改进蚁群算法在移动机器人路径规划中的研究

将遗传算法与蚁群算法进行有机结合,并将其应用到智能机器人全局路径规划中,其目的是探索一种基于栅格划分的环境中新的路径寻优算法,研究机器人路径规划问题.首先利用遗传算法全局搜索能力强的特点,生成初始信息素分布,再利用蚁群算法正反馈机制的特点求精确解,通过两种算法的优势互补,提高系统的路径寻优能力.     

遗传算法结合蚁群算法电力系统故障浅析

根据蚁群算法与遗传算法的特性,提出了与遗传算法混合的蚁群算法（G3A）：由遗传算法生成初始信息素分布,在蚁群算法寻优中,利用蚁群算法信息素轨迹更新求精确解,保持了遗传算法的全面搜索能力,从而获得在时间效率与精解效率都更优的一种新的启发式方法。     

ICA:一种基于混合智能算法的移动Agent路由算法

遗传算法具有快速随机的全局搜索能力,但对于系统中反馈信息利用却无能为力,求精确解效率低.改进型ACS(antcolony system)算法不仅具有分布式并行全局搜索能力,而且在很大程度上避免了候选解陷入局部极小并导致系统收敛到这一伪最优解从而停止进化的可能性,但存在初期信息匮乏,求解速度慢的缺点.为了改善移动Agent系统的迁移性能和执行效率,本文提出一种基于由遗传算法和改进型ACS算法组成的混合智能算法的移动Agent路由算法.该路由算法是汲取两种智能算法的优点,克服各自的缺陷.通过对TAP问题的仿真实验表明该算法取得了较好的效果.     

遗传算法与蚂蚁算法动态融合的软硬件划分

面向嵌入式系统和SoC(system-on-a-chip)软硬件双路划分问题,提出遗传算法与蚂蚁算法动态融合的软硬件划分算法.基本思想是:(1)利用遗传算法群体性、全局、随机、快速搜索的优势生成初始划分解,将其转化为蚂蚁算法所需的初始信息素分布,然后利用蚂蚁算法正反馈、高效6收敛的优势求取最优划分解;(2)在遗传算法运行过程中动态确定遗传算法与蚂蚁算法的最佳融合时机,避免由于遗传算法过早或过晚结束而影响划分算法的整体性能.该算法既发挥了遗传算法与蚂蚁算法在寻优搜索中各自的优势,又克服了遗传算法在搜索到一定阶段时最优解搜索效率低以及蚂蚁算法初始信息素匮乏的不足,并且在算法中提出了遗传算法与蚂蚁算法动态融合的衔接策略.实验结果表明,该算法在性能上明显优于遗传算法和蚂蚁算法,并且划分问题规模越大,优势越明显.     

基于遗传蚁群算法的QoS路由算法研究

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,引入遗传蚁群算法（Genetic Algorithm Ant Colony algorithm）GAAC来解决QoS路由问题。算法设计的基本思想是首先由遗传算法产生较优解,较优的路径留下信息素,其他路径不改变,然后在有一定初始信息素分布的情况下,用蚁群算法求精解。仿真表明算法比单一采用遗传算法和蚁群算法进行路由选择具有更好的性能,且更适合于动态网络环境下的QoS路由选择。     

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.     

基于觅食-返巢机制连续域蚁群算法

蚁群算法求解函数问题,人工蚂蚁的搜索范围和信息素浓度更新速度直接影响到是否能够获得全域最优解。为了获得更加稳定且准确的全域最优解,受自然蚂蚁觅食后返巢行为的启发,提出了具有觅食-返巢机制的蚁群算法。该算法主要通过增大人工蚂蚁的搜索范围以及加快信息素浓度的更新速度进行改进。通过函数测试,结果表明：觅食-返巢连续域蚁群算法相比于以往的遗传算法和连续域蚁群算法,能够得到更好的计算结果和运行时间。因此觅食-返巢机制使得蚁群算法求解全域最优解的能力获得了提高。     

求解背包问题的混合量子进化算法

针对量子进化计算中反馈信息利用不充分并容易早熟的不足,将量子进化计算与及蚂蚁寻优策略融合,提出了一种新的优化方法—混合量子进化算法(HQEA).以量子染色体表示智能蚂蚁所有可能的搜索路径,初始阶段采用量子进化学习,设计了智能蚂蚁网络及衔接算子,进化学习所得结果表示智能蚂蚁路径选择的概率,并利用蚁群寻优策略继续搜索求精确解.理论证明该算法具有全局收敛性.最后以背包问题对算法进行了测试.     

