蚁群算法及其应用研究

蚁群算法是一种新型的模拟进化算法,是受到真实蚁群的觅食机制的启发而提出的。介绍了蚁群算法的基本原理和工作机制,并分别就蚁群算法的理论和应用进行了阐述,包括蚁群算法改进的不同算法以及蚁群算法在各个领域中的应用,并进一步给出了研究重点和发展方向。     

求解旅行商问题的Matlab蚁群仿真研究

蚁群算法是一种新颖的求解复杂优化组合问题的模拟进化算法,它具有典型的群体智能的特性,该算法的主要特点是正反馈、分布式计算、鲁棒性和并行性等,在许多领域都得到了成功应用;文章首先简述了蚁群的觅食行为及蚂蚁的信息系统,其次介绍了人工蚁群算法的基本原理及其主要特点,介绍了蚁群算法的模型和算法框图,并用蚁群算法对旅行商问题(Traveling Salesman Problem,TSP)进行了matlab仿真实现(设置蚂蚁个数31,启发式因子为1,期望启发因子为5,信息素的挥发系数为0.1,最大迭代次数为200,信息素强度系数为100,城市个数为31,用蚁群算法得出了31个城市的TSP最短路径和收敛曲线);最后介绍了近年来蚁群算法及其在组合优化中的应用研究成果,并对蚁群算法未来的发展方向进行了探讨.     

遗传蚁群融合算法求解航迹规划问题对比研究

蚁群算法和遗传算法的融合是目前的研究热点之一,因此研究不同的遗传蚁群融合算法对算法的选择及其改进具有积极的意义.研究了遗传算法的编码方式、交叉方式及变异操作和蚁群算法的原理,且着重研究了遗传蚁群混合算法、蚁群遗传混合算法、同遗传算法整合的蚁群算法等三种融合算法,并应用这三种算法在求解航迹规划问题上进行了仿真研究,对所得的最优解从精度和快速性对其进行了分析和比较,可以得出遗传蚁群算法快速性最好但精度稍差,同遗传算法整合的蚁群算法精度最好但比较费时,蚁群遗传算法的精度和快速性介于前两种算法之间.     

蚁群算法的研究现状

蚁群算法是一种新型的模拟进化算法，研究表明该算法具有很好的通用性和鲁棒性．在离散的组合优化问题中实验，取得了良好的效果。介绍了蚁群算法的原理，对目前蚁群算法的研究进展情况进行了分析，同时对比国内外的研究状况提出了自己的观点，以推动该算法在更广阔的领域内得到应用。     

基于蚁群优化算法的TSP问题研究

通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出蚁群算法在TSP问题中的应用.针对基本蚁群算法求解速度缓慢、容易陷入局部最优等特点,提出了一种改进的蚁群算法,同时保持蚁群算法自己的收敛速度和路径的多样性.在TSP旅行商问题上的仿真验证表明它是可行性和有效性的.     

基于改进蚁群算法的出租车路径规划算法

交通资源规划是一种比较典型的组合优化问题,新型的仿生算法--蚁群算法,由于具有正反馈性、鲁棒性、并行计算、协同性等特点,非常适合于解决交通资源规划问题.针对出租车路径规划问题的特点以及蚁群算法在这方面应用的一些不足,提出了一种改进的蚁群算法.根据同一蚁群的信息素相互激励,不同蚁群之间信息素相互抑制的原理,该算法实现了出租车资源的合理分布.     

蚁群算法不确定性分析

蚁群算法作为一种开创性的生物仿真算法，因其具有并行性、鲁棒性等优良性质得到了广泛的应用。在对蚁群算法进行系统仿真的实验中，发现蚁群算法存在很多不确定因素。这些因素对蚁群算法的性能造成不同程度的影响，作为一种基于实验的研究性的探讨，本文对所发现的不确定因素做了分析，并根据分析结果对蚁群算法作了相应的改进。     

一种求解TSP问题的蚁群遗传混合算法

提出了一种蚁群算法与遗传算法相混合的算法。将遗传算法加入到蚁群算法的每一次迭代的过程中,利用遗传算法全局快速收敛的特点,来加快蚁群算法的收敛速度。并且遗传算法中的变异机制,帮助提高了蚁群算法取不到局部最优解的能力。不仅阐述了新算法的原理,而且以TSP问题的求解为例进行了相关的实验,实验结果表明新算法即蚁群遗传混合算法(ACGA)在求解时间和求解质量上都取得了很好的效果。     

基于改进蚁群算法的聚类分析

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用.聚类问题可以归结为一个优化问题.蚁群算法(Ant Colony Algorithm)已成功地解决了许多组合优化的难题.介绍一种蚁群聚类算法,并进行了优化,提出一种改进的蚁群聚类算法.它改进了蚂蚁搜索解的方法,并引入均匀交叉算子,将蚁群算法和遗传算法融合.它提高进化速度,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷.仿真实验取得了较好的结果.     

