基于任务权重蚁群算法在Agent迁移中的应用

针对移动Agent在路径迁移的问题,提出了基于Agent任务权重的改进蚁群算法。该方法是将Agent任务权重的思想应用到蚁群路径信息素的更新当中,使任务权重较大的Agent有权去更新所经过的路径上的信息素,从而提高该算法的全局搜索能力。实验结果表明,相比现有的Agent迁移中路径选择的蚁群算法,提出的改进蚁群算法,在提高该算法的搜索全局最优解的能力的基础上,能更好地提高多任务的Agent系统的运行效率。     

基于信息差异度蚁群算法的QoS路由算法

针对基本蚁群算法在求解QoS路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种基于信息差异度的蚁群算法对该问题进行求解。该算法在节点选择中嵌入路径信息素的差异度调节函数和迭代算子,动态调整节点选择策略;根据各路径上信息素的“集中”程度判断解的早熟、停滞情况,并引入路径变异和二次蚁群操作;根据最大-最小蚁群算法原理对信息素进行限制。仿真实验表明,算法全局搜索能力较强,能够跳出局部极值区间,快速收敛到全局最优解,算法是可行、有效的。     

基于邻域搜索的改进最大最小蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优的问题,提出一个改进的混合最大最小蚁群算法,并应用于求解旅行商问题.上述算法设计了一种新的信息素更新模型,单个蚂蚁每走一步就进行信息素局部更新,在所有的蚂蚁搜索一周后,最优路径蚂蚁进行全局信息素更新.提出一种新的邻域搜索模型,将邻域大小设置为原来的一半,提高了计算的效率.在每个蚂蚁的一个周期循环后,使用邻域搜索算法优化最优解的路径长度.仿真结果表明,改进算法具有较高的求解精度和收敛速度.     

基于自适应蚁群算法在急救车辆调度上的应用

针对基本型蚁群算法迭代次数多,搜素时间较长,收敛速度慢的缺陷,采用改进的自适应蚁群算法,根据全局最优解的分布情况自适应地进行信息素范围的更新,从而动态地调整各路径上的信息素强度,同时,建立数学模型,给出求解TSP问题的改进算法,仿真出通过改进的自适应蚁群算法得到的最优路径,应用到患者位置与急救调度站之间最优路径的选择。结果表明,该模型和算法在收敛速度和迭代次数上均优于基本型蚁群算法。     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。     

基于混合行为的蚁群算法

针对基本蚁群算法易出现停滞、收敛速度慢的问题,在最大最小蚁群算法的基础上提出了一种基于混合行为的蚁群(HBAC)算法,通过引入停止蚂蚁来构造局部路线方式和增加全局调优策略,提高了算法的搜索能力和收敛速度,同时将蚂蚁所寻找的各条路径的信息素限定在一个可动态调整的范围之内,避免了算法过早陷于局部最优解.通过HBAC算法同其他蚁群算法在求解旅行商问题上的实验比较,发现该算法拥有较快的收敛速度,提高了全局最优解搜索能力,在性能上有了较大的提高.     

结合协同机制与动态调控策略的双蚁群算法

针对蚁群算法在求解旅行商问题(TSP)时出现的收敛速度慢和多样性较差的问题,提出结合协同机制与动态调控策略的双蚁群算法.首先,将蚁群根据适应度值动态地划分为导向蚁和合作蚁,从而构成异构双蚁群.其次,异构双蚁群采用协同机制平衡算法多样性和收敛速度:导向蚁在路径构建时引入传播因子,增大蚂蚁选择新路径的概率,扩大搜索范围,提高算法多样性;合作蚁受导向蚁中最优路径的引导,当路径相似度达到阈值时,启动合作算子,加快算法收敛速度.最后,引入动态调控策略,在全局信息素更新时引入自适应调控算子,对全局最优路径的信息素进行正向激励或反向惩戒,加快收敛速度的同时避免算法陷入局部最优.求解TSP测试集的实验结果表明,该算法不仅提高了解的质量,保证了算法多样性,而且加快了算法收敛速度,尤其在大规模城市问题中效果更为明显.     

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。     

改进蚁群算法在TSP中的应用研究

针对现有路径动态诱导算法在交通问题规模增大时存在的性能急剧下降的问题,提出了一种改进的混合遗传蚁群算法.为解决蚁群算法对信息素的强依赖性导致的局部最优解现象,及遗传算法存在的全局搜索性能强但收敛速度慢等问题,将蚊群算法与遗传算法相结合,基于遗传算法的交叉变异因子,改进了信息素浓度的设定方式,加强了传统蚁群算法的全局搜索能力;利用蚁群算法的局部搜索能力较强的特点,提高了传统遗传算法的收敛速度.仿真结果表明,相比于遗传算法与蚁群算法,所提算法在求解不同规模的旅行商问题时具有更强的全局搜索性及快速收敛性.     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

