基于新颖蚁群算法的加工中心组成问题研究

针对蚁群算法求解加工中心组成问题易陷入早熟收敛状态的缺点,提出了将听觉信号、记忆矩阵与蚁群算法相融合的一种新颖蚁群算法。在仿真实验中,分别采用蚁群算法、加入听觉信号的蚁群算法、加入记忆矩阵的蚁群算法和新颖蚁群算法对加工中心组成问题进行求解。实验结果表明,新颖蚁群算法能够有效提高蚁群算法的全局寻优能力,收敛速度快,且所求得的组功效优于以上三个策略及以往的混合遗传算法。     

蚁群算法和免疫算法的融合及其应用

蚁群算法作为一种启发式算法,其参数组合一般是通过大量实验取得的。文中将免疫算法和蚁群算法相结合,即用免疫算法来求得蚁群算法中关键参数的较优组合,以增强蚁群算法的有效性。通过求解QoS单播受限路由问题的仿真实验,表明融合算法是有效的。     

蚁群算法和免疫算法的融合及其应用

蚁群算法作为一种启发式算法，其参数组合一般是通过大量实验取得的。文中将免疫算法和蚁群算法相结合，即用免疫算法来求得蚁群算法中关键参数的较优组合，以增强蚁群算法的有效性。通过求解QoS单播受限路由问题的仿真实验，表明融合算法是有效的。     

一种动态自适应蚁群算法

针对传统蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种动态自适应蚁群算法。该算法对传统的MMAS蚁群算法中的信息素进行自适应调整。实验结果表明,该算法比传统的蚁群算法和传统的MMAS蚁群算法具有更好的搜索全局最优解的能力,并具有更好的稳定性和收敛性。     

基本蚁群算法在解决TSP问题中参数选择的研究

蚁群算法是受自然界中真实蚁群觅食行为的启发而提出的一种优化算法,基本蚁群算法是其中基础且较为经典的一种算法,而基本蚁群算法中的参数对算法效果有很大的影响。本文以使用基本蚁群算法解决TSP问题为例,在对相关内容进行介绍后,进而对基本蚁群算法的参数选择进行了实验及分析,最终给出了基本蚁群算法中各个参数的基本选择范围。     

多蚁群伪并行优化算法

针对传统蚁群算法容易出现早熟和停滞现象,提出了一种多蚁群伪并行优化算法,将蚁群分成若干个子蚁群,在各子蚁群中引入信息素平滑机制,通过设计迁移算子,使多个子蚁群并行、协同寻优,从而使算法跳离局部最优解。类比实验表明,该算法比传统的蚁群算法具有更好的搜索全局最优解的能力。     

基于变异蚁群的图像特征匹配算法

本文提出了一种新的图像特征匹配方法,采用变异蚁群算法进行特征匹配。改进的蚁群算法在原蚁群算法不变蚁群的基础上,提出了变异蚁群算法。融合了自适应变化策略,改进了信息素调整方式。实验结果表明与其他的匹配算法相比,该算法具有计算速度快,识别率高的特点。     

一种改进的自适应蚁群算法

蚁群算法是一种新型的模拟进化算法,研究表明此算法具有一些优良性质,但是蚁群算法容易陷入局部最优。分析了蚁群算法陷入局部最优的主要原因,根据算法陷入最优的原因提出一种判断局部最优的方法;在蚁群算法中引入判断局部最优的策略,当算法陷入局部最优时对参数做相应的变化,来克服蚁群算法易陷入局部最优的缺陷。实验表明此方法行之有效。     

求解图着色问题的进化稳定策略蚁群算法

针对图着色问题,在传统的启发式蚁群算法的基础上提出一种进化稳定策略蚁群算法。进化稳定策略蚁群算法针对蚁群算法的隐含并行性,利用变换因子自适应地更新信息素,动态自适应地调节启发式因子的作用参数,增强算法的搜索能力,加快算法的收敛速度,同时避免了传统蚁群算法容易陷入局部最优的问题。通过给地图着色的仿真实验结果表示,该方法对图着色问题的求解是可行、有效的,通过大量实验表明算法在求解质量上优于启发式蚁群算法。     

一种求解TSP的混合遗传蚁群算法

结合遗传算法和蚁群算法,提出了一种求解TSP的基于启发式遗传信息的蚁群遗传算法。该算法由蚁群遗传算法和基于启发式遗传信息的蚁群算法两部分组成。蚁群遗传算法将蚁群算法和遗传算法结合起来,提高了遗传算法的种群的多样性;基于启发式遗传信息的蚁群算法是将启发式遗传信息加入到蚁群算法中,防止蚁群算法对信息素过分依赖,缩小最优解的搜索空间。HGI ACGA算法是将启发式遗传信息加入到蚁群遗传算法中,可以提高蚁群算法的收敛速度和寻优能力。实验结果表明,HGI ACGA算法在收敛速度和收敛精度上均优于ACGA和ACA算法。     

