基于改进蚁群算法的WSN路径优化

针对无线传感器网络(WSN)路径优化问题,提出一种改进蚁群算法的WSN路径优化方法,结合遗传算法和蚁群算法的优点,在蚁群算法中引入遗传算法选择、交叉和变异算子,提高算法收敛和全局寻优能力。仿真对比实验结果表明,改进蚁群算法提高了WSN路径优化效率和成功率,有效延长了WSN的生命周期,改善了网络整体性能。     

一种求解函数优化的混合蚁群算法*

将遗传算法与蚁群算法中的协同模型进行有机结合,在蚁群算法中引入交叉、变异、选择算子来改进基本蚁群算法,克服了蚁群算法不太适合求解连续空间优化问题的缺陷。通过测试函数表明该方法具有较好的收敛速度和稳定性,求解结果好于遗传算法。     

改进蚁群算法的无线传感器网络路径优化

研究无线传感器网络路径优化问题,针对无线传感器网络(WSN)路径优化问题,在分析了遗传算法和蚁群算法各自优缺点的基础上,通过把蚁群算法作为WSN路径优化的主框架,采用遗传算的选择、交叉和变异算子提高蚁群算法搜索速度,提出一种改进蚁群算法的WSN路径优化方法。仿真结果表明,改进蚁群算法有效地克服了基本蚁群算法的缺陷,提高了WSN路径优化效率和成功率,减少了能理消耗,有效延长了网络生存时间。     

一种遗传蚁群算法的机器人路径规划方法

研究遗传算法和蚁群算法可作为新兴的智能优化算法,在解决多目标、非线性的组合优化问题上表现出了传统优化算法无可比拟的优越性。基于将两种智能优化算法动态融合的思想提出了一种新的遗传蚁群算法(GA-ACO)。与已有的将遗传算子引入蚁群算法的结合方式不同之处在于,GA-ACO算法第一阶段采用了遗传算法生成初始信息素分布,在第二阶段采用蚁群算法求出最优解,从而有效地结合了遗传算法的快速收敛性和蚁群算法的信息正反馈机制。仿真结果表明,在具有深度陷阱的特殊障碍物环境下,应用GA-ACO算法求解机器人路径规划问题可以得到较好的的结果。     

基于二次分配问题的混合蚁群算法

二次分配问题是组合优化领域中经典的NP-hard问题之一,应用广泛。在对二次分配问题进行分析的基础上,提出了一种求解该问题的混合蚁群算法。该算法通过在蚁群算法中引入遗传算法的2-交换变异算子,增强了算法的局部搜索能力,提高了解的质量。实验结果表明,该算法在求解二次分配问题时优于蚁群算法和遗传算法。     

改进遗传蚁群算法求解优化问题的设计与实现

传统的组合优化蚁群算法在求解优化过程中要消耗大量的时间,极易陷入局部最优解和收敛速度过慢等弊端,同时还会产生大量无用的冗余迭代码,运算效率低;因此,提出一种遗传蚁群优化算法;该算法具备了遗传算法快速搜索全局能力的同时也具备了蚁群算法并行性和正反馈机制;利用遗传算法改变选择算子、交叉算子和变异算子操作来确定路径上信息素的分布,将蚁群算法用于特征选择,采用支持向量机分类器分类性能反馈用于评价特征子集解,并通过对改变信息素的迭代、参数选择和增加对信息素局部更新方式指导特征结点重新组合;仿真实验表明,该算法可以有效提高计算精度,加快收敛速度,优化全局最优解的同时增强了系统的鲁棒性和稳定性。     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.     

面向大型场馆疏散的改进多蚁群算法

针对大型场馆应急疏散的路径优化问题,提出了一种基于遗传算法交叉变异算子的多蚁群算法.该算法通过引入多蚁群信息素组的概念,将遗传算法交叉和变异的思想应用到信息素更新模型中,解决了传统蚁群算法易陷入局部最优的问题.最后,将此模型应用在武汉体育馆及其周边路网集成环境中.实验结果表明,该算法能够为大型场馆中大规模人群提供一个有效可行的疏散方案.     

进化蚁群优化理论实现障碍距离分析

借鉴了机器人路径规划问题的解决思路,将遗传算法中交叉算子引入到蚁群优化算法的路径寻优过程,提出了一种基于进化蚁群优化算法的障碍距离分析算法。实验结果表明,该方法不仅能处理复杂形状的障碍,与基于遗传算法的障碍距离计算方法相比,具有较好的路径寻优能力,并且能够很好地降低搜索陷入局部最优的可能性。     

基于车辆路径问题的蚁群遗传融合优化算法

在对车辆路径问题（VRP）分析的基础上,为之建立了数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。该算法首先采用蚁群算法产生阶段最优解,然后利用遗传算法的变异算子对阶段最优解进一步优化。仿真结果表明,该算法能高效解决VRP,并且优化效果较好。     

