇路由问题的数学模型,并给出了基于蚁群优化的求解算法。     

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。     

蚁群算法求解旅行商问题综述*

蚁群优化是一种元启发式的随机搜索技术,是目前解决组合优化问题最有效的工具之一。旅行商问题（TSP）是一个典型的组合优化问题,易于描述却难于求解。在介绍了求解旅行商问题的三种经典的蚁群算法的基本原理后,着重分析了蚁群算法的发展现状,总结出蚁群算法发展的五个方向,即基于局部优化算法的蚁群算法、对路径上的信息素更新方法进行改进、蚁群算法与其他算法的融合、对蚁群算法的控制参数进行优化和并行蚁群算法。而且这五个方向有相互融合的趋势。     

基于最大最小蚁群算法的TSP问题求解

TSP问题是一类经典的组合优化问题,为典型的NP-Hard问题.本文考虑574城市的TSP问题求解,采用最大最小蚁群算法,蚁群算法在求解路径优化问题方面较其他智能优化算法显示了优越性.由于基本蚁群算法容易陷入局部最优和早熟现象,本文采用最大最小蚁群算法进行求解.由于问题规模过大,最大最小蚁群算法在进化后期,也陷入了局部最优中.为了克服均不最优,在进化的后期需要进行随机扰动,提高求解的质量和效率.     

蚁群算法参数组合的博弈优化

针对蚁群优化算法参数组合选取的问题,提出了一种基于博弈论的蚁群算法参数优化模型。由于算法各个参数之间相互依赖、相互影响的关系,将各参数作为博弈论中的局中人,利用算法收敛时间与各个参数之间的数学关系,将其转化为博弈模型中参数的收益函数,求解出算法的最优参数组合。仿真结果表明,该模型能够方便有效求解出蚁群算法的最优参数组合。     

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.     

基于自适应蚁群算法的Job-shop调度方法及其仿真研究

蚁群算法作为一种仿生进化算法,具有并行性、鲁棒性等优良性质,被广泛地应用于组合优化问题中。本文首先分析了job-shop调度问题与蚁群算法的内在联系,提出了一种新的用蚁群算法求解的方法。同时,为了增强算法的全局搜索能力和防止早熟现象,对挥发系数引入了一个自适应过程。最后,通过仿真证明了该算法在job-shop调度中的有效性。     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

求解自适应组合优化蚁群算法的研究

传统的组合优化蚁群算法在求解过程中要消耗大量的时间,极易陷入局部最优化求解等弊端,同时还会产生大量无用的冗余迭代码,运算效率低。对此,提出了自适应组合优化蚁群算法。通过对改变信息素的迭代、参数选择的分析和增加对信息素局部更新方式,提高了整个系统运算速度及收敛速度,扩充了优化的范围,克服了无用迭代码的产生,减少了停滞现象的出现。通过该算法对旅行商问题进行仿真实验,其结果表明了该算法的可行性和有效性。     

一种基于改进蚁群优化的QoS路由算法

蚁群优化（Ant Colony Optimization,AC0）是一种新型的分布式仿生优化算法,可有效地用来解决组合优化问题,而网络路由优化问题则正是组合优化问题当中的一种。因此,本文首先分析了常用路由算法与蚁群优化的基本原理,根据网络路由优化问题与蚁群优化算法的许多匹配特性,提出了一种基于改进蚁群优化的QoS路由算法（Route Algorithm based on Improved Ant Colony Optimlzation,RAIAC0）。最后,通过实验分析,对其可行性进行了证明。     

基于蚁群算法的电梯群控调度优化策略研究

为了研究多台电梯的群控调度问题,并根据现有电梯调度策略的不足,建立以服务间和运行能耗为优化目标函数的调度模型,提出将电梯群控调度问题转化为离散组合优化问题,并利用蚁群优化算法求解。算法在接受众多乘客的随机请求下,能根据各电梯的运行现状,将不同层的乘客请求组合分配到相应电梯进行服务的最优调度方案,优化了群控电梯的运行模式,仿真实验证明算法能大幅度减少乘客的平均侯梯时间及缩短运行路径,证明了算法的有效性。     

求解混杂生产调度问题的嵌套混合蚁群算法

蚁群算法作为解决优化问题的有力工具,它的有效性已经得到了证明.由于其生物学背 景,基本蚁群算法被设计来求解复杂的排序类型组合优化问题,在连续空间优化问题的求解方面 研究很少.本文提出一种嵌套混合蚁群算法,用于解决具有混杂变量类型的复杂生产调度问题, 在一种新的最佳路径信息素更新算法的基础上,提高了搜索效率.计算机仿真结果表明,本文提 出的方法在求解此类问题上性能优于另一种基于进化计算的有效方法--遗传算法.     

蚁群算法求解问题时易产生的误区及对策

蚁群算法是一种新型的模拟进化算法，具有智能搜索、全局优化、稳健性强、分布式计算等优点。是求解复杂的组合优化问题的有力工具。该文对蚁群算法的应用进行了研究，指出了应用该算法时易产生的几个误区，并提出了相应的对策。     

基于人工蜂群算法的超声回波参数估计

将适用于求解组合优化问题和连续优化问题的人工蜂群算法运用于超声回波的非线性高斯模型,提出了一种基于人工蜂群算法的超声回波参数估计新方法,给出了算法的基本步骤,并在不同初始条件下对算法的性能进行了仿真。仿真结果表明,该算法的估计精度与初始值的选择无关,不仅能成功估计出超声回波模型的各个参数,而且可在全局范围内取得最优解,与超声回波参数估计的蚂蚁算法相比,该算法具有收敛速度快,运行时间短,鲁棒性好,可进行实时处理的优点。     

Subdomain generation using emergent ant colony optimization

Finite elements mesh decomposition is a well known optimization problem and is used to split a computationally expensive finite elements mesh into smaller subdomains for parallel finite elements analysis.The ant colony optimization is a type of algorithm that seeks to model the emergent behaviour observed in ant colonies and utilize this behaviour to solve combinatorial problems. This technique has been applied to several problems, most of which are graph related because the ant colony metaphor can be most easily applied to such types of problems. This paper examines the application of ant colony optimization algorithm to the partitioning of unstructured adaptive meshes for parallel explicit time-stepping finite elements analysis.The concept of ant colony optimization technique in addition to the notion of swarm intelligence for finding approximate solutions to combinatorial optimization problems is described. This algorithm combines the features of the classical ant colony optimization technique with swarm intelligence to form a model which is an artificial system designed to perform a certain task.The application of the ant colony optimization for partitioning finite elements meshes based on triangular elements using the swarm intelligence concept is described. A recursive greedy algorithm optimization method is also presented as a local optimization technique to improve the quality of the solutions given by the ant colony optimization algorithm. The partitioning is based on the recursive bisection approach.The mesh partitioning is carried out using normal and predictive modes for which the predictive mode uses a trained multi-layered feedforward neural network that estimates the number of triangular elements that will be generated after finite elements mesh generation is carried out.The performance of the proposed hybrid approach for the recursive bisection of finite elements meshes is examined by decomposing two mesh examples and comparing them with a well known finite elements domain decomposer.