嵌入混和混沌搜索的蚁群算法

介绍了一种嵌入变尺度方法和禁忌搜索的混沌优化的蚁群优化法（ACA-HCO）,通过产生随机性的混沌变量,加入智能性禁忌表,采用变尺度法,加速搜索过程,混沌变量的随机性和遍历性有效克服了基本蚁群算法陷入局部最优的不足。将此方法用于求解C-TSP问题结果令人满意,用此方法进行数值计算,并与混和混沌法（MSCOA-TB）比较,其效果明显高于MSCOA-TB。     

一种混沌蚁群优化的多约束QoS算法*

蚁群算法提高算法了精度,但易陷入局部寻优过程,本文利用混沌算法随机性、规律性和遍历性来优化蚁群算法,充分考虑两种算法的优点,并将其结合求解最短QoS路由问题,提高了蚁群算法的搜索范围,仿真实验表明,该算法避免了系统的早熟收敛,并具有较好的稳定性和收敛性。     

变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

基于混沌技术的蚁群混合优化方法

为提高蚁群优化算法的求解性能,在分析了处理连续变量的蚁群优化算法的基础上,给出了两种混沌映射的映射规则,并构建了基于Logistic映射的混沌蚁群优化方法（LM-ACO）以及基于Henon映射的混沌蚁群优化方法（HM-ACO）,给出了[k]次均方根包络函数简化及平滑多约束条件的处理方法。采用LM-ACO、HM-ACO以及蚁群处理连续变量的优化方法分别对机械有约束优化实例进行求解,在求解过程中,从各种方法获得的最优解、成功率指标、平均有效迭代数、迭代占用时间等方面作对比。比较结果表明：采用基于Henon映射的蚁群混合优化方法具有求解精度高、优化效率高等优点。     

基于聚度的自适应动态混沌蚁群算法

针对蚁群算法收敛速度慢，容易陷入局部最优的问题，提出了一种基于聚度的自适应动态混沌蚁群算法（A_ACS）。在迭代前期利用聚度来衡量解的多样性，自适应调节局部信息素分布，同时引入混沌算子来增加种群多样性，避免算法陷入局部最优，从而提高解的精度；在迭代后期去掉混沌算子，减少混沌扰动性，来提高算法的收敛速度。将A_ACS用于TSP问题，仿真结果表明，该算法较ACS和MMAS算法减少了搜索时间，并且提高了解的质量，其平衡了多样性与收敛性之间的矛盾，整体性能优于其他两种算法。     

基于改进的混沌蚁群算法的网络路由优化研究

在网络路由性能优化的研究中,针对蚁群算法易陷入早熟、停滞和寻优时间过长等缺点进行改进,给出了改进的混沌蚁群算法的网络路由优化方法。混沌运动具有随机性、遍历性和对初始条件的敏感性等特点,故可利用混沌初始化信息素来改善个体质量和混沌扰动来避免搜索陷入局部最优,同时由于蚁群算法中的信息素更新公式不能准确的区分解的优劣程度,故引入新的信息素更新公式,加强蚁群搜索时的正反馈性能,加速算法的收敛。仿真结果表明了改进算法的有效性和可行性。     

蚁群优化算法求解TSP问题研究

介绍了信息素混合更新的蚁群优化算法,并用来求解TSP问题。混合信息素更新的蚁群优化算法是在蚁群系统（ACS）的基础上改进而成的,它在演化过程中,通过改变信息素的迭代最优更新规则和全局最优更新规则的使用频率,逐渐增加全局最优更新规则的使用频率,从而提高系统收敛的速度和减少系统搜索的导向性,并以Oliver30和att48为例给出了实验结果,说明了该混合算法的有效性。     

