蚁群算法的参数分析

蚁群算法（ACS）是一种新型的分布式模拟进化算法,它有较强的解搜索能力、很好的适应性和鲁棒性等,但如果算法中各参数选择不当,则会使算法的运行时间变长,或者陷于局部最优,达到停滞状态。恰当的参数选择,可以使蚁群算法有较好的性能,较快地收敛到全局较优解。以TSP问题为例,通过采用不同参数匹配进行优化的数值实验,分析了算法中参数α、β、ρ籽对算法性能的影响,给出了一定指导性的建议。     

基于局部优化策略求解TSP的蚁群算法*

为了克服基本蚁群算法收敛速度慢、易于停滞的缺陷,提出了一种基于局部优化策略的蚁群算法（LOACA）。该算法根据TSP的特点,采用了三种局部优化算子来交换搜索路径中城市的位置,以改进解的质量。以TSP为例进行的实验结果表明,该算法优于ACA和ACAGA。     

基于自适应多态免疫蚁群算法的TSP求解*

针对标准蚁群算法易于出现早熟停滞现象,提出了一种自适应多态免疫蚁群算法（adaptive polymorphic immune ant colony algorithm,PIACA）。通过设置多种状态蚁群及引入自适应多态蚁群竞争机制,PIACA算法能有效抑制收敛过程中的早熟停滞现象。将禁忌表中每只蚂蚁走过的路径视为抗体,对抗体运用局部最优搜索算法和免疫克隆选择算法进行高效优化,提高了解的质量。针对TSP实验结果表明,该算法在收敛速度及求解精度上均取得到了较好的效果。     

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。     

蚁群算法求解性能之研究-以TSP问题为例

蚁群算（Ant Colony Optimization,ACO）为了获得较优解,算法中的蚂蚁除了可以直接选择已经走过的路径外,也会选择未曾走过的路径,即“利用”与“探究”两种路径选择机制。这两种路径选择的概率是影响蚁群算法求解性能的关键。通过对旅行商问题（TSP）的仿真实验,结果表明,当“利用”被采用的概率很高时,可能会使蚁群算法的性能降低。当这两种机制被采用的概率差不多时,可以提高蚁群算法的性能。     

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.     

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。     

基于新型信息素更新策略的蚁群算法*

深入研究了蚁群优化算法（ACO）的路径搜索及参数控制策略,分析了其存在的缺陷。为了提高ACO算法的解题能力,提出一种新型信息素更新策略（PACS）,然后将PACS算法与其他蚁群算法分别应用于旅行商问题（TSP）进行仿真实验。仿真结果表明,PACS算法具有优良的全局优化性能,可抑制算法过早收敛于次优解,有效防止了停滞现象,收敛速度也大大加快。     

求解TSP的改进蚁群算法*

针对蚁群算法存在的搜索时间长、易限于局部最优解等缺陷,提出了一种改进的蚁群算法。通过在初始化信息素矩阵中采用候选城市列表减少劣质解,在局部搜索中采用聚类进行二次搜索,缩小了算法的搜索范围、改善了解空间的质量,提高了搜索速度。仿真结果表明,改进后的蚁群算法在TSP的求解中,收敛速度和全局寻优能力均得到较大的提高。     

基于参数动态变化和变异的蚁群算法

针对蚁群算法存在求解速度慢、容易出现早熟和停滞现象,提出一种基于参数动态变化和变异的自适应蚁群算法(PDMACS)。将参数分为全局参数和局部参数,对参数的功能进行讨论,设计局部参数q0随蚂蚁求解质量动态变化和全局参数?随平均节点分支数自适应调整的方法提高算法全局搜索能力,并采用一种简单高效的变异算法加快收敛速度。用TSPLIB中的范例进行比较实验,结果表明,与传统算法相比,该算法的求解质量、稳定性以及收敛速度都有所提高。     

带个体差异的蚁群算法的应用*

基本蚁群算法在大规模优化问题的处理上,算法的执行效率很低。为此改进的算法引入了蚂蚁个体差异,并将不同蚂蚁选路策略混合应用,使改进后的蚁群算法在加快收敛速度和提高解的质量的同时,避免了过早停滞现象。实验表明,该算法在性能上远优于基本蚁群算法。     