面向TSP求解的混合蚁群算法

针对蚁群算法的早熟和停滞等现象,将免疫算法机制引入蚁群算法,提出用于TSP求解的混合算法。该算法具有蚁群算法的自适应反馈机理、收敛速度快和免疫算法操作算子简单和维持种群多样性、防止种群退化等特性。从算法解的质量与效率方面与基本蚁群算法和免疫算法进行比较,结果表明融合免疫机制的蚁群算法性能显著提高,也为解决其他组合优化问题提供一个新的思路。     

基于改进蚁群算法的多约束QoS路由优化研究

本文建立了多约束QoS路由模型，并对基本蚁群算法的信息素更新策略进行了改进，提出了一种基于改追蚁群算法的多约束QoS路由优化算法，实例计算结果证明了算法的有效性。     

求解旅行商问题的混合量子蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优和收敛速度慢的问题,提出一种新的求解旅行商问题的混合量子蚁群算法。该算法采用量子比特的概率幅对各路径上的信息素进行编码,采用量子旋转门及蚂蚁走过的路径对信息素进行更新,设计一种新的变换邻域准则。基于TSPLIB的仿真实验结果表明了该算法具有较快的收敛速度和求解精度。     

基于目标函数变化率的混合蚁群遗传算法

根据蚁群算法和遗传算法收敛性互补的特点,提出了一种基于目标函数变化率的混合蚁群遗传算法。该算法的基本思想是：用蚁群算法的解作为遗传算法的初始种群,根据目标函数的变化率交叉地调用蚁群算法和遗传算法。每当种群进化接近停滞时,调用蚁群算法。这种方法可动态地控制蚁群算法和遗传算法的调用时机,再配合相应的信息素更新方法,以提高算法的收敛性。将新算法用于车间调度基准测试问题,仿真结果表明,与常规混合蚁群遗传算法相比,新算法的全局收敛性和局部收敛性有了明显的提高。     

Ad Hoc网络中基于遗传蚁群算法的QoS多播路由算法

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,把蚁群算法和遗传算法融合起来,提出了一种遗传蚁群算法（GAAC）来解决Ad Hoc网络中QoS路由问题。首先利用遗传算法生成信息素分布,然后用蚁群算法求精解,优势互补,期望获得优化性能和时间性能的双赢。并针对算法应用于Ad Hoc网络QoS路由普遍产生的拥塞问题,采用拥塞回避的策略,从而实现网络业务流负载均衡。仿真表明该算法比其它单一采用蚁群算法进行路由选择更适合于动态Ad Hoc网络环境。     

基于混沌扰动和邻域交换的蚁群算法求解车辆路径问题

为求解车辆路径问题,提出一种新的基于混沌扰动和邻域交换的蚁群算法。针对标准蚁群算法存在搜索时间长,容易出现早熟收敛,得到的解不是最优解等缺点,新算法利用混沌的随机性、遍历性及规律性,在算法陷入早熟时,对小部分路径的信息素采用混沌扰动策略进行调整;针对标准蚁群算法的贪心规则随机性缺点,新算法采用邻域交换策略对最优解进行调整。在用于求解不同规模车辆路径问题的仿真结果表明,新算法比标准蚁群算法和遗传算法具有更好的效果。     

蚁群算法在QoS中的应用

蚁群算法是一种基于蚁群系统原理,具有自组织能力的、新型的启发式的优化算法.为了研究QoS路由问题,本文利用蚁群算法探讨该算法在网络中的应用.在网络应用中QoS路由的任务是在网络中寻找一条路径,使其能够满足带宽、时延、时延抖动和费用的问题,本文就是探讨蚁群算法在QoS中的应用.     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

自适应概率选择模型的改进蚁群算法研究

传统的蚁群算法在路径规划中存在收敛速度慢、易陷入局部最优解等问题。针对这些缺陷,提出一种基于自适应概率选择模型的改进蚁群算法。最后,在Matlab2016a仿真软件中构建两种地图环境,对两种算法在不同环境下的适应性和寻优能力进行仿真实验。结果表明,改进的蚁群算法的体现了更好的收敛性,在复杂环境下的最优路径和寻优时间更短。     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。