一种解决指派问题的蚁群算法

指派问题是组合优化问题的一个分支,对解决现实生活中的任务分配问题有着重要的意义。本文将指派问题表述为TSP图,使用具有局部搜索策略的蚁群算法加以解决。实验结果表明,使用具有局部搜索策略的蚁群算法解决指派问题,提高了搜索效率,能够在短时间内得到最优分配方案。     

求解TSP问题的改进蚁群算法

分析了标准蚁群算法易于出现早熟停滞现象的主要原因，在原有算法基础上引入局部信息激素、最优最差路径信息激素更新策略及变参数策略，扩大了解的搜索空间，有效抑制了收敛过程中的早熟停滞现象，大大提高了算法收敛速度；同时引入局部最优搜索策略，增大了解突变的机率，求解质量得到了极大的改善．对于典型旅行商问题库中旅行商问题的实验及与标准蚁群算法的比较实验验证了该方法的有效性．     

基于蚁群算法的连续时间生产计划优化

针对连续时间生产计划问题，在生产速率、需求率和库存水平等都确定的前提下建立相应的数学模型，并将蚁群算法引入到连续时间生产计划的优化中，利用蚁群算法的自适应、全局优化、并行分布式处理等特性在整个生产计划的可行解中寻找最优解.通过对连续时间生产计划优化问题的计算表明：该方法比遗传算法具有更好的收敛性和更快的计算速度.     

成本优化问题的蚁群算法

为了确定施工项目工期 成本均衡曲线，从而为施工项目计划和控制决策提供有效依据，提出了施工项目工期成本优化问题的蚁群算法.该方法利用施工项目工期成本优化问题的组合优化问题本质，将其转化为旅行商问题，利用自适应权重方法将工期、成本两个目标综合成单目标，采用蚁群算法进行Pareto解的搜索.通过两个实例的计算结果表明，该方法可以有效地确定具有实用价值的Pareto解，且具有较高的全局寻优能力和搜索效率，对于具有大规模网络计划的工期成本优化问题的求解是十分适用的.     

蚁群算法及其连续优化算法初析

通过对TSP问题的蚁群算法介绍，初步分析了构造一个通用的、应用于连续空间的蚁群算法的几个关键问题，并提出了构造该算法的基本框架.     

用改进的蚁群算法求解TSP新探

通过分析蚂蚁在觅食过程中对最短路径的搜索策略,给出蚁群算法在求解旅行商问题（TSP）中的应用,并使用3—opt方法对所求问题的解进行局部优化,实验结果证明了该解决方案的有效性．     

基于边缘搜索的蚁群算法

蚁群算法是根据真实蚁群的觅食原理提出的一种新兴的启发式搜索算法。算法应用于解决组合优化问题，取得了良好的效果。定义了一种新的旅行商问题，即过程旅行商问题，针对这个问题提出了一种基于边缘搜索的改进蚁群算法。该算法通过限制蚂蚁的起点城市，提高了蚁群算法的搜索效率；并通过减少蚂蚁数量加快计算速度。应用于过程旅行商问题的仿真计算表明，该算法具有相同的计算结果和更快的求解速率。     

蚁群算法理论及应用

蚁群算法是优化领域中新出现的一种仿生进化算法。该算法采用分布式并行计算机制,易与其他方法结合,具有较强的鲁棒性。本文首先介绍了蚁群算法的基本原理,然后讨论了蚁群算法的应用,最后评述了蚁群算法未来的研究方向和主要研究内容。该算法用于解决组合优化问题,如TSP、QAP、JSP等效果很好。     

基于带时间窗的车辆路径问题的蚁群算法

针对带时间窗车辆路径问题（Vehicle Routing Problem with Time Windows, VRPTW）的特点，对蚁群算法进行了改进，优化了其搜索解的能力和收敛速度，用实例证明了改进的蚁群算法对解决VRPTW的有效性．     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。     

基于熵的小生境蚁群算法及其应用

为克服基本蚁群算法易“早熟“的缺陷,将小生境算法和信息熵相结合,提出了基于信息熵的小生境蚁群算法。该算法采用小生境算法对蚁群算法的后期进行局部搜索并以信息熵作为开始和结束的判断依据。求解旅行商问题及房地产投资组合优化问题的结果表明其优于基本蚁群算法,该算法具有广阔的应用前景。     