混合遗传算法和蚁群算法在HP模型中的应用

遗传算法和蚁群算法在HP模型中已经有了大量的研究及成果,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。提出了一种先用遗传算法生成信息素分布,再利用蚁群算法求优化解的新的混合算法。将该算法用于二维HP模型中,计算结果显示该算法在寻优能力和收敛速度上都比单一的遗传算法和蚁群算法有所提高。     

基于蚁群-遗传算法的物化视图选取策略

将蚁群算法和遗传算法相结合用于物化视图选取问题。利用遗传算法较强的全局搜索能力对蚂蚁每次的搜索结果进行优化改良,并在信息素更新时,同时考虑最优、最差路径上的信息素更新。实验结果表明,该算法不仅提高了解的收敛速度,也成功解决了蚁群算法易“早熟”而引起的停滞现象。     

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。     

原对偶遗传与蚁群算法的融合

原对偶遗传算法(PDGA)较好地保持了种群的多样性和较强的稳定性,改善了在搜索空间里的搜索能力,使搜索更为有效,但没有利用系统中的反馈信息,导致无为的冗余迭代,求解效率不高。而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢。通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种全局寻优性能好,稳定性强,效率高的启发式算法,通过仿真计算,表明融合算法的性能优于遗传算法,原对偶遗传算法和蚁群算法。     

自适应蚁群算法的移动机器人路径规划

针对传统蚁群算法在路径规划中存在收敛速度和寻优能力不平衡，算法易陷入局部最优等问题，提出一种自适应改进蚁群算法。为了提高算法收敛速度，在栅格环境下，根据最优路径的特点以及实际环境地图的基本参数，对初始信息素进行差异化分配；为了提高蚂蚁搜索效率，在状态转移概率中引入转角启发信息并对路径启发信息进行改进；重新制定信息素更新策略，设定迭代阈值，调整信息素挥发系数和信息素浓度，使算法在迭代后期依然具有较强的搜索最优解能力；采用分段三阶贝塞尔曲线对最优路径进行平滑处理以满足机器人实际运动要求。通过实验仿真与其他算法进行对比分析，验证了改进算法的可行性、有效性和优越性。     

基于RBF的蚁群算法在求解TSP中的应用

针对传统蚁群算法容易出现早熟和停滞现象的缺陷,提出一种改进的蚁群算法。该方法基于径向基函数,先遴选出一部分蚂蚁对其路径上的信息素进行更新,再挑出最差蚂蚁进行更新。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法的寻优能力和收敛速度均得到较大提高。     

Ad Hoc网络中基于遗传蚁群算法的QoS多播路由算法

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,把蚁群算法和遗传算法融合起来,提出了一种遗传蚁群算法（GAAC）来解决Ad Hoc网络中QoS路由问题。首先利用遗传算法生成信息素分布,然后用蚁群算法求精解,优势互补,期望获得优化性能和时间性能的双赢。并针对算法应用于Ad Hoc网络QoS路由普遍产生的拥塞问题,采用拥塞回避的策略,从而实现网络业务流负载均衡。仿真表明该算法比其它单一采用蚁群算法进行路由选择更适合于动态Ad Hoc网络环境。     

求解旅行商问题的模拟退火蚁群算法

根据蚁群算法与模拟退火算法的特性,提出了求解旅行商问题的混合算法.由模拟退火算法生成信息素分布,然后由蚁群算法根据累计更新的信息素找出若干组解,再经过模拟退火算法在邻域内找另外一个解的操作,得到更有效的解.与模拟退火算法、标准遗传算法、蚁群算法和随机初始化的蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.