基于蚁群算法的虚拟维修环境布局规划方法

虚拟维修拆装过程是虚拟维修的重要组成部分。现阶段拆装过程中产生的零部件一般都只是简单的以爆炸效果在虚拟三维空间环境中显示,然而当部件复杂,拆装后零部件较多时,这种显示效果容易产生视角上的重叠、混乱。为了解决虚拟维修拆装环境中的零部件在三维空间的布局问题,应用空间规划对零部件进行拆装顺序分类,将复杂三维布局转化为二维布局,同时使虚拟环境空间更具层次感。在运用定位法进行二维布局优化时,结合蚁群算法进行布局顺序寻优,提高了布局优化质量。最后通过对某航空发动机高压压气机虚拟拆装零部件布局进行仿真分析表明,提出的方法是可行的。     

基于蚁群算法的支持向量机参数选择方法研究

支持向量机（SVM）的参数取值决定了其学习性能和泛化能力。对此,将SVM参数的选取看作参数的组合优化,建立组合优化的目标函数,采用蚁群算法（ACA）来搜索最优目标函数值。ACA是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制。仿真表明,ACA是选取SVM参数的有效方法,应用到函数逼近时有优良的性能。     

小窗口蚁群算法

在蚁群算法的基础上,提出了小窗口蚁群算法。通过对旅行商问题解集的分析,找到其最优解的特点,通过限定蚂蚁每次只向距离最近的几个城市移动,大大缩小其搜索范围,减少对算法中主要参数的依赖,提高其搜索精度并减少搜索时间。实验结果表明该算法有较好的效果。     

基于相似度的蚁群聚类算法

针对于蚁群聚类算法在搬运数据项过程中随机选择移动位置时,由于无效移动导致的算法收敛速度缓慢等缺陷,论文提出了一种基于相似度的蚁群聚类算法.通过设计相似度矩阵,基于相似移动机制将蚂蚁随机移动方式优化为按照相似度矩阵规则实施目的性的关联.实验选取Iis、Wine、Haberman和Balance-scale四种经典数据集,相较于现有的LF算法及GACC算法,结果表明在蚂蚁空载率都为90％的条件下,论文提出的SMACC算法的迭代次数明显降低,均体现出较优的聚类速率.     

基于蚁群算法多层次动态信息提取仿真研究

研究动态信息偏好捕捉精确度问题。网络数据存在重复性信息和随机性强。针对互联网中的大量数据,而造成了有效的信息的查找速度慢等缺陷,为了能够快速的获取更多的用户比较感兴趣信息,提出了一种改进的蚁群算法用户兴趣模式获取技术。面向层次结构的信息网站,算法首先根据网站和用户兴趣所具有的层次性特征,然后采用改进的蚁群算法较高的寻优机制,利用蚂蚁的觅食周期活动,从各个层次求出相应路径的信息素浓度,并适时的实行信息素更新机制,从而得到用户对该结点的偏好函数值,再依据此值求得用户兴趣模式。仿真结果表明,提出的方法能够有效地捕捉出用户兴趣信息,捕捉精确度较高,是一种有效的方法,具有一定的推广价值。     

基于蚁群算法的OFDM系统子载波分配研究

针对无线资源要求OFDM系统能够支持更高的信息速率,在比例速率约束的多用户OFDM系统资源分配中,传统算法的频谱效率较低.在子载波等功率分配条件下,用蚁群算法解决比例速率约束下多用户OFDM系统子载波分配,算法在最大化多用户OFDM系统下行链路总容量的同时又维护了用户之间的比例公平性.蚁群算法的启发搜索机制保证频谱效率快速收敛到近似最优解.仿真结果表明,提出的蚁群算法能够满足用户之间的比例速率需求,频谱效率比传统算法提高了约45％.     

基于蚁群系统的多选择背包问题优化算法

提出了一种用蚁群系统求解多选择背包问题的优化算法。该方法利用蚂蚁算法所具有的正反馈特性,再结合变异参数,使算法既有较快的求解速度又有较高的求解精度。实验结果表明,采用此算法能快速有效地解决背包问题。     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用,但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈.基于这些原因,根据经济学组织交易成本理论,文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法:基于聚类的蚂蚁优化算法,并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象.     