基于博弈论的量子蚁群算法

针对量子蚁群算法求解组合优化问题时易陷入局部最优和收敛速度慢的问题,提出一种基于博弈论的量子蚁群算法(quantum ant colony algorithm based on the game theory, GQACA)。算法采用重复博弈模型,在重复博弈中产生一个博弈序列,使得每次博弈都能够产生最大效益,并得到相应博弈过程的纳什均衡。利用典型的5个标准测试函数对GQACA算法寻优性能进行试验测试。试验结果表明: GQACA算法的收敛精度和稳定性均要优于量子蚁群算法(quantum ant colony algorithm, QACA)和蚁群算法(ant colony algorithm, ACA)。     

用于连续函数优化的蚁群算法

为了用蚁群算法来解决连续优化问题，该算法将函数优化问题中生成解的过程转化为蚁群每前进一步就选择一个十进制数字并以此来生成一个十进制串的过程。与普通蚁群算法相同，蚁群在选择数字的过程中将一定量的信息记录在每条选择的路径上以改变下一次蚁群选择各个数字的概率。实验数据表明，文中的函数优化算法能比遗传算法以及其他用于连续优化的蚁群算法更快地找到更好的解。这种算法为蚁群算法求解连续优化问题提供了一种新的方法。     

基于蚁群聚类算法的组合算法

基于信息熵的蚁群聚类算法是一种自组织聚类算法,具备健壮性、可视化等特点,并能生成一些新的有意义的聚类模式.基于信息素的K-means算法的K值和初始聚类中心是事先给定的,而往往两者的选择可以直接影响聚类的效果和速度(K-means算法的缺点之一).因此,在基于信息熵的蚁群聚类算法的基础上,结合基于信息素的K-means算法,提出了一种聚类组合算法.     

基于带时间窗的车辆路径问题的蚁群算法

针对带时间窗车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW)的特点,对蚁群算法进行了改进,优化了其搜索解的能力和收敛速度,用实例证明了改进的蚁群算法对解决VRPTW的有效性.     

基于蚁群算法的语音信号动态时间规划

蚁群算法是一种新型的随机优化算法,应用蚁群算法优化机制,提出了一种基于蚁群算法的语音信号动态时间规划方法———蚁群动态时间规划算法,搜索语音信号之间匹配的一条全局最优路径,进而以此衡量语音信号之间的相似度.算法给出了蚁群状态转移概率及信息素更新方程,既利用了语音信号的全局特征又考虑了其局部信息.理论分析与仿真实验结果均证明了此方法的可行性,与传统的DTW算法相比较,其匹配结果更能体现匹配语音信号之间的相似度.     

改进型蚁群算法求解旅行Agent问题

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在不同主机间移动如何规划最优的迁移路线．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,大大降低了蚁群算法陷入局部极小而导致系统出现停滞现象的可能．实验结果表明,改进的蚁群算法使得移动Agent能够以更优的效率和更短的时间来完成任务．     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

基于蚁群优化算法的TSP问题求解

蚁群优化算法是受蚂蚁觅食的通行机制的启发而提出的一种群集智能算法．介绍了蚁群优化算法的基本原理,在此基础上实现了蚁群优化算法,应用到TSP问题求解中,并根据启发函数、信息素进行算法性能优化,提高了算法的收敛速度．实验结果表明蚁群算法具有极强的鲁棒性和求最优解的能力,取到了很好的效果．     

基于蚁群算法的动态共享单车调度优化

随着共享经济的发展,共享单车逐渐走进人们的生活。为解决因共享单车出行的潮汐性而导致的资源浪费和供求关系不平衡的问题,将各调度区域内车辆数量的初始值及其变化速率考虑进约束范围,并对蚁群算法改进其禁忌表的节点选取方式,使其能够适用于求解动态共享单车调度问题,最终得到一条从调度中心出发的路径,同时能够保证调度量的最大化。实验结果表明,改进后的蚁群算法相比离散差分进化算法,在精确性和执行效率上有着显著的优势,尤其是在问题规模较大的情况下。在分别运行50次的条件下,蚁群算法成功寻得最优解的次数相较于离散差分进化算法提高了94%;在寻得最优解的条件下,蚁群算法的评价次数相较于离散差分进化算法减少了65. 4%。