基于相对距离和关联度的多任务联盟的蚁群算法

针对蚁群算法在求解多任务联盟问题(multi-task coalition problem,MTCP)时存在的迭代次数多、求解精度不高的问题,提出了一种基于相对距离和关联度的蚁群算法.该算法针对蚁群算法搜索机制和信息素增量模型,提出了2种策略.首先,为提高资源利用效率,减少Agent的能力浪费,引入了相对距离的概念,提出了基于相对距离的搜索机制;其次,为强化蚂蚁间的协作,利用已获得的解信息,给出了一种基于关联度的信息素增量模型.仿真实验结果表明,与已有的一些算法相比,本文算法不仅能获得更好的联盟结构,而且具有较快的收敛速度.     

基于博弈论的量子蚁群算法

针对量子蚁群算法求解组合优化问题时易陷入局部最优和收敛速度慢的问题,提出一种基于博弈论的量子蚁群算法(quantum ant colony algorithm based on the game theory, GQACA)。算法采用重复博弈模型,在重复博弈中产生一个博弈序列,使得每次博弈都能够产生最大效益,并得到相应博弈过程的纳什均衡。利用典型的5个标准测试函数对GQACA算法寻优性能进行试验测试。试验结果表明: GQACA算法的收敛精度和稳定性均要优于量子蚁群算法(quantum ant colony algorithm, QACA)和蚁群算法(ant colony algorithm, ACA)。     

基于蚁群算法的多Agent任务分配方法

针对多Agent任务分配问题,结合蚁群算法的思想,设计了基于图的任务分配数学模型,提出了基于蚁群算法的多Agent任务分配方法,并通过实验与3个经典方法进行比较和分析,探讨了蚂蚁数对求解结果的影响。实验结果表明,所提出的算法是有效的。     

连续函数寻优的改进量子扩展蚁群算法

针对扩展蚁群算法收敛慢,且容易陷入局部最优的缺点对扩展蚁群算法提出改进策略.引入量子比特表示蚂蚁位置以增加解的多样性;采用量子非门实现蚂蚁位置的变异以避免蚂蚁陷入局部最优;引入量子旋转门和高斯核概率密度函数结合更新蚂蚁携带的量子比特,利于在连续空间寻优;根据解的重要性改进解存储器中每个解的权值以提高解的方向性,快速获得最优解.通过对多个二维和多维连续函数的对比仿真实验验证了算法的有效性.     

一种无线传感器网络二维目标覆盖的改进方法

针对二维目标覆盖问题,提出了一种新的量子退火算法,设计了相应的系统模型,并给出了覆盖优化的目标函数。因为以往的启发式算法存在运行停滞等问题,所以为量子退火算法设计了全新的解集生成方式、量子旋转门、量子位测量方法和量子位状态更新方法,加快了算法的收敛速度。将基于量子退火算法的方法与粒子群算法、蚁群算法进行了仿真比较。仿真结果显示,相比粒子群算法与蚁群算法,该量子退火算法能够有效地提升解的质量,检出的目标数有较大幅度的提高。     

混合蚁群算法在水库群优化调度中的应用

针对梯级水库群优化调度问题的特点,建立蚁群算法求解多阶段最优化问题数学模型.把水库的运行策略转换为水库水位变化序列,通过一定的编码形式分别将其表示人工蚂蚁的路径.人工蚂蚁在满足一定的约束条件下,按预定的目标函数评价其优劣.针对蚁群算法在优化过程中出现搜索时间较长和早熟停滞现象,提出了具有变异特征混合局部优化算法的蚁群系统(MSA-ACS).然后将MSA-ACS和蚁群系统(ACS)分别用于求解雅砻江梯级优化调度问题,通过对优化结果和计算时间的对比分析,验证了改进方法的有效性.该改进方法获得了比较满意的解,不仅能提高蚁群算法的收敛性能,还能增强解的稳定性.     

基于概率选择的次优移动Agent迁移策略研究

针对原有网络结构开销较大、负载分配不均等缺点,提出一种区域核心式移动Agent服务注册模式.针对移动Agent路由选择问题提出了一种模拟蚁群算法的路由选择新算法,并给出了一种基于概率P的移动Agent迁移策略,改变了传统迁移只按照某种标准下的最优路径进行的模式,使移动Agent可以充分利用网络中的各条符合时延条件的通路进行迁移;模拟自动控制理论中的反馈思想,使移动Agent执行任务的同时,担任修正路由信息的任务,使路由表的信息始终保持次优状态.仿真实验证明,提出的移动Agent迁移体系在收敛速度、容错性、系统开销和迁移时延等方面有明显改进,并且可以有效缓解在网络负载较重的情况下出现的网络节点阻塞以致移动Agent丢失的情况.     

基于内分泌激素调节机制的量子进化算法

针对传统量子进化算法用于搜索某些适应度函数时稳定性和精确性差的问题,在计算量子旋转角时引入内分泌激素调节规律,使得量子旋转角根据种群进化代数及个体适应度值自适应调整,提出了一种基于内分泌激素调节机制的量子进化算法.并用于Schaffer函数寻优和三维人脑图像分割.仿真实验结果表明,该算法不仅保留了传统量子进化算法收敛速...     