动态自适应蚁群算法求解TSP问题

针对基本蚁群算法容易出现早熟和停滞现象的缺点,提出一种动态自适应蚁群算法,通过引入信息素的自适应调整策略,限制信息素范围以及动态增加信息素的局部更新方式,有效抑制收敛过程中的停滞现象,提高算法的搜索能力．该算法的性能在中国旅行商问题（China Traveling Salesman Problem,CTSP）和EilSO问题上得到验证．     

基于异类蚁群的双种群蚁群算法

提出一种基于异类蚁群的双种群蚁群（Dual Population Ant Colony Algorithm Based on Heterogeneous Ant Colonies,DPACBH）算法,算法将两种信息素更新机制不同的蚁群分别独立进行进化求解,并定期交换优良解和信息来改善解的多样性,增强跳出局部最优的能力,使算法更容易收敛到全局最优解。以TSP（Travel Salesman Problem）问题为例所进行的计算表明,该算法比基本双种群蚁群算法具有更好的收敛速度和准确性。     

基于混合行为蚁群算法的研究

为在加快算法收敛速度的同时又能避免停滞现象,提出一种基于混合行为的蚁群算法.首先就蚂蚁行为对算法性能的影响进行了分析,在此基础上提出了该算法的模型;然后定义了蚂蚁行为,并为该算法设计了4种具体的蚂蚁行为,根据模型实现了该算法.实验结果表明,该算法在性能上远优于蚂蚁系统.     

一种遗传蚁群系统的研究

在遗传蚁群系统中,为减少蚂蚁构建路径的时间消耗,引入遗传操作,使得当前迭代中蚂蚁构建的路径部分来自于之前迭代获取的优秀巡回路径的遗传;同时为减少由遗传操作产生的算法停滞的影响、提高算法解的质量,对蚁群构建的路径施行2opt变异操作。通过旅行商问题测试算法性能,并与蚁群系统进行比较。实验表明,遗传蚁群系统搜索效率高,而且解的质量优于蚁群系统。     

蚁群遗传混合算法

提出了一种蚁群系统与遗传算法融合的算法。将遗传算法加入到蚁群系统的每一次迭代过程中,利用遗传算法全局快速收敛的优点,来加快蚁群系统的收敛速度。并且遗传算法中的变异机制,帮助提高了蚁群系统跳出局部最优的能力。不仅阐述了新算法的原理,而且以旅行商问题为例进行了仿真实验,实验结果表明新算法在求解时间和求解质量上都取得了很好的效果     

基于模拟退火算法的多道逆向蚁群算法

为克服现有蚁群算法运算过程中易出现停滞现象、收敛速度慢等缺点,提出了一种基于模拟退火策略的多道逆向蚁群算法。通过向原始蚁群中引入逆向蚂蚁,并结合模拟退火思想确定蚁群中逆向蚂蚁的数目,来提高算法全局寻优能力。在算法执行过程中一组蚂蚁分成几群并行运算,通过交换策略,有效地利用了当前最优解,提高了算法收敛速度。将该算法应用于旅行商问题的求解,仿真实验结果表明该算法的全局寻优能力和收敛速度都得到了很大改善。     

基于细菌觅食的改进蚁群算法

蚁群算法是模仿蚂蚁觅食行为的一种新的仿生学智能优化算法。针对其收敛速度慢和易陷入局部最优的不足,将细菌觅食算法和蚁群算法相结合,提出一种细菌觅食 蚁群算法。在蚁群算法迭代过程中,引入细菌觅食算法的复制操作,以加快算法的收敛速度;引入细菌觅食算法的趋向操作,以增强算法的全局搜索能力。通过经典的旅行商问题和函数优化问题测试表明,细菌觅食 蚁群算法在寻优能力、可靠性、收敛效率和稳定性方面均优于基本蚁群算法及两种改进蚁群算法。     

基于群体分类的自适应蚁群算法

针对基本蚁群算法在求解能力方面的不足,提出一种基于群体分类的自适应蚁群算法.该算法在智能蚁群的基础上引入随机蚁群以便扩大搜索空间,不同蚁群实行各自不同的搜索前进策略和信息更新机制,并可通过调节随机蚁群与智能蚁群的比例来控制收敛速度.多个旅行商问题的仿真实验证明,相比ACS、MMAX算法,该算法的求解能力得到了改进.