求解旅行商问题的改进型量子蚁群算法

针对传统量子蚁群算法在求解TSP时容易陷入局部最优以及收敛速度较慢,提出了一种求解旅行商问题的改进型量子蚁群算法（IQACA）。该算法设计了一种新信息素挥发因子的自适应动态更新策略,对信息素进行动态更新;并采用一种新的量子旋转门对量子概率幅值的收敛趋势进行改变。通过三个基本函数极值优化仿真与传统量子蚁群算法进行对比,证明算法性能较优。基于TSPLIB的仿真实验与其他几种算法进行比较,结果表明,算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。     

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。     

一种改进的量子蚁群算法及其应用

将量子群进化算法（QEA）与蚁群系统（ACS）进行融合,提出一种新的量子蚁群算法（QACA）。该算法的核心是在蚁群系统（ACS）中引入量子算法中的量子的态矢量和量子旋转门来分别表示和更新信息素,从而在全局寻优能力和种群多样性方面比蚁群算法有所改进。结合旅行商问题（TSP）,对算法进行了测试,得到了与现有文献结果相同或更好的解,表明该算法具有较强的问题求解能力。     

求解TSP的改进量子蚁群算法

将量子群进化算法(QEA)与蚁群系统(ACS)进行融合,提出一种新的量子蚁群算法(QACA).该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子的态矢量和量子旋转门来分别表示和更新信息素.该算法在全局寻优能力和种群多样性方面比蚁群算法有所改进,并结合TSP,对算法进行了测试,得到了与现有文献结果相同或更好的解,表明该算法是求解TSP的一种有效的算法.     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。     

基于自适应更新策略的蚁群算法在TSP上的应用

针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法（Adaptive Update-Ant Colony System,AU-ACS）,有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题（Travelling Salesman Problem,TSP）中对比表明,改进后算法求解的精度更高、稳定性增强。     

基于自适应蚁群算法在急救车辆调度上的应用

针对基本型蚁群算法迭代次数多,搜素时间较长,收敛速度慢的缺陷,采用改进的自适应蚁群算法,根据全局最优解的分布情况自适应地进行信息素范围的更新,从而动态地调整各路径上的信息素强度,同时,建立数学模型,给出求解TSP问题的改进算法,仿真出通过改进的自适应蚁群算法得到的最优路径,应用到患者位置与急救调度站之间最优路径的选择。结果表明,该模型和算法在收敛速度和迭代次数上均优于基本型蚁群算法。     

动态信息素更新和路径奖惩的蚁群算法

针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题的情况,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效地平衡算法的多样性和收敛性。在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,跳出局部最优。同时基于最优路径集合,对较优路径进行奖励,对其他路径进行惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度。并且使用三种局部优化方法,从而进一步提高解的精度。经过实验测试,该算法用于解决旅行商问题（traveling salesman problem,TSP）,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾。     

物流配送路径优化问题求解的量子蚁群算法

物流配送路径优化是一类实用价值很高的NP完全难题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,提出了一种量子蚁群算法的物流配送路径优化方法（QACA）。在物流配送路径优化问题分析的基础上建立相应的数学模型,通过量子蚁群算法对其进行求解,对各路径上的信息素进行量子比特编码,采用量子旋转门及最优路径对信息素进行更新,对QACA的性能进行仿真测试。仿真结果表明,QACA具有较强的全局搜索能力和收敛速度,可以有效解决物流配送路径问题。     

结合协同机制与动态调控策略的双蚁群算法

针对蚁群算法在求解旅行商问题(TSP)时出现的收敛速度慢和多样性较差的问题,提出结合协同机制与动态调控策略的双蚁群算法.首先,将蚁群根据适应度值动态地划分为导向蚁和合作蚁,从而构成异构双蚁群.其次,异构双蚁群采用协同机制平衡算法多样性和收敛速度:导向蚁在路径构建时引入传播因子,增大蚂蚁选择新路径的概率,扩大搜索范围,提高算法多样性;合作蚁受导向蚁中最优路径的引导,当路径相似度达到阈值时,启动合作算子,加快算法收敛速度.最后,引入动态调控策略,在全局信息素更新时引入自适应调控算子,对全局最优路径的信息素进行正向激励或反向惩戒,加快收敛速度的同时避免算法陷入局部最优.求解TSP测试集的实验结果表明,该算法不仅提高了解的质量,保证了算法多样性,而且加快了算法收敛速度,尤其在大规模城市问题中效果更为明显.     