蜂群—蚁群自适应优化算法*

为了解决蚁群算法在求解连续函数优化问题时,存在局部搜索能力较差的缺陷,提出一种新颖的自适应蜂群—蚁群优化算法。新算法在蚁群优化算法的基础上,设计了一种参数q的自适应机制,进而减少了参数个数,提高了其鲁棒性;根据蜂群算法基本思想,利用雇佣蜂和观察蜂设计了高效的局部搜索算子,从而提升了算法的局部能力。针对五个标准测试函数的仿真实验结果表明:与蚁群优化算法相比,新算法的全局和局部寻优能力均得到了极大的提升。     

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。     

基于拥挤度的改进蚁群算法

针对蚁群算法在求解旅行商问题时收敛时间长,且易陷入局部最优状态的缺陷,提出一种基于拥挤度的动态信息素蚁群优化策略。该算法引入静态拥挤度和动态拥挤度算子,主动提前预防停滞现象。将拥挤度与状态转移规则相结合,使蚁群状态实时跟随路径搜索情况而改变,提高蚁群自适应能力。针对蚁群路径搜索情况,加入邻域搜索优化规则,缩小搜索区域,结合2-opt局部优化策略,加快蚁群收敛速度。仿真结果表明,本算法既有较高的搜索效率又有较强的全局搜索能力。对比其他优化算法,无论是求解质量、稳定性还是收敛速度都能达到令人满意的效果。     

Evolving ant direction differential evolution for OPF with non-smooth cost functions

In this paper, an effective and reliable algorithm, termed as evolving ant direction differential evolution (EADDE) algorithm, for solving the optimal power flow problem with non-smooth and non-convex generator fuel cost characteristics is presented. In this method, suitable mutation operator for differential evolution (DE) is found by ant colony search. The genetic algorithm evolves the ant colony parameters and the Newton-Raphson method solves the power flow problem. The proposed algorithm has been examined on the standard IEEE 30-bus and IEEE 57-bus systems with three different objective functions. Different cases were considered to investigate the robustness of the proposed method in finding the global solution. The EADDE provides better results compared to classical DE and other methods recently reported in the literature as demonstrated by simulation results.     

基于蚁群-遗传融合框架的仓储群机器人任务分配

将智能仓储中的自主移动群机器人订单任务分配,建模成群机器人协同调度的多目标优化问题,将成员机器人完成拣货任务的路径代价和时间代价作为优化目标.设计了蚁群-遗传算法融合框架并在其中求解.该框架中,蚁群算法作为副算法,用于初始种群优化;遗传算法改进后作为主算法.具体地,在遗传算法轮盘赌选择算子后引入精英保留策略,并在遗传操作中加入逆转算子.针对不同数量的订单任务,使用不同规模的群机器人系统进行了任务分配仿真实验.结果表明,在本文所提的融合框架中求解,较分别使用蚁群算法或遗传算法单独求解,性能上具有明显优势,能够发挥蚁群算法鲁棒性好和遗传算法全局搜索能力强的特点,提高智能仓储系统的整体运行效率.     

带杂交算子的蚁群算法

蚁群算法是一种由意大利学者Macro Dorigo等提出的新型模拟进化算法,它具有许多优良性质,因此被广泛用于求解组合优化问题。但基本蚁群算法有许多不足。特别是许多搜索速度慢,且容易陷入局部最优。该文针对这个问题提出了一种改进算法。该算法通过引入遗传算法中用到的杂交算子来改善蚁群,使其对应的问题的解更加优良,用改进算法求解TSP问题的结果表明改进算法是有效的。     

求解多目标最小生成树的改进多目标蚁群算法

多目标最小生成树问题是典型的NP问题。针对此问题,提出一种改进的多目标蚁群算法。为获得更好的非劣前端,通过合理选取多个信息素扩散源与扩散策略来避免其早熟收敛,并引入非支配排序算子,提高种群多样性并避免算法过早陷入局部最优解。对比实验结果表明：对于多目标最小生成树问题,该算法是有效的,不但在求解效率和解的质量方面优于相关算法,而且随着问题规模的扩大,算法仍保持较好的性能。     

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。     

WSN中改进蚁群算法求解移动代理问题*

关于求解无线传感器网络中移动代理迁移路径问题,在蚁群系统基础上对蚁群算法进行改进,使算法更适用于无线传感器网络环境。从大量初始化路径中选出部分最优路径留下信息素,而且考虑节点的剩余能量,从而引导蚂蚁选择不同的路径;同时,针对无线传感器网络节点通信能力有限的特点,为了避免无效路径的产生引入变异操作。理论分析和仿真实验表明,改进后的蚁群算法增强了算法的全局搜索能力并有效求解无线传感器网络移动代理迁移路径问题。