求解Job-shop调度问题的遗传蚁群算法*

描述了Job-shop调度问题,研究遗传算法和蚁群算法在解决Job-shop问题中的优点和不足,融合遗传算法和蚁群算法设计了遗传蚁群算法以求解Job-shop调度问题,并对算法进行了仿真实验,通过与遗传算法、蚁群算法及已有的遗传算法和蚁群算法的融合算法结果的对比,验证了该算法的有效性。     

基于改进蚁群算法的应急救援路线选择

应急救援路线的选择关系到应急救援的成败,合理有效地选择应急救援路线对挽救生命和财产具有重要意义,其属于组合优化问题。针对蚁群算法求解速度慢、算法稳定性差、易出现早熟或停滞等缺陷和应急救援路线选择的特点,主要研究了改进蚁群算法在应急救援路线选择中的应用并根据实际应用提出了应急救援路线选择的蚁群算法的数学模型,为城市应急救援路线选择提供了有效的解决方案。通过实验证明该模型可以应用到解决应急救援路线选择问题方面,具有快速、高效的特点。     

蚁群系统模型的比较及参数优化

蚁群算法是一种模拟进化算法，根据信息素更新策略的不同，蚁群系统模型分为蚁密系统、蚁量系统和蚁周系统。本文对三种模型的原理、特点进行研究，并通过仿真实验分析三种模型的性能及参数对其性能的影响，进而提出的参数优化规则，有利于蚁群算法在组合优化问题中的推广和应用。     

在网格资源发现中使用蚁群算法的应用研究

网格中包含多种多样、分布领域广、系统结构差异大、变化频繁等特点的资源．这给网格环境下的资源发现机制带来更大的难度和更多的挑战。阐述网格资源发现在网格资源管理中的重要性,分析网格资源发现中应用蚁群算法的优势,在此基础上,对网格资源发现中应用蚁群算法的方案进行综合的设计与分析．讨论在网格资源发现机制中蚁群算法的实际应用。     

网络负载均衡优化算法的建模与仿真

研究网络资源管理中的负载均衡与优化问题,网络资源有限且负载具有突发性,造成资源浪费。采用传统单一蚁群算法或遗传算法均存在各自不足,难以适应用网络负载变化特点,使网络资源利用率低,网络拥塞严重。为了提高网络资源利用率,使网络负载更加均衡,提出一种蚁群-遗传算法的网络负载均衡方法。首先利用遗传算法对网络负载均衡问题进行全局搜索,使网络负载均衡的解迅速处于全局最优区域解附近,然后将遗传算法的解作为蚁群算法初始信息素,进行进一步搜索,最后找到网络负载均衡的最优解。仿真结果表明,用蚁群-遗传算法提高了网络资源利用率,降低网络丢包率,提高网络整体性能。     

蚁群算法在移动机器人路径规划中的应用综述

路径规划是移动机器人领域的一个研究热点,蚁群算法在移动机器人的路径规划得到广泛应用。介绍了常见的几种蚁群算法,从蚁群算法结构、参数选取及优化、信息素优化等方面对已有的蚁群算法方法进行了分类综述,同时对多蚁群优化算法、融合蚁群算法在移动机器人路径规划的应用进行了分类比较与分析。从蚁群算法的理论研究、算法融合、多蚁群算法研究等方面对蚁群算法在移动机器人路径规划中的未来研究内容和研究热点进行展望。     

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。     

基于改进的蚁群算法的组播路由问题的研究

目前,蚁群算法在路由协议上已有广泛应用。通过研究蚁群算法的特性和目前在路由协议上的应用,发现其在加快运行时间、局部最优解等问题上还有改进的空间。为此文中提出一种蚁群优化算法,使蚁群算法更好地应用在路由协议上。针对蚁群算法容易出现局部最优解的问题,文中提出一种链表随机选择法,该方法能有效地减小蚁群算法出现局部最优解的几率。同时为了减少蚁群算法在选择路径上的时间,提高运行速率,文中还提出了一种雅克比迭代收敛准则,此方法很好地减短了算法时间。     

交叉变异蚁群算法在VRP问题中的应用研究

提出一种改进的蚁群算法,新算法利用遗传算法对蚁群算法的参数进行优化,然后利用新的蚁群算法求解基本的车辆路径问题。改进的蚁群算法具有全局搜索能力强的特点,仿真结果表明,新算法的优化质量和效率都优于传统蚁群算法。     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

基于改进蚁群算法的多目标跟踪数据关联方法

针对多目标跟踪数据关联问题,提出一种快速实现多目标数据关联算法CACDA（Chaos Ant Colony Data Association）,利用蚁群算法的正反馈和并行搜索能力构建初始解并进行优化,引入自适应混沌机制,对信息素进行全局更新和混沌扰动,改善了蚁群算法在搜索后期出现停滞以及收敛于局部最优解的缺陷。实验结果表明,该算法不仅可以获得较高的关联准确率,也可以有效提高关联速度。