一种动态环境下的移动Agent智能迁移算法

在对移动Agent服务系统进行建模的基础上,提出一种基于蚁群算法的移动Agent智能迁移算法。为减少探测软件带来的额外开销,利用Agent探测全局系统状态。当Agent移动到服务节点时,能根据信息素自适应地调整旅行路线。实验结果表明,该算法能适应动态环境的变化,具有容错性。在对蚊群算法引入自适应调整的信息素增加强度系数后,Agent能以更高的效率完成迁移。     

求解旅行Agent问题的自适应蚁群算法

针对现有的蚁群算法在求解旅行Agent问题中所存在的全局最优解的收敛速度不强和一致性欠佳等问题,在蚁群算法的基础上,利用算法的迭代次数来动态自适应地修改选择路径上的信息素的更新规则和信息素的挥发系数,从而使Agent在路径选择中这两方面的能力得到了提高。实验结果表明,相比现有的解决旅行Agent问题的蚁群算法,该算法在求解全局最优解的收敛速度和一致性方面具有更强的优势。     

蚁群算法在移动Agent迁移中的应用研究

移动Agent提供了一种全新的分布计算范型 .移动Agent技术给分布式系统的设计、实现和维护都带来了新的活力 .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在不同主机间移动时如何根据移动Agent的任务和其他约束条件来规划最优的迁移路线 .蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,是一种解决旅行Agent问题的有效手段,受到了广泛的关注,但它与其他进化算法一样存在易陷入局部最小的缺点 .在蚁群算法的基础上,通过修改它的信息素轨迹更新规则,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 .     

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。     

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。     

改进蚁群算法求解旅行Agent问题

利用蚁群算法来求解TAP问题是解决移动Agent迁移策略的一种有效途径。旅行Agent问题是复杂的组合优化问题,蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,适合求解NP难问题。在蚁群算法的基础上,提出分泌多种信息素的改进蚁群算法来求解旅行Agent问题,动态反应了节点服务能力和网络负载的变化,使迁移更具有灵活性。实验结果表明了该文算法的可行性。     

改进的蚁群算法在求解旅行Agent问题中的应用

蚁群算法作为一种新的生物进化算法，具有并行、正反馈和启发式搜索等特点，但它与其它进化算法同样存在易于陷入局部最小点等缺陷。为了克服这些缺陷，介绍了一种改进的蚁群算法来求解旅行Agent问题，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。实验结果表明了算法的可行性。     

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。     

改进的蚁群算法在求解旅行Agent问题中的应用

蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,但它与其它进化算法同样存在易于陷入局部最小点等缺陷。为了克服这些缺陷,介绍了一种改进的蚁群算法来求解旅行Agent问题,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。实验结果表明了算法的可行性。     

基于复杂网络理论及蚁群算法的MA迁移策略

移动Agent问题主要是解决移动Agent在不同主机间移动时如何根据移动Agent的任务和其他约束条件来规划最优的迁移路线。蚁群算法是一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,是一种解决旅行Agent问题的有效手段,但同时也存在一些缺点,如运算过程中收敛速度慢,易出现停滞现象等。复杂网络理论是一个新兴的理论,它发现现实的网络具有新的特性,为了刻画这一新的网络结构,引入了新的特征度量,节点的“度”就是其中一个。在蚁群算法的基础上,在状态转移规则等中加入度这一系数,同时自适应调整挥发系数ρ来提高算法的性能。将该算法用于移动Agent问题,模拟计算结果显示移动Agent在移动时能以最优的效率和最短的时间来完成迁移。     

基于改进信息素的蚁群算法在QoS 组播路由中的研究

针对传统的蚁群算法在求解大规模旅行商问题时容易导致搜索时间过长或陷入停滞的问题,提出了一种基于改进信息素的蚁群算法。通过蚁群算法的改进,使得每轮搜索之后的信息素都能更好地反映解的质量。实验仿真结果表明,改进后的蚁群算法能获得比传统的蚁群算法更优的解,同时具有更快的收敛速度和较好的稳定性。     

蚁群与粒子群混合算法求解TSP问题

旅行商问题（TSP）是最古老而且研究最广泛的组合优化问题。针对TSP问题,提出一种蚁群与粒子群混合算法（HAPA）。HAPA首先将蚁群划分成多个蚂蚁子群,然后把蚂蚁子群的参数作为粒子,通过粒子群算法来优化蚂蚁子群的参数,并在蚂蚁子群中引入了信息素交换操作。实验结果表明,HAPA在求解TSP问题中比传统算法和同类算法更具优越性。     

遗传蚁群算法的WSN移动代理路由算法研究

针对常用路由优化算法存在收敛速度慢、易陷入局部最优等难题,提出了一种遗传蚁群算法的WSN移动代理路由方法(GA-ACA)。首先利用遗传算法的全局搜索能力快速找到较优解,然后将较优解转换成蚁群算法的初始信息素,最后采用蚁群算法收敛速度快的优点,找到移动代理路由全局最优解。仿真结果表明,相对于其他移动代理路由算法,GA-ACA加快了收敛速度,能在更短的时间内找到最优移动代理路由,减少了平均能量消耗和网络延时,提高了WSN整体性能。     

应用捕食搜索策略的改进多态蚁群算法

结合捕食搜索策略对多态蚁群算法进行改良。该算法引入以下机制：在人工蚁选择路径阶段，设置侦查素路径为优先，为非侦查素路径设置惩罚因子；利用权值在侦查素和非侦查素路径都施加信息素，通过该机制避免多态蚁群算法陷入停滞；在每轮人工蚁最优结果的邻域应用捕食搜索策略，并通过竞争机制选择最优解更新信息素。通过TSP的仿真实验结果表明，提出的融合算法可以有目的地指导信息素分布，加快算法向最优解的收敛速度及提高最优解质量，克服传统多态蚁群算法的缺陷。     

基于自适应更新策略的蚁群算法在TSP上的应用

针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法（Adaptive Update-Ant Colony System,AU-ACS）,有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题（Travelling Salesman Problem,TSP）中对比表明,改进后算法求解的精度更高、稳定性增强。     

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。     

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。