获胜者确定问题的启发规则与改进蚁群算法

组合拍卖竞胜标的确定问题是一个NP完全问题.本文提出基于启发规则的改进蚁群算法BRIAA(Improved ACO Algorithm based heuristic rule)对问题进行求解,其基本思想是首先提出了可行性竞标启发规则,采用启发规则淘汰不可能入选最优解的竞标,缩减竞标规模;然后采用禁忌表和可行性竞标启岌规则相结合的改进蚁群算法,减小蚂蚁搜索过程中选择可行性竞标的范围,提高可行性解的质量.仿真结果表明,与同类的近似求解算法相比,本算法在求解规模和求解效率上都能够获得更好的效果.     

基于混合组合双向拍卖的网格资源分配方案

针对组合双向拍卖中节点或实体在单次拍卖中分别扮演资源提供者和资源需求者时所具有的不同特点,提出了混合组合双向拍卖模式,即在拍卖中节点本身不单是资源提供者同样也是资源需求者。在此前提下,结合信任度在资源分配安全性以及服务质量方面的作用,将信任度引入到定价调整中,从而优化资源的分配。仿真实验结果表明,所提出的资源分配方法在提高拍卖效率和单位效用正向激励以及防止恶意节点方面均优于已有方案。     

改进的猴王遗传算法求解组合拍卖最优竞胜标

应用遗传算法求解第一价格封闭组合拍卖问题,编码及约束条件复杂,在交叉和变异的过程中容易产生大量不可行解,并且在选择和精英保留中,一些局部最优点(早熟点)对应的个体容易被大量复制,使群体多样性下降。该文就以上的问题,改进了原有遗传算法求解组合拍卖最优竞胜标的方法,并采用了猴王遗传算法的精英保留策略。实际计算证明本算法编码方式自然并且直观表达了个体和标的的关系。在交叉和变异算子中,产生不可行解的数量下降,更积极的保存了上一代进化的部分成果。而改进猴王遗传算法的精英保留策略,使算法能够以高概率跳出早熟,达到算法速度与准确的平衡。     

基于蚁群算法的组合拍卖胜者决定问题求解

胜者决定问题是组合拍卖中研究的一个重要问题.在组合拍卖的多Agent系统中,以第一价格密封拍卖方式为背景,针对胜者决定问题的一般模型,提出运用蚁群算法求最优解.该算法在搜索过程中随机放置蚂蚁,扩大了解的搜索空间,通过改变局部信息素浓度,加快了算法的收敛速度,有效缓解了算法容易出现的早熟停滞现象.与遗传算法相比,实验表明蚁群算法在早期就容易达到较好的最优解,收敛速度较快且求解质量较稳定.     

基于MapReduce改进蚁群算法的Web服务组合优化

对于Web服务组合优化的问题,蚁群算法的求解主要是串行进行,收敛时间长,容易收敛于非最优解。在云计算环境中,将蚁群算法并行化,可对Web服务组合优化问题进行分布式并行求解。根据多目标优化模型给出基于多信息素的蚁群算法,使用MapReduce并行编程框架对蚁群算法中最耗时的部分——蚂蚁独立求解的过程并行化,给出了使用MapReduce改进的基于多信息素的蚁群优化算法,有效地对Web服务组合进行全局优化,弥补传统的蚁群算法求解过程的缺点。     

基于改进蚁群算法的海上编队传感器资源分配模型

在信息化条件下,海上编队作战中传感器资源分配是传感器资源管理的关键内容。针对传感器资源分配模型构建因素不全面,分配算法计算量与时间随着传感器目标数目的增多而急剧增加等问题,本文提出一种考虑目标优先级、传感器对目标的匹配精度、传感器作用范围和协同能力的目标函数,建立一种基于改进蚁群算法的海上编队传感器资源分配模型。仿真结果表明,该算法显著提高了收敛速度与时间满意度,验证了分配模型的可行性。     

一种改进蚁群算法组合优化问题的研究

在优化算法问题的研究中,蚁群算法是一种新型的启发式算法,具有较强的鲁棒性和搜索性,已广泛地应用于人工智能、模式识别、系统控制等工程领域。随着研究的深入开展,蚁群算法出现了收敛速度过慢、易陷入局部最优解等缺点。针对蚁群算法存在的不足,为提高组合优化的性能,算法提出了改变局部信息素的迭代更新规则和改进全局更新策略,并对相应参数做动态设置,进而抑制了早熟现象出现,减少了冗余码的产生,提高了全局的搜索能力,加快了系统的收敛速度。通过对旅行商问题仿真实验,表明算法的有效性和可行性,并达到了精度要求。     

设备直通中基于组合拍卖的联合资源分配机制

设备直通D2D(Device-to-Device Communication)通信是5G系统中的关键技术,通过复用传统蜂窝通信的频谱资源,能够大幅度提升系统频谱利用率,但却给传统蜂窝用户带来了同频干扰。针对上述问题,提出一种联合功率控制和信道分配的资源分配机制来最大化D2D链路的总吞吐量,并保证蜂窝链路的服务质量需求。该方案分为两步:底层功率控制考虑给定信道组合下的最大吞吐量,首先证明原问题属于凸优化,继而利用Karush-Kuhn-Tucker条件分析得到最优解;基于功率优化的结果,上层的信道分配等价于整数线性规划问题,一般意义下属于NP-hard难题,因此提出基于组合拍卖的分配机制来实现性能与复杂度之间的折中。最后,通过仿真验证了所提资源分配机制的有效性,并展示了联合无线资源分配的优势。     

