基于最大最小蚂蚁系统的动态车辆路径问题研究

在描述动态车辆路径问题的基础上,通过对计划周期分片,将动态车辆路径问题转换为一系列的静态子问题,并采用改进的最大最小蚂蚁系统对静态子问题进行求解。在最大最小蚂蚁系统中,针对聚类分布和随机分布的客户,分别采用顺序法和并行法构建路线,信息素的更新量随着可选客户数量的不同而改变,同时在算法执行过程中对期望启发式因子、选择概率、信息素持续因子和蚂蚁数量等参数进行自适应调整。以整个路线的行驶距离作为目标,采用该算法对9个算例进行测试,与其他文献中算法的计算结果相比较,在使用车辆数量基本一致的情况下,9个问题都得到了最好解和最好平均解,表明了算法的有效性。     

基于视觉修正的改进最大最小蚂蚁系统求解TSP

蚁群算法的研究与发展为解决优化问题提供了良好的方案,但是依然存在收敛速度慢和容易陷入局部最优的问题。为此,提出一种基于视觉修正的VC-MMAS算法。该算法以启发式信息为依据初始化信息素浓度,从而加速初期的算法收敛速度;引入“天文蚁”对历史最优路径进行检查和修正,同时使用“双优”策略更新信息素,帮助算法跳出局部最优。在旅行商问题(TSP)上的实验对比表明,该算法与其他算法相比具有更好的全局寻优能力和稳定性。     

基于最大-最小蚂蚁系统优化ELM的电解槽故障诊断

针对铝电解槽故障特征种类繁多,难以快速准确的实现故障类型诊断,设计了一种基于最大-最小蚂蚁系统(MMAS)优化的极限学习机(ELM)故障诊断方法。介绍了电解槽常见的故障类型及其对槽电压的影响,对采集到的故障情况下的槽电压信号进行降噪处理,根据对降噪后故障信号的局域均值分解(LMD)结果得到故障特征。采用ELM算法辨识故障类型,针对ELM算法存在的参数问题,采用MMAS对ELM隐含层参数寻优。结果表明,MMAS优化的ELM既保证了较快的训练速度,同时获得了更高的故障测试正确率。     

基于MPI的并行最大最小蚂蚁系统

现有蚁群系统在求解大规模组合优化问题时所需的计算时间较长。针对该不足,提出基于消息传递接口的粗粒度异步协作并行最大最小蚂蚁系统,能在保证解质量的前提下,降低并行计算中的通信开销。在曙光4000L并行机上进行的数值实验结果表明,该系统具有较优的并行加速比和加速效率,且适合于大规模TSP问题的求解。     

基于最大-最小蚂蚁系统的PID参数整定

PID参数是影响PID控制器控制效果的重要参数。本文提出一种基于最大-最小蚂蚁系统(MMAS)进行PID参数整定的新型算法MPID,并给出了MPID算法的具体实现步骤。实验仿真表明,MPID算法与基于遗传算法、基本蚁群算法的PID整定方法相比,优化效果有明显改善,说明了该算法的可行性和优越性。     

求解二次指派问题的最优迭代最大最小蚂蚁算法

为提高二次指派问题的求解质量,设计了一个有效的最大最小蚂蚁求解算法。首先,运用最优迭代思想,让每只蚂蚁从当前最优路径中随机地选择位置及其对应的任务作为下一轮迭代的初始值,增强每轮搜索的有效性;其次,采用加入新任务后目标值的增量作为启发式因子来引导状态转移,增加每步搜索的目的性;然后,应用多精英策略来进行信息素更新,增加解的多样性;并设计有效的双重变异技术来提高解的质量,提高算法的收敛速度;最后,应用QAPLIB数据集进行了大量实验,结果表明:该算法在二次指派问题的求解质量和稳定性上显著优于其他算法。     

求解二次指派问题的最优迭代最大最小蚂蚁算法

为提高二次指派问题的求解质量,设计了一个有效的最大最小蚂蚁求解算法。首先,运用最优迭代思想,让每只蚂蚁从当前最优路径中随机地选择位置及其对应的任务作为下一轮迭代的初始值,增强每轮搜索的有效性;其次,采用加入新任务后目标值的增量作为启发式因子来引导状态转移,增加每步搜索的目的性;然后,应用多精英策略来进行信息素更新,增加解的多样性;并设计有效的双重变异技术来提高解的质量,提高算法的收敛速度;最后,应用QAPLIB数据集进行了大量实验,结果表明:该算法在二次指派问题的求解质量和稳定性上显著优于其他算法。     

求解图着色问题的最大最小蚁群搜索算法

针对图着色问题在传统的启发式蚁群算法的基础上提出了一种最大最小蚂蚁系统搜索算法,最大最小蚁群系统将正反馈、分布式计算特点与启发式算法思想有效的结合起来,可以改进信息素更新策略和引入了信息素平滑机制,使得加快了求解的收敛速度,又有效的避免了启发式算法易陷入局部最优。通过给中国地图着色的仿真实验结果表明,方法对图着色问题的求解是可行、有效的;并通过大量的实验证明了算法在求解的效率和求解的稳定性方面优于传统的蚁群算法。     

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。     

基于最大最小蚁群算法的TSP问题求解

TSP问题是一类经典的组合优化问题,为典型的NP-Hard问题.本文考虑574城市的TSP问题求解,采用最大最小蚁群算法,蚁群算法在求解路径优化问题方面较其他智能优化算法显示了优越性.由于基本蚁群算法容易陷入局部最优和早熟现象,本文采用最大最小蚁群算法进行求解.由于问题规模过大,最大最小蚁群算法在进化后期,也陷入了局部最优中.为了克服均不最优,在进化的后期需要进行随机扰动,提高求解的质量和效率.     

