一种快速求解旅行商问题的蚁群算法

蚁群优化是一种元启发式的随机搜索技术,是目前解决组合优化问题最有效的工具之一.将信息素更新和随机搜索机制的改进相结合,提出一种快速求解旅行商问题的蚁群算法.首先给出了一种新的信息素增量模型,以体现蚂蚁在不同路径上行走时所产生的信息素差异;然后以蚂蚁经过的路径(直线段)作为信息素扩散浓度场的信源,改进了信息素扩散模型,强化了蚂蚁间的协作和交流;最后采用较低复杂度的变异策略对迭代的结果进行优化.在大量通用数据集上的实验表明,该算法不仅能获得更好的最优解,而且收敛速度有显著的提高.     

基于蚁群算法的噪声图像边缘检测

针对噪声图像边缘检测问题,提出了一种基于改进蚁群算法的边缘检测方法。算法对蚁群算法收敛速度慢,易收敛于局部最优解的缺点进行了优化,引入了改进的蚂蚁生命周期策略,综合考虑像素邻域差和图像边缘曲线连续性等因素来确定启发式引导函数,在蚂蚁搜索起始点的选取、蚂蚁路径选择策略、信息素更新策略、启发因子的选择等方面提出了优化,实验证明,算法在收敛速度和边缘检测效果上相比传统蚁群算法有了较明显的改善,是一种较为有效的边缘检测方法。     

一种自适应相位旋转的二进制量子蚁群算法

基于量子进化理论以及蚂蚁群体的寻优策略,结合一种二进制量子蚁群算法,提出了一种自适应相位旋转的二进制量子蚁群算法（Binary Quantum Ant Colony Optimization Algorithm,BQACO）。该算法采用量子比特概率幅表示蚁群信息素,利用伪随机选择策略实现蚂蚁的位置移动,通过自适应相位旋转以及变异操作,实现蚂蚁信息素的动态更新,并有效降低算法早熟收敛概率。通过标准测试函数对其优化性能进行研究,该算法在函数优化的全局寻优能力和快速搜索能力上,均优于二进制量子蚁群算法和连续量子蚁群算法。     

改进并行蚁群算法在配电网网架优化中的应用

针对蚁群算法收敛速度慢、易陷入局部极小的不足，在并行蚁群算法的基础上，改进组间蚂蚁沟通交流方式，并提出一种自适应分组策略，在算法运行过程中，每过一定迭代次数，将蚂蚁的组数减半，每组蚂蚁的数量倍增，直至为一组蚂蚁。每次蚂蚁组数减半时，采用一种组间信息素融合规则更新留存组蚂蚁路径信息素。通过一个配电网网架优化问题的实例进行实验，仿真结果表明改进算法在收敛速度和寻优方面都有所提升。     

求解带软时间窗车辆路径问题的融合算法

设计了遗传算法与变异蚂蚁算法的一个融合算法,该算法采用优良基因保护策略,引入蚂蚁寻径变异机制,并改进了信息素的更新方式,提高了寻径速度以及寻径的全局性。经过对比实验,验证了本融合算法可以有效而快速地获得问题模型的最优解或近似最优解。     

个体速度差异的蚁群算法设计及仿真

针对如何提高蚁群算法搜索速度及防止算法停滞问题,提出一种改进的蚁群优化算法VACO(ACO algorithm based on ant velocity),通过构造与局部路径和蚂蚁个体速度相关的时间函数,并建立与时间函数相关的动态信息素释放机制,加快信息素在较优路径上正反馈过程,从而提高了算法的收敛速度;采取一种连续小区间变异策略,在加快局部搜索过程的同时可有效防止算法陷入局部最优.对典型TSP问题的仿真研究结果表明,改进后的算法在收敛性和对较好解的探索性能得到一定程度的提高.     

求解旅行商问题的混合蚂蚁算法

旅行商问题是一个经典的NP问题,文中给出了一个有效的求解旅行商问题的混合蚂蚁算法。算法设计了初始信息素量设置方案和信息素的更新方法,限制了蚂蚁转移的目标城市数,并使用2-Opt方法对路径进行优化。数据实验表明,该算法是有效的。     

面向智能信息素释放的网格GIS资源查找算法

针对基本蚁群算法中蚂蚁速度无限且信息素同步更新的情况，该文提出了基于智能蚁群信息素释放的资源查找算法。该算法以蚂蚁的速度有限为前提，采用面向信息素更新规则来调整各个蚂蚁的信息素浓度，从而间接地改变蚂蚁间合作方式。根据实际蚁群的寻路过程，该算法具有较好的全局搜索能力，对于查找初始化数据量庞大的网格GIS资源有着高于基本蚁群算法和其他资源搜索算法的效率。     

一种改进的动态自适应最大-最小蚁群算法

最大—最小蚂蚁系统(MMAS)具有较强的全局最优解搜索能力,能够有效避免早熟收敛,但收敛速度较慢。针对MMAS的不足,改进其信息素更新方式,提出一种新的动态自适应调整信息素的策略。对TSP问题的仿真实验结果表明,改进后的算法加快了收敛速度,提高了全局搜索能力。     

求解旅行商问题的混合蚂蚁算法

旅行商问题是一个经典的NP问题，文中给出了一个有效的求解旅行商问题的混合蚂蚁算法。算法设计了初始信息素量设置方案和信息素的更新方法，限制了蚂蚁转移的目标城市数，并使用2-Opt方法对路径进行优化。数据实验表明，该算法是有效的。     