基于模拟退火策略的逆向蚁群算法

为克服现有蚁群算法运算过程中收敛速度慢, 易出现停滞现象等缺点, 提出了一种结合模拟退火策略的改进算法。利用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, 来提高算法的适应性。将该算法应用于旅行商问题的求解, 仿真试验结果表明该算法的收敛速度和全局寻优能力都得到很大的改善。     

求解旅行商问题的改进型量子蚁群算法

针对传统量子蚁群算法在求解TSP时容易陷入局部最优以及收敛速度较慢,提出了一种求解旅行商问题的改进型量子蚁群算法（IQACA）。该算法设计了一种新信息素挥发因子的自适应动态更新策略,对信息素进行动态更新;并采用一种新的量子旋转门对量子概率幅值的收敛趋势进行改变。通过三个基本函数极值优化仿真与传统量子蚁群算法进行对比,证明算法性能较优。基于TSPLIB的仿真实验与其他几种算法进行比较,结果表明,算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。     

求解旅行商问题的混合量子蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优和收敛速度慢的问题,提出一种新的求解旅行商问题的混合量子蚁群算法。该算法采用量子比特的概率幅对各路径上的信息素进行编码,采用量子旋转门及蚂蚁走过的路径对信息素进行更新,设计一种新的变换邻域准则。基于TSPLIB的仿真实验结果表明了该算法具有较快的收敛速度和求解精度。     

混合蚁群蜂群算法在旅行Agent问题中的应用

针对蚁群算法在解决旅行Agent问题（TAP）时存在搜索时间长和易陷入局部最优的缺点,提出一种将蜂群和蚁群算法相结合的新型算法。通过修改状态转移概率和信息素更新规则使算法更符合TAP问题的特征,引入跟随蜂思想使蚂蚁尽快搜索到问题最优解,加入阻塞度因子以避免算法陷入局部最优。仿真结果表明,该算法在解决旅行Agent问题时有效避免了蚁群算法的上述缺点,且在解的性能上优于相关算法。     

求解子旅行商问题的改进蚁群算法

已有求解子旅行商问题的蚁群算法存在容易早熟、易于陷入局部最优的问题。为此,提出一种改进的蚁群算法。将拥挤因子嵌入到蚁群算法的状态转移和信息素更新过程中,增强全局搜索能力,设计邻域搜索技术和局部变异技术,以提高解的质量和加快收敛速度。实验结果表明,该算法的求解质量和稳定性较好。     

引入熵的自适应双种群蚁群算法

为了克服蚁群算法解决旅行商问题（TSP）存在的收敛速度慢和解的质量不高等问题，提出了一种新的引入熵的自适应双种群蚁群算法RBAC。将蚁群划分为红蚁群和黑蚁群，红蚁群在路径选择中引入反馈算子优化解的质量，黑蚁群在信息素更新规则引入负荷算子和反馈算子加快收敛速度并防止陷入局部最优。运用信息熵调控红黑蚁群的划分，当熵值达到目标数值时使红蚁群失活并复制相应数量黑蚂蚁，从而前期提高解的质量，后期加速收敛速度。应用RBAC求解TSP问题，并与经典ACS算法进行比较，结果表明RBAC算法在解的质量和收敛速度之间达到良好的平衡，尤其在大规模城市问题中效果更好。     

带有狮王竞比参数的蚁群优化算法

由于蚁群算法采用随机选择策略,使得进化速度较慢,容易出现停滞现象,从而不能对解空间进一步进行搜索,不利于发现更好的解.针对以上问题,提出了一个带有狮王竞比参数的蚁群优化算法.该算法借鉴狮子种群生存竞争中狮王法则的作用,减少大量不必要的搜索,从而大大缩短了求解时间,同时又引用了最大—最小蚂蚁系统(MMAS)算法对信息素的限制,有效地控制了搜索停滞的问题.通过结合MMAS算法的仿真,结果表明:带有狮王竞比参数的改良算法,在求解同样TSP问题时,大大地缩短了优化时间,并且得到了更优的解.     

区域破坏重建的蚁群优化算法

传统蚁群算法在解决旅行商问题（TSP）有较大的优势，但也存在一些不足，如收敛速度慢、易陷入局部最优等。针对这些问题，提出区域破坏重建的蚁群优化算法（RDRACO）。RDRACO应用区域破坏重建算法解决因信息素积累而陷入局部最优的问题，并将蚁群算法的信息素更新规则和全局更新策略进行了调整，使之与该算法匹配。另外在蚁群路径选择中加入2-Opt算子，加快收敛速度和提高收敛精度。实验采用TSPLIB中的20个经典TSP数据集对RDRACO进行仿真实验，仿真结果表明：RDRACO算法通过较少的迭代次数就可找出数据集较小TSP的已知最优路径，并在数据集较大TSP收敛精度上有显著的优化。RDRACO在提高收敛速度的同时具有较高的精度和较好的鲁棒性。