动态信息素更新蚁群算法在指派问题中的应用

建立指派问题的数学模型,将其转化为旅行商问题,利用蚁群算法求解此问题。蚁群算法是一种解决组合优化问题的有效算法,但同样存在搜索速度慢,易于陷于局部最优的缺陷。该文提出一种具有动态信息素更新的蚁群算法,通过具体的算例分析,表明该算法比传统的蚁群算法有更快的收敛速度和较好的稳定性。     

基于启发式变异的蚁群算法

提出一种基于启发式变异的蚁群算法,结合传统蚁群算法和遗传变异算法的优点,利用蚁群算法找到一条全局近优解,采用启发式变异进行路径优化,并将优化信息以信息素的方式传递给下一代,从而快速得到全局最优解。以旅行商问题为例进行仿真实验,结果表明该算法比其他同类算法具有更好的性能。     

基于信息素适量更新与变异的高效蚁群算法

为了克服基本蚁群算法求解速度慢、易于出现早熟和停滞现象的缺陷,提出了一种高效的蚁群算法（EACA）。它修改了基本蚁群算法中信息素的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,以加快收敛;另外,它采用了一种启发式变异方法对路径进行优化,以产生搅动效应,避免早熟。以TSP问题为例进行的实验结果表明：提出的算法优于ACA和ACAGA。     

混合量子算法及其在flow shop问题中的应用

量子进化算法（QEA）是目前较为独特的优化算法,它的理论基础是量子计算。算法充分借鉴了量子比特的干涉性、并行性,使得QEA求解组合优化问题具备了可行性。由于在求解排序问题中,算法本身存在收敛慢,没有利用其它未成熟个体等缺陷,将微粒群算法（PSO）及进化计算思想融入QEA中,构成了混合量子算法（HQA）。采用flow shop经典问题对算法进行了测试,结果证明混合算法克服了QEA的缺陷,对于求解排序问题具有一定的普适性。     

改进的智能蚁群算法在TSP问题中的应用

研究旅行商领域优化路径问题,解决目前蚁群算法易陷入局部最优、搜索时间长等问题.为加快算法的速度优化结果,提出了一种改进的求解TSP问题的智能蚁群优化算法.算法前期采用了一种最近节点选择策略对路径进行优化,提高了搜索效率,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛.通过改进后的蚁群算法,对TSPLIB中部分问题的仿真结果表明,在避免陷入局部最优和缩短搜索时间方面都取得了很好的效果.证明采取的优化蚁群算法,是可行有效的.     

一种基于量子进化算法的概率进化算法

针对量子进化算法(QEA)求解二进制编码问题比较有效,而求解多进制编码问题则比较困难,提出一种概率进化算法(PEA)。该算法汲取了量子复合位、叠加态等思想,采用由观测概率构成的概率复合位进行编码,观测和更新操作直接针对观测概率进行。PEA保持了QEA的性能,运算速度远优于QEA,并可以采用任意进制编码。函数优化和背包问题实验验证了PEA的有效性。     

基于蚁群算法的车间作业调度问题研究

对基于蚁群算法的车间作业调度问题求解进行了研究,在分析了传统蚁群算法求解车间作业调度问题容易出现早熟、收敛于局部最优解以及搜索速度慢的缺陷,提出了一种改进的混合蚁群算法。该方法在信息素更新规则上利用信息素局部更新策略和全局更新策略来进行信息素的更新,并将领域搜索与蚁群算法相结合,从而求得问题的可行解。最后,基于benchmarks问题进行了实验仿真,实验结果证明该改进混合算法的有效性及可行性。     

基于量子蚁群算法的建筑消防疏散路径规划

摘要：针对现在大空间建筑消防应急疏散问题,在火灾发生时,为撤离人群提供一条从危险区域到安全地带的最短安全路线。对疏散路径优化进行了研究,提出一种融合量子进化算法的改进蚁群算法用于消防疏散路径规划,用量子比特表示信息素,量子旋转门反馈控制信息素更新,即能体现量子并行计算的高效性,又能拥有蚁群算法较好的寻优能力。通过三个基准函数优化仿真与传统量子进化算法进行对比,证明算法较优的性能。再通过路径优化的仿真实验与经典蚁群算法进行比较,结果表明,算法能够有效避免陷入局部最优和拥有更快的收敛速度,在疏散路径规划中更为有效。     

基于遗传蚁群融合算法的测试用例最小化研究

为缩减测试用例规模及降低回归测试成本,提出一种基于遗传蚁群融合算法的测试用例最小化方法。采用遗传算法进行遗传算子操作,其结果作为蚁群算法的初始信息素分布。使用蚁群算法进行蚂蚁路径转移和信息素的更新,得到最优解。实验结果证明,该方法能有效减小测试用例集规模,缩短运行时间,提高最小化效率。