基于改进GAAA算法的PID参数优化

针对PID参数优化问题，对蚁群算法进行改进，并与遗传算法相结合，提出了改进的GAAA算法；该算法先利用遗传算法获得初始信息，然后运行改进的蚁群算法，大大加快了蚁群算法的速度；对PID控制的参数优化与仿真结果表明，该优化方法无论在时间性能和优化性能上都取得了较好的效果。     

基于蚁群算法的能量均衡多路径路由算法的研究

本文对现有的基于蚁群算法的路由协议进行了深入的研究,并提出了一种基于蚁群算法的能量均衡多路径路由算法（ABMR）,该算法在蚂蚁数据包结构、信息素更新公式、信息素更新方式和多路径建立机制等方面作了改进。在信息素更新公式中综合考虑了路径的能量消耗速度、路径上剩余的最小能量、距离目的节点Sink的跳数和路径的拥塞程度。在信息素更新方式上,改变传统的信息素的累加更新方式,采用彻底的链路信息素更新方式,使网络负载更加均衡。ABMR的多路径生成机制可以在源节点和目的节点间更加合理的建立起多条路径。数据发送阶段,概率路由选择策略使数据流量均衡的注入无线传感器网络。本文在NS-2仿真环境下对ABMR协议进行仿真实验,仿真结果表明,和传统协议比较, ABMR协议在能量有效性、数据分组投递率以及分组端到端时延等方面都有一定的提高。     

Aggregation pheromone density based data clustering

Ants, bees and other social insects deposit pheromone (a type of chemical) in order to communicate between the members of their community. Pheromone, that causes clumping or clustering behavior in a species and brings individuals into a closer proximity, is called aggregation pheromone. This article presents a new algorithm (called, APC) for clustering data sets based on this property of aggregation pheromone found in ants. An ant is placed at each location of a data point, and the ants are allowed to move in the search space to find points with higher pheromone density. The movement of an ant is governed by the amount of pheromone deposited at different points of the search space. More the deposited pheromone, more is the aggregation of ants. This leads to the formation of homogenous groups of data. The proposed algorithm is evaluated on a number of well-known benchmark data sets using different cluster validity measures. Results are compared with those obtained using two popular standard clustering techniques namely average linkage agglomerative and k-means clustering algorithm and with an ant-based method called adaptive time-dependent transporter ants for clustering (ATTA-C). Experimental results justify the potentiality of the proposed APC algorithm both in terms of the solution (clustering) quality as well as execution time compared to other algorithms for a large number of data sets.     

改进的蚁群算法求解连续函数约束优化问题

对基本蚁群算法框架进行了改进,采用轮盘赌选择代替了基本框架中通过启发式函数和信息素选择路径,同时对信息素的更新方式也做出调整,提出了一种新的蚁群算法,使得其更适合解决连续函数问题.将这种改进的蚁群算法应用于带有约束条件的连续函数问题中,在典型实例中进行仿真测试,实验结果表明,提出的改进蚁群算法可以很好地解决带有约束条件的连续函数问题,并能迅速找到最优解.     

A mathematical analysis of improved EigenAnt algorithm

As a variant of Ant Colony Optimization, the EigenAnt algorithm finds the shortest path between a source node and a destination node based on negative feedback in the form of selective pheromone removal that occurs only on the path which is actually chosen for each trip. EigenAnt algorithm also could change quickly to reflect to the dynamic variety of initial pheromone concentrations and path length etc. However, in general, the solution of EigenAnt algorithm is not always convergent. In this paper, we propose an improved EigenAnt (iEigenAnt) algorithm in terms of both negative and positive feedback; that is, selective pheromone updates are decided by smart ants or stupid ones, which depends whether the amount of the pheromone at the selected path increases or not. The system modelled by our algorithm has a unique equilibrium as the shortest path. Besides, using mathematical analysis, we demonstrate that the equilibrium is global asymptotically stable, i.e., stable and convergent. Finally, we also implement the iEigenAnt algorithm under four different cases and apply it on travelling salesman problem problem, the simulation result shows that our iEigenAnt algorithm is faster convergent and more effective compared to the original EigenAnt algorithm, and some combinatorial optimisation problems can be effectively solved based on our iEigenAnt algorithm.     

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。     

基于级联信息素更新蚁群算法的多用户检测

给出了基本蚁群算法在多用户检测中的具体实现,同时针对基本蚁群算法易陷入局部最优解的缺点,提出了一种改进蚁群算法的多用户检测方法。该算法对蚁群算法的信息素更新采用串联式的多级更新策略,首先进行有选择性的信息素更新,然后引进随机扰动因子进一步修改信息素,最后采用最大门限确定信息素的范围。最终的仿真结果表明:所提出的级联信息素更新蚁群算法的多用户检测(UCP-ACO-MUD)算法具有较强的跳出局部最优解的性能,效果良好。     

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。     

基于混合信息素递减的蚁群算法

根据蚁群算法信息素更新的特性,提出了求解旅行商问题的混合信息素递减的蚁群算法。把基本蚁群的三种不同的信息素更新方式混合在一起,同时提出了信息素递减更新的方法。新的更新方式避免了蚂蚁在寻找最优解的过程中,由于禁忌表元素的逐渐增加而限制蚂蚁巡游路径选择的缺点,减少了巡游后期信息素对于后继蚂蚁的影响,提高了后继蚂蚁的巡游质量。仿真实验表明了该混合算法的有效性。