蚁群算法及其在求解旅行商问题中的应用

蚁群算法是一种求解组合优化问题较好的方法。在蚁群算法的基本原理基础上,以旅行商问题为例,介绍了该算法求解TSP的数学模型及具体步骤,并通过仿真实验与粒子群优化算法等方法比较分析,表明了该算法在求解组合优化问题方面具有良好的性能。     

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。     

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法.根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解.一个多极值点的连续优化问题求解实例证明了该方法的有效性     

蚁群算法的理论及其应用

本文介绍了一种崭新的求解复杂优化问题的启发式算法一蚁群算法。该方法通过模拟蚁群搜索食物的过程，达到求解此类问题的目的、它具有智能搜索、全局优化、稳健性强、分布式计算、易与其它方法结合等优点。该算法用于解决组合优化问题，如TSP，QAP，JSP等效果较好．     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

传感器网络中单源单汇路由问题的模型与算法

路由问题是无线传感器网络中的核心问题之一,寻找从源到汇的最小费用路径非常困难。蚁群优化算法是最近提出的求解复杂组合优化问题的启发式算法,该算法能够在完全分布式环境下对复杂问题进行求解。文章建立了无线传感器网络中单源单汇路由问题的数学模型,并给出了基于蚁群优化的求解算法。     

蚁群算法求解旅行商问题综述*

蚁群优化是一种元启发式的随机搜索技术,是目前解决组合优化问题最有效的工具之一。旅行商问题（TSP）是一个典型的组合优化问题,易于描述却难于求解。在介绍了求解旅行商问题的三种经典的蚁群算法的基本原理后,着重分析了蚁群算法的发展现状,总结出蚁群算法发展的五个方向,即基于局部优化算法的蚁群算法、对路径上的信息素更新方法进行改进、蚁群算法与其他算法的融合、对蚁群算法的控制参数进行优化和并行蚁群算法。而且这五个方向有相互融合的趋势。     

基于最大最小蚁群算法的TSP问题求解

TSP问题是一类经典的组合优化问题,为典型的NP-Hard问题.本文考虑574城市的TSP问题求解,采用最大最小蚁群算法,蚁群算法在求解路径优化问题方面较其他智能优化算法显示了优越性.由于基本蚁群算法容易陷入局部最优和早熟现象,本文采用最大最小蚁群算法进行求解.由于问题规模过大,最大最小蚁群算法在进化后期,也陷入了局部最优中.为了克服均不最优,在进化的后期需要进行随机扰动,提高求解的质量和效率.     

蚁群算法参数组合的博弈优化

针对蚁群优化算法参数组合选取的问题,提出了一种基于博弈论的蚁群算法参数优化模型。由于算法各个参数之间相互依赖、相互影响的关系,将各参数作为博弈论中的局中人,利用算法收敛时间与各个参数之间的数学关系,将其转化为博弈模型中参数的收益函数,求解出算法的最优参数组合。仿真结果表明,该模型能够方便有效求解出蚁群算法的最优参数组合。     

蚁群算法在求解旅行商问题中的应用综述

旅行商问题作为组合优化研究中最具挑战的问题之一, 自被提出以来就引起了学术界的广泛关注并提出了大量的方法来解决它. 蚁群算法是求解复杂组合优化问题的一种启发式仿生进化算法, 是求解旅行商问题的有效手段. 本文分别介绍蚁群算法中几个有代表性的算法, 综述了蚁群算法的改进、融合和应用的文献研究进展, 以评价近年来不同版本的蚁群算法为解决旅行商问题的发展和研究成果, 并针对改进蚁群算法结构框架、算法参数的设置及优化、信息素优化和混合算法等方面, 对现被提出的改进算法进行了分类综述. 对蚁群算法在未来对旅行商问题及其他不同领域的研究内容和研究热点的进一步发展提供了展望和依据.     

基于蚁群算法的雷达组网优化布站方法

蚁群算法作为一种新型启发式优化算法。具有分布式计算、信息正反馈和启发式搜索的特征，在求解多种组合优化问题中获得了广泛的应用。本文利用蚁群算法全局搜索、收敛速度快和避免局部极优的特性，结合雷达组网优化布站的问题给出了具体的算法思想，并通过计算机仿真实验证明了该方法的有效性。     

求解合作伙伴选择问题的高效蚁群算法

敏捷制造中的合作伙伴优化选择问题属于组合优化领域的NP-hard问题,随着规模的增大,应用传统的方法求解非常困难,甚至不可能.对敏捷制造中的合作伙伴选择问题进行了分析,建立了数学模型,设计了一个适合求解该问题的蚁群算法.实验结果表明,该算法求解效率高,性能稳定.     