混沌蚁群组合优化算法实现盲信号检测

根据混沌映射的伪随机性、遍历性以及规律性等特点提出一种新的算法,基于混沌-蚁群组合优化盲检测算法,即在信息素初始化时采用混沌初始化,并且在信息素更新时加入混沌扰动。仿真实验分别采用了4种不同的混沌映射：经典的Logistic映射、两种阶数不同的切比雪夫映射和改进的H映射。仿真结果表明,提出的基于混沌蚁群组合优化盲检测算法（CACO）可以提高计算效率,表现出了优于文献算法的良好性能。     

蚁群优化算法的研究现状及研究展望

本文首先简要地介绍蚁群优化算法的来源、对应的生物原理和算法实现的框架．然后详细地讨论了算法的研究现状以及在各种优化问题中的应用情况，同时也指出了蚁群优化算法在当前应用中的一些不足．针对这些不足提出了解决方法，描述了几种蚁群优化算法的修正策略.最后对蚁群优化算法下一步的研究方向进行了展望．     

求解高维优化问题的扰动混沌蚁群优化算法

针对新型混沌蚁群优化算法(CAS)求解高维优化问题时存在的计算复杂和搜索精度低问题,提出了扰动混沌蚂蚁群(DCAS)算法。通过建立蚂蚁最佳位置更新贪婪规则和随机邻居选择方法有效地降低了计算复杂度;另外引入自适应扰动策略改进CAS算法,使蚂蚁增强局部搜索能力,提高了原算法的搜索精度。通过一组高维测试函数对DCAS算法的性能进行了高达1000维的仿真实验。测试结果表明,新算法对复杂的高维优化问题可行有效。     

混沌蚁群算法及其在电机设计中的应用

蚁群算法是一种模拟进化算法,它通过模拟蚂蚁搜索食物的过程,达到求解比较困难的组合优化之目的.混沌优化算法利用混沌序列精致的内部结构,以及它的随机性、遍历性和初值的敏感性来提高优化算法的效率.本文将混沌优化算法嵌入到蚁群算法中,充分利用了两种优化算法的优点,即蚁群算法的高精度性和混沌优化算法的快速性.用国际标准函数对该昆合算法进行验证,并对一台的永磁同步电动机(PMSM)进行优化,取得了满意的优化结果,为永磁同步电机的设计提供了一种新的有效方法.     

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。     

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。     

蚁群算法的研究及应用进展

蚁群算法是优化领域新出现的一种启发式仿生类并行智能进化系统,该算法采用分布式计算和正反馈机制,易于和其他算法结合,目前已得到了广泛的应用。本文在介绍基本蚁群算法的基础上,介绍了蚁群算法目前的一些研究情况,然后例举了蚁群算法的一些应用,最后对蚁群算法今后的研究方向作了分析和展望。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。     

一种快速全局优化的改进蚁群算法及仿真

在介绍基本蚁群算法原理的基础上,对其作了许多改进以提高其全局优化寻优速度,并给出了详尽的新算法编程仿真实现步骤,最后将未改进的基本蚁群算法与本文改进后的蚁群算法分别应用于TSPLIB中的Att532TSP问题进行了仿真实验.仿真研究表明,改进后的算法具有优良的全局优化性能,效果令人满意.􀁱     

蚁群算法优化策略综述

对于求解TSP问题,新型的启发式算法——蚁群算法,是成功解决此类问题核心的算法之一。本文简要介绍了几种启发式算法并引出蚁群算法,并对蚁群算法基本原理、常用算法进行了深入的研究,并介绍了一种新的优化策略。     

全局自适应蚁群优化算法

为解决蚁群算法存在的收敛速度慢和容易陷入局部最优等缺点,分析了其产生的主要原因,介绍了AS和MMAS算法的工作原理,并基于参数自适应思想,提出了全局自适应蚁群优化算法(GAO).对状态转移和信息素更新等规则做出改进,详尽给出了GAO的编程步骤.针对TSP问题,通过与AS和MMAS算法的数值实验结果比较分析,表明GAO算法具有优良的全局优化能力和适当的收敛时间.