基于群体智能的多机器人任务分配

针对具有松散和紧密耦合型任务的大规模多机器人系统,研究了基于群体智能的任务分配方法。系统采用层次结构,高层用蚁群算法实现松散耦合型任务分配的寻优,提出逆转分配思想让蚂蚁代表任务,为每个任务选择任务的承担者。底层分别提出了基于蚁群、粒子群蚁群和量子蚁群实现机器人联盟的形成——产生紧耦合型任务解,并进行仿真。仿真结果表明,基本蚁群算法得到的解质量最差;粒子群蚁群算法得到的分配解最好,但是运算时间最长;量子蚁群算法得到的解稍次于粒子群蚁群算法,但分配时间比另两种算法减少了一半。因此,在大规模的多机器人任务分配中,量子蚁群算法具有更强的适用性。     

基于Repast仿真框架的蚁群算法设计与实现

Repast是全新的面向多Agent的仿真开发框架。利用该框架实现了解决TSP问题的蚁群算法,给出了程序实现的设计思想和框架结构,描述了运行过程,并分析了蚁群算法的主要参数对算法结果的影响,说明Repast不仅是一个高效的用于多Agent仿真开发工具,也适用于类似蚁群算法的分布式并行算法的实现。     

基于MPI的并行蚁群算法的研究与实现

在消息传递接口(message passing interface,MPI)的基础上,采用划分蚁群的策略,实现了基于MPI的并行蚁群算法,并对该算法采用旅行商问题进行了实验.实验结果表明,使用并行计算技术,可以很好地提高运行速度.     

基于蚁群算法的产品销售渠道优选策略

鉴于蚁群算法具有较强的发现优选解的能力,将其用于产品销售渠道的优选问题中。当企业收集到某种新产品在可能销售地点的销售收益时,可以利用蚁群算法,求得在已知产品销售渠道和销售支出费用上限的约束条件下的最大销售收益。提出了基于蚁群算法的问题流程图,以实例分析证明了蚁群算法在产品销售渠道优选问题上,具有一定的有效性和较快的收敛速度。     

基于蚁群算法的变风量空调控制的仿真

针对VAV空调系统中PID参数优化困难的问题,在变风量(VAV)空调系统房间数学模型的基础上,提出了基于蚁群算法PID控制策略,并将常规PID控制策略和基于蚁群算法的PID控制策略在MATLAB/Simulink仿真环境中进行数字仿真对比.结果表明,基于蚁群算法PID控制策略可使系统动态特性得到较大改善.     

基于云模型的小生境MAX-MIN相遇蚁群算法

针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷,本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法;随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进,以提高改进后蚁群算法的全局收敛性能。同时,为了避免蚁群在搜索过程中易出现停滞现象,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。     

自适应蚁群算法在空间机器人路径规划中的应用

为了弥补传统路径规划方法缺乏足够鲁棒性的问题,采用自适应蚁群算法实现了空间机器人路径规划.针对传统蚁群算法在计算初期出现停滞的现象,修改了信息激素物质的更新方法.自适应蚁群算法根据学习次数和与最近障碍物的距离来调节信息激素物质.仿真结果表明,该算法在采用较少蚂蚁的情况下,与一般蚁群算法相比,能够快速找到理想路径.     

基于蚁群优化的容错组播路由算法

文章研究了不相交路由和相交路由2种冗余路由形式,并通过路由全局可靠性模型对它们进行了建模和分析。在理论分析的基础上提出一种基于蚁群优化的弱段最小化容错组播路由算法—VOMRA,在驱动方式、人工蚂蚁的生成、信息素的更新策略等方面都进行了有针对性的设计,确保可以找出符合性能约束且可靠性最大化的相交双树。仿真结果表明,VOMRA算法与现有算法相比明显提高了故障恢复概率,而故障恢复后组播树的代价与现有算法相当。     

地球物理资料非线性反演方法讲座（九）蚁群算法

蚁群算法是一种仿生类非线性优化算法,具有并行性、正反馈性和全局极小搜索能力强等特点。蚁群算法的机理是：生物界中的蚂蚁在搜寻食物源时,能在其走过的路径上释放一种蚂蚁特有的分泌物——信息素,使得一定范围内的其他蚂蚁能够觉察并影响其行为。当某些路径上走过的蚂蚁越来越多时,留下的这种信息素轨迹也越多,以至信息素强度增大,使后来蚂蚁选择该路径的概率也越高,从而更增加了该路径的信息素强度。为了将起源于离散网络路径优化的原始蚁群算法思想用于连续函数优化的地球物理反演问题,必须对有关实施细节进行改造和修正,本文基于网格划分策略的连续域蚁群算法实现了连续域大地电磁蚁群算法。通过选择蚂蚁数、信息素挥发系数等参数,利用三层K型模型和四层HA型模型进行数值试验,结果表明,蚁群算法可以稳定收敛,反演结果接近理论模型。     

分段蚁群算法在运输调度问题中的应用

在基本蚁群算法的基础上提出了分段蚁群算法,通过改进选择策略和信息素更新机制以求解一类运输调度问题,实验证明结果理想.