一类新型改进的广义蚁群优化算法

提出了一类新型蚁群优化算法.该算法改进了概率选择函数,将概率选择函数由严格单调增函数推广为有界函数,给出了蚂蚁在某一源节点选择下一个节点的更一般的表达式.证明了算法收敛的重要定理:即对足够大的迭代次数,改进的广义蚁群优化算法至少找到最优解一次的概率趋近于1.提出了信息素渐近平衡原理.在信息素更新规则中,引入了信息素残留率函数、信息素增量函数.证明了渐近信息素在最优路径上将会趋于一个正数,而在非最优路径上将会趋于0.最后,计算机仿真实验结果表明,无论是获得的最优解的质量还是算法的收敛速度,文中提出的改进的广义蚁群优化算法都优于传统的蚁群优化算法.     

求解旅行商问题的改进蚁群算法研究

针对蚁群算法收敛速度慢的问题,对蚁群算法信息素更新规则进行研究,提出一个基于迭代思想的信息素更新规则。对信息残留因子进行实验,确定在新的信息素更新规则下信息素挥发系数的最佳合理值。最后针对eil51问题和dantzig42问题两个例子的仿真实验对比基本蚁群算法。实验结果表明,改进的蚁群算法在收敛性和求得最优解方面都明显优于基本蚁群算法和其它人工智能算法。     

求解VRP问题的改进蚁群算法

由于基本VRP算法收敛速度慢,易于陷于局部最优等缺点,现对VRP进行了一些改进,在每次循环中所有蚂蚁都是从起点出发结束于终点,同时在原始的蚁群算法上增加了节点信息素更新策略以及对所有节点改进使得每个节点都有记忆功能,提出了一种基于基本蚁群算法的有节点信息素更新和记忆功能的算法模型.仿真结果表明,基于改进的蚁群算法模型在寻找最优解时表现出很高的效率,优于现有的启发式算法的解,是一种有效的算法,该算法也适用于并行计算和应用.     

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。     

基于觅食-返巢机制连续域蚁群算法

蚁群算法求解函数问题,人工蚂蚁的搜索范围和信息素浓度更新速度直接影响到是否能够获得全域最优解。为了获得更加稳定且准确的全域最优解,受自然蚂蚁觅食后返巢行为的启发,提出了具有觅食-返巢机制的蚁群算法。该算法主要通过增大人工蚂蚁的搜索范围以及加快信息素浓度的更新速度进行改进。通过函数测试,结果表明：觅食-返巢连续域蚁群算法相比于以往的遗传算法和连续域蚁群算法,能够得到更好的计算结果和运行时间。因此觅食-返巢机制使得蚁群算法求解全域最优解的能力获得了提高。     

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。     

双信息素蚁群算法及其在TSP中的应用研究

提出了一种新的蚁群算法,通过在算法中引入双信息素,很好地改进了算法在解决TSP(旅行商)问题时的收敛性和最优解的全局性.一方面通过提高全局信息素对城市路径选择的影响度,很大程度上缩短了算法寻优时间,使算法收敛性得到很大的改善;另一方面通过对接近最优解的一定范围内次优解进行局部更新,避免了算法容易收敛于局部最优解的缺点,极大地改进了最优解的全局特性.在MATLAB中构建了基于蚁群算法的TSP问题模型,仿真结果表明,独立的全局信息素使蚁群很快集中于各个次优解区域搜索,局部更新策略又使蚁群跳出局部级值寻找最优,仿真结果证明算法的改进十分有效.     

基于变异和信息素扩散的多维背包问题的蚁群算法

针对蚁群算法在求解大规模多维背包问题时存在的迭代次数过多、精度不高的不足,提出一种新的高性能的蚁群求解算法.算法将信息素更新和随机搜索机制的改进相融合.首先,基于对较优解的偏爱,采用Top-k策略从每次迭代的k个解中挖掘出对象间的关联距离;其次,以对象为信源借助关联距离建立信息素的扩散模型,通过信息素扩散的耦合补偿,强化了蚂蚁间的协作和交流;最后,利用一种简单的变异策略对迭代的结果进行优化.在通用数据集上的大量实验表明:与最新的蚁群算法相比,新算法不仅能获得更好的最优解,而且收敛速度有显著的提高.     

基于信息素初始分配和动态更新的蚁群算法

针对蚁群算法搜索初期收敛速度慢和容易陷入局部最优的问题,对蚁群算法进行改进.在初始化阶段,采用贪心策略构造次优路径并增加该路径上的信息素浓度,实现不同路径上信息素的初始分配,使信息素在搜索初期就能发挥指导性作用,让蚂蚁更快地趋向于最优解的附近;在迭代寻优过程中,引入遗传变异操作,对每次迭代后的最优路径作变异操作,尝试寻...     

改进的蚁群算法及其在弹道优化中的应用

针对连续空间的优化问题提出了一种改进蚁群算法及搜索空间的自适应调整方法,将搜索空间逐步缩小到最优解附近,并通过信息素扩散机制增强对最优解附近区域的搜索,这些改进措施有利于改善蚁群算法的收敛速度和提高算法的求解精度。将这种改进算法应用到弹道优化过程中,可以有效收缩搜索空间范围获得高精度的最优弹道,这说明了算法的有效性。