一种基于路径权重均衡的蚁群算法

为了提高基本蚁群算法的收敛速度,强化其全局搜索能力,对基本蚁群算法进行了改进,提出了一种基于路径权重均衡的蚁群算法.试验证明,算法在加速收敛和防止早熟之间取得了动态的平街,并且具有很强的发现最优解的能力、更快的进化速度.     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用，但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈。基于这些原因，根据经济学组织交易成本理论，文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法：基于聚类的蚂蚁优化算法，并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象。     

一种基于信息素的蚁群聚类算法

蚁群算法作为一种新型的优化方法,具有很强的适应性和鲁棒性。基于蚁群算法的聚类方法已经在当前数据挖掘研究中得到应用。文章提出了一个新颖策略来解决无人监督的数据聚类问题,利用信息素控制蚂蚁随机移动提高算法效率,采用运动速度各异的多个蚂蚁独立并行进行聚类来提高聚类质量。实验结果表明该方法是有效的。     

动态跃迁转移蚁群算法

给出了一种改进的蚁群算法,该算法对蚂蚁初始位置选择上进行优化,能较大地提高进化速度,并且还通过动态地调整跃迁转移概率,减少了停滞,加快了收敛速度,实验表明对于某些TSP问题,实验结果优于国外最新的成果。     

基于模拟退火策略的逆向蚁群算法

为克服现有蚁群算法运算过程中收敛速度慢, 易出现停滞现象等缺点, 提出了一种结合模拟退火策略的改进算法。利用向原始蚁群中引入逆向蚂蚁, 并结合模拟退火思想确定蚁群中逆向蚂蚁的数目, 来提高算法的适应性。将该算法应用于旅行商问题的求解, 仿真试验结果表明该算法的收敛速度和全局寻优能力都得到很大的改善。     

基于蚁群算法的图像分割方法

蚁群算法是一种具有离散性?并行性?鲁棒性和模糊聚类能力的进化方法?根据数字图像的离散性特点,首先从模糊聚类角度出发,将蚁群算法引入图像分割中,综合考虑像素的灰度?梯度及邻域特性进行特征提取?然后,针对蚁群算法循环次数多,计算量大的问题,设置启发式引导函数和初始聚类中心进行改进?详细阐述特征提取?初始聚类中心设置和模糊聚类流程?实验证明改进蚁群算法可以快速准确地分割出目标,是一种有效的图像分割方法     

基于改进蚁群算法的改航路径规划

鉴于传统改航路径规划方法目标单一、计算复杂的问题,文中提出了一种基于改进蚁群算法的多目标航班改航路径规划算法。首先在初始化时使信息素与到终点的距离相关联;然后在蚂蚁移动时采用约束规则建立个体解;最后在得到蚁群算法优化的路径后,运用文中介绍的优化算子再次进行优化。最终在块状和离散状飞行限制区下进行仿真实验。结果表明改进的蚁群算法明显优于其他算法,能得到改航点少,偏移量小,路径短的航线。     

基于蚁群算法的SVM模型选择研究

为了提高SVM的分类器性能，提出使用蚁群算法来指导SVM模型参数的选择，并针对采用RBF作为核函数的SVM进行了实验。然后将该方法与基于GA的SVM模型选择方法进行了比较。实验证明采用蚁群算法具有一定的优势，它能在较短的时间内寻找到最优解，且最终得到的分类结果优于遗传算法。     

基于蚁群算法的泊位调度问题

在集装箱港口的运作中,泊位调试系统是制约集装箱港口降低船舶在港时间和运营成本的主要瓶颈之一。泊位调度的目标就是确定集装箱港口船舶的停靠泊位和停泊时间。将码头看成离散泊位的集合,以船舶的在港时间最短为目标,应用蚁群算法对该问题进行优经研究,在满足各种约束条件的基础上,充分的利用好码头资源。利用蚁群算法的正反馈和并行搜索特点提高解的质量2和稳定性,通过对某集装箱码头的案例分析,说明该算法的有效性和实用性。     

基于蚁群优化算法的NoC映射

功耗问题正逐渐成为NoC领域的研究热点,很多研究人员都在研究NoC功耗最小化的设计技术。文章采用一种有效的蚁群优化算法实现了NoC映射：在自动映射处理单元的同时,尽可能地减少了系统的通讯功耗。实验结果表明采用蚁群优化算法可以很快地收敛;针对不同的应用,可以减少25％-70％通讯功耗。     

基于蚁群遗传算法的属性约简

针对普通蚁群算法在属性约简中求解最小约简存在局部最优、迭代次数多、收敛慢的问题,将复制、交叉、变异这些遗传算子引入蚁群算法中,改进蚂蚁的产生方式和蚂蚁构造可行解的过程,提高算法的收敛速度和全局搜索能力。算法在加州大学机器学习数据库中的数据集的测试结果表明,该算法能快速有效地求解属性约简,能够找到最小约简集。     

基于蚁群算法的SVM模型选择研究

为了提高SVM的分类器性能,提出使用蚁群算法来指导SVM模型参数的选择,并针对采用RBF作为核函数的SVM进行了实验。然后将该方法与基于GA的SVM模型选择方法进行了比较。实验证明采用蚁群算法具有一定的优势,它能在较短的时间内寻找到最优解,且最终得到的分类结果优于遗传算法。