关于最大团问题的一种新算法

最大团问题是图论中重要的NP完全问题,目前求解最大团问题的方法只适合某些特殊的图,活则消耗时间长,求解效率低。该文提出了一种新的算法．蚁群算法来解决最大团问题。蚁群优化算法是一种基于自然启发的算法,是一种解决组合优化问题的有效方法。实验结果显示,算法的有效性。     

关于最大团问题的一种新算法

最大团问题是图论中重要的NP完全问题,目前求解最大团问题的方法只适合某些特殊的图,活则消耗时间长,求解效率低。该文提出了一种新的算法,蚁群算法来解决最大团问题。蚁群优化算法是一种基于自然启发的算法,是一种解决组合优化问题的有效方法。实验结果显示,算法的有效性。     

多态蚁群算法中多参数的组合匹配探讨

多态蚁群算法是一种新的模拟进化算法,对组合优化问题具有较强的求解能力。但如果算法中的参数选择不当,会直接影响到算法的全局收敛性和求解效率。以TSP问题为例,对多态蚁群算法中参数α、β、ρ、队Q的作用作了理论上的研究,分析了组合参数的选择对寻优结果的影响,提出了用单纯形算法来确定多态蚁群算法中多参数的最优组合方法,阐述了该方法的思想及求解问题的过程。最后进行了仿真实验,实验结果表明该方法是切实可行的。     

物流配送车辆路径问题的优化研究

物流中的车辆路径问题(VRP)是目前组合优化领域的研究热点问题,VRP为NP-hard问题。本文在对VRP分析的基础上,建立数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。提出的优化算法首先采用蚁群算法在局部阶段产生最好解,然后利用遗传算法的优良基因在全局阶段对优化解进一步优化,以获取最好路径解。实验结果表明,提出的融合算法能高效解决VRP问题,且优化效果比单算法好。     

多蚁群分级优化的多目标求解方法*

为提高多目标优化方法的求解性能,在给出了蚁群算法优化函数类问题求解方法的基础上,提出了基于多蚁群分级优化多目标问题的求解方法。构建了子蚁群以自身启发式信息及以其他子群的启发式信息获得准Pareto解以及采用各子群的每一只蚂蚁获得的准Pareto解作支配判断,从而提高Pareto解的多样性;构建了父蚁群以准Pareto解作为空间节点构成TSP类似的组合优化问题,其求解结果以获得多目标优化问题的Pareto解的前沿,从而提高Pareto解的均匀分布性。通过优化实例验证,结果表明,多蚁群分级优化的多目标求解方法     

用于求解旅行商问题的深度智慧型蚁群优化算法

启发式算法是求解组合优化问题求解的重要手段,其主要特征是能够以可接受的计算代价找到足够好的可行解.然而,设计良好的用于求解组合优化问题的启发式算法需要大量的专业领域知识以及大量的试错工作,且人工设计的启发式算法不能够保证在不同问题集上均具有一致性表现.另一方面,深度学习方法能够通过学习自动设计启发式规则,然而深度学习方法通常缺少在解空间内搜索的能力.为克服以上问题,提出了一种基于蚁群优化和深度强化学习的混合启发式算法框架.在该框架中,蚁群算法能够利用深度强化学习提取的启发式信息,而深度强化学习方法的解空间搜索性能也由于蚁群算法的加入而获得提高.采用经典的TSPLIB中的算例对该算法求解旅行商问题的效能进行了计算验证,结果表明采用深度学习方法能够极大地提升蚁群算法的计算表现,并降低其计算代价.     

基于蚁群与鱼群的混合优化算法

基于鱼群算法和蚁群算法提出一种混合优化算法用于求解组合优化问题。将鱼群算法中拥挤度的概念引入到蚁群算法中,在优化过程的初期,设置较强的拥挤度限制,保证大部分蚂蚁不受信息素浓度的影响而进行随机寻优。随着寻优迭代次数的增加,拥挤度的限制逐渐减弱,最后蚁群完全由信息素和启发信息来指导寻优。在寻优初期该算法具有较强的遍历寻优能力,能够较快发现全局最优解的存在,而寻优后期,算法利用信息素正反馈的作用保持了较快的收敛速度。仿真结果验证了该方法的有效性。     

基于交互式的并行蚁群优化算法

传统蚁群优化算法研究已经取得了很多重要的成果,但是在解决大规模组合优化问题时仍存在早熟收敛,搜索时间长等缺点.为此,将邻域搜索技术与蚁群优化算法进行融合,提出一种新的并行蚁群优化算法,实验结果表明,在解决大规模TSP问题时,该算法求解质量和稳定性更好,在短时间内即可得到较高质量的解.