MAX-MIN蚂蚁系统算法及其收敛性证明

MAX-MIN蚂蚁系统算法是解决旅行商问题及二次分配问题的最好方法之一。它是在蚂蚁系统算法的基础上作了许多改进之后得到的一种算法,这些改进在一定程度上避免了过早停滞现象的发生,是一种较好的协作式搜索算法,但是到目前为止,对MMAS算法收敛性的研究还非常少。文章系统地介绍了MMAS算法,并在理论上证明了该算法的收敛性。     

背包问题的蚂蚁优化算法

针对经典的背包问题,给出一种新的基于蚂蚁优化思想的求解算法。数值试验计算结果表明,该方法是行之有效的,并具有通用性。     

基于最大—最小蚂蚁系统的动态自适应Ant-Miner算法

针对基于蚁群算法的文本分类算法Ant-Miner所固有的易陷入局部最优解、复杂度较高等缺陷,引入最大-最小蚁群系统(MMAS)并通过规则质量的变化动态自适应地对信息素的浓度进行调节,引入基于密度的启发式因子来降低计算启发式因子的复杂度,同时通过先验知识来降低条件项选择概率的计算复杂度,在此基础上提出了一种基于Ant-Miner算法的改进文本分类算法。     

基于改进型蚁群算法求解旅行Agent问题

本文在蚁群系统的基础上,提出一种改进型蚁群算法.蚂蚁之间通过外激素进行间接交流从而达到合作的目的,在利用已有信息与探索新解并重的策略指导下给出所求解问题的最优解,并且由于遗传算子的引入及全局更新规则的修正,不再易于陷入局部极小.本文采用改进型蚁群算法求解复杂的组合优化问题-旅行Agent问题,取得了满意的效果.实验结果表明,改进型蚁群算法具有鲁棒性强、自适应、并行化、正反馈的优点.     

用于求解对称旅行商问题的粒子群算法和蚂蚁算法的融合

近年来,基于仿生学的随机优化技术成为学术界研究的重点问题之一,并在许多领域得到应用。粒子群优化（PSO）算法和蚂蚁算法ACO（Ant Colong Optimization）是随机全局优化的两个重要方法。PSO算法初始收敛速度较快,但在接近最优解时,收敛速度较慢,而ACO正好相反。结合二者的优势,先利用粒子群算法,再结合蚂蚁算法,以对称旅行商问题为例进行了仿真实现。实验结果表明,先利用PSO算法进行初步求解,在利用蚂蚁算法进行精细求解,可以得到较好的效果。     

中文TTS系统中多音字的一种解决方案

汉语多音字的情况为中文文语转换TTS(Text To Speech)系统的建立带来了很大的困难.针对中文文语转换系统中的多音字问题,通过构建多音字词库和非多音字词库,将多音字以词汇的形式区分,并且通过对多音字词库和非多音字词库的结构形式的构造,减少了词库的冗余信息,提高了词汇语音的查找速率.实验证明该方案可以解决中文TTS中的多音字问题.     

基于模拟退火的蚁群算法求解Job-Shop问题

引用蚁群算法来解决Job-Shop问题(简称JSP),但是由于蚁群算法本身的原理和Job-Shop问题之间的差异性,使得用基本的蚁群算法来解决Job-Shop问题存在一些缺陷.从蚁群算法的改进入手,采用了不同策略的信息素更新方法,并采用模拟退火算法对搜索到的解进行处理,不仅加快了算法的收敛速度,而且能收敛到更好的解,最后用实例对算法的有效性进行了验证.     

具有变异特征的蚁群算法

蚁群算法是一种新型的模拟进行算法,初步的研究已经表明该算法具有许多优良的性质,但该算法也存在一些缺点,如计算时间较长。     

口语对话系统的POMDP模型及求解

许多口语对话系统已进入实用阶段，但一直没有很好的对话管理模型，把对话管理看做随机优化问题，用马尔科夫决策过程（MDP）来建模是最近出现的方向，但是对话状态的不确定性使MDP不能很好地反映对话模型，提出了一种新的基于部分可观察MDP（POMDP）的口语对话系统模型，用部分可观察特性来处理不确定问题，由于精确求解算法的局限性，考察了许多启发式近似算法在该模型中的话用性，并改进了部分算法，如对于格点近似算法，提出了两种基于模拟点的格点选择方法。     

基于蚁群算法的多机器人协作策略

蚁群算法是一种通过对蚂蚁社会长期观察得来的优化算法．它建立在蚁群的一种叫“外激励”的联系方式上，对解决一些分布式控制问题和复杂的优化问题十分有效．将“外激励”这一概念引入多机器人系统中，设计了一种基于蚁群算法的多机器人协作策略．这一策略可以解决多机器人系统在未知环境工作时所面临的一项艰巨的任务：自主协作规划．定义了多机器人系统在未知环境中可能存在的一个问题：任务死锁；将衰减因子引入协作算法，以防止任务死锁的发生；通过仿真验证了算法的性能．