网格资源分配算法的研究

资源分配是网格计算研究领域中的一个要点问题,目前已研究的若干计算智能方法大多是单一的用于解决网格资源分配问题,对于在混合的前提下提高资源分配性能方面还缺乏深入的研究。为此,针对网格资源分配问题提出了一个启发式混合搜索算法,通过带有启发式的遗传算法在资源中进行搜索,在生成的解中再利用蚁群算法做进一步的探索。仿真实验结果表明,该算法在满足用户需求的前提下,有效地提高了网格资源利用率。     

关于求解难组合优化问题的蚁群优化算法

1.引言组合优化问题在规划、调度、资源分配、决策等工程问题中有着非常广泛的应用。在问题规模较小时,可以使用分支定界法或动态规划方法等来求解。当问题规模增大时,解的数目虽然有限,但呈指数增长,要在合理时间内求得准确的最优解实际上已不可能。为此,人们设计了各种启发式算法。近年来,最重要和最有希望的一个研究领域是构造“师法自然“的启发式。它们类比社会系统、物理系统、生物系统等的运行机制,设计算法在问题的解空间中进行非确定性搜索。典型的有遗传算法(GA)、模拟退火(SA)、人工神经网络(ANN)。这些算法由于其自适应性,对难组合优化问题的求解取得了好的结果,被广泛应用于工程优化和控制中。本文将要介绍的蚁群优化算法,由于其较强的自适应性和对问题状态的学习能力,正逐步成为一种新的有潜力的优化算法。     

基于改进蚁群算法的多机器人任务分配方法

研究了动态环境下多机器人对多目标点的探测;针对通常采用的是单物品拍卖的方法进行任务分配但是无法得到全局最优解的缺点,提出了用组合拍卖的方法来解决多机器人的任务分配问题;由于组合拍卖(WDP)本身是一个NP-hard的问题,所以文中通过对蚁群算法进行改进,成功地解决了此类任务分配问题;实验表明,该算法有效地缓解了容易出现的早熟停滞现象,达到较好的最优解,收敛速度快且求解质量稳定,满足了多机器人动态任务分配的要求。     

在网格资源发现中使用蚁群算法的应用研究

网格中包含多种多样、分布领域广、系统结构差异大、变化频繁等特点的资源．这给网格环境下的资源发现机制带来更大的难度和更多的挑战。阐述网格资源发现在网格资源管理中的重要性,分析网格资源发现中应用蚁群算法的优势,在此基础上,对网格资源发现中应用蚁群算法的方案进行综合的设计与分析．讨论在网格资源发现机制中蚁群算法的实际应用。     

基于蚁群算法的网格资源发现模型研究

本文通过对传统的网格资源发现存在的问题进行分析,针对其不足,引入蚁群算法,提出基于蚁群算法的网格资源发现模型（AA_GRRM）,设计并分析AA_GRRM的体系结构,并对其关键模块分析设计,以提高网格资源发现效率。     

基于并行遗传蚁群混合算法的网格资源调度研究

合理的资源调度算法可以在很大程度上提高网格系统的有效利用率。在网格环境中,用户希望自己的任务尽可能快地得到完成,而网格环境则希望尽可能充分地利用所有资源。针对这种情况,本文提出了基于并行遗传蚁群混合算法的网格资源调度,具有较小的时间复杂度和良好的调整性能。实验证明了其正确性与实用性。     

网格调度中具有价格激励的改进蚁群算法

为了进一步提高网格资源的利用率,本文提出了一种具有价格激励的改进蚁群算法,并将其应用于网格资源调度中,通过增加动态价格因子,实现了资源提供者和消费者各自的经济利益,并且能够有效地解决资源调度的各种问题和提高网格系统的性能。     

基于思维进化计算和蚂蚁算法的网格资源分配

网格环境中的资源调度是网格技术的核心问题之一,启发式方法在解决复杂困难的系统优化问题方面具有优越性,成为最通用的解决方案。将思维进化计算和蚂蚁算法2种新型的启发式优化算法融合,利用思维进化计算的快速寻优能力产生信息素的初始分布,再利用蚂蚁算法的正反馈机制求得最终优化解,并将该融合算法用于网格资源的动态分配研究。实验验证了该分配方案的有效性。     

基于蚁群算法的OFDM系统子载波分配研究

针对无线资源要求OFDM系统能够支持更高的信息速率,在比例速率约束的多用户OFDM系统资源分配中,传统算法的频谱效率较低.在子载波等功率分配条件下,用蚁群算法解决比例速率约束下多用户OFDM系统子载波分配,算法在最大化多用户OFDM系统下行链路总容量的同时又维护了用户之间的比例公平性.蚁群算法的启发搜索机制保证频谱效率快速收敛到近似最优解.仿真结果表明,提出的蚁群算法能够满足用户之间的比例速率需求,频谱效率比传统算法提高了约45％.     

网格环境下改进PSO算法的资源分配研究

针对网格计算中的资源分配问题,提出一种融合粒子群优化算法和遗传算法的新算法。通过在粒子群算法中引入遗传算法,有效克服粒子群算法容易陷入局部最优值这一固有缺陷,重新在搜索空间寻找全局最优值。该方法具有操作简单、设置参数少、收敛速度快等特点。仿真实验结果表明,该融合算法在网格资源分配方面能取得较好的效果。