基于网格划分策略的连续域改进蚁群算法

针对连续空间函数优化问题,提出一种基于网格划分策略的改进蚁群算法。算法使用一种特殊的信息素更新策略,使得更新信息素时不需要使用解的具体目标函数值,从而降低了目标函数值差异化给算法性能带来的不利影响,并且网格点上的信息素可以直接作为构建解过程中的转移概率。对几种典型的连续函数优化问题进行了测试,实验结果表明所提出算法具有很强的搜索能力。     

一类用于连续域寻优的蚁群算法

由真实蚁群觅食行为启发而来的经典蚁群算法,非常适合解决组合优化问题,但经典蚁群算法的离散性本质也限制了其在连续空间问题求解中的应用。为此,提出了一种用于连续域寻优的改进蚁群算法。局部搜索上基于解决离散域问题的经典蚁群优化思想,全局搜索利用类似于遗传算法的交叉、变异操作-称为Ant Diffusion和Ant Walk方法,每代寻优结束后均采用"精英策略"把本代最优个体保留到下一代中。最后,采用改进算法对几个基准函数做了寻优测试,都取得了良好的效果,证明了算法的有效性。     

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     

连续优化问题的蚁群算法研究

蚁群算法是一种新型的模拟进化算法,初步的研究已经表明该算法具有许多优良的性质.对于连续优化问题,提出了基于蚁群算法思想的求解算法,并与网格法作了比较.数值试验计算结果表明该方法比较有效,并具有通用性.     

蚁群参数自适应调整的优化设计*

介绍了蚁群优化算法利用粗搜索及精搜索过程获得多维有约束函数优化的基本思想,分析了影响蚁群优化多维有约束函数问题的关键参数,给出了获得较好的蚁群函数优化性能必须在优化过程中动态的自适应地调整蚁群优化算法的关键参数 及 的指导性结论,且调整的规则是 与 的值由大到小的调整,而 的值将由小到大的调整。建立了 及 的模糊动态调整器,给出了3个模糊控制器的参数调整过程、控制器的执行策略及控制过程。采用起重机主梁优化实例对比验证了蚁群优化算法及蚁群参数自适应调整的优化算法。结果表明,采用蚁群参数自适应调整的优化算法具有求解精度高、优化效率高及参与优化的蚁群数量少等优点,该方法是求解复杂多峰函数优化的一种极好的优化方法。     

一种连续域函数优化蚁群算法的改进设计

本文在一种连续域函数优化蚁群算法基础上,对该算法做了进一步的改进,引入了自动判断收敛条件方法,同时,也改进了蚁群初始化方法、全局搜索策略以防止早熟和停滞现象。通过与其他连续域函数优化算法的比较结果证明,改进后的算法稳定性较好。     

基于信息素的自适应连续域混合蚁群算法

针对连续域混合蚁群算法（HACO）易陷入局部最优和收敛速度较慢的问题,提出了基于信息素的自适应连续域混合蚁群算法（QAHACO）。首先提出了一种新的解更新方式,对档案中的解进行信息素挥发,扩大了搜索范围,提高了算法的全局搜索能力,并且自适应地调整信息素挥发速率,更好地平衡收敛速度和收敛精度,其次采用了一种信息分享机制,将当前解与其他所有解的平均距离和当前解与至今最优解的距离相结合,进一步加快收敛速度。通过对测试函数进行仿真实验,结果表明,和连续域蚁群及其改进算法相比,QAHACO算法的寻优能力明显提高,寻优速度有一定的优势。     

连续优化问题的蚁群算法研究

蚁群算法是一种新型的模拟进化算法，初步的研究已经表明该算法具有许多优良的性质，对于连续优化问题，提出了基于蚁群算法思想的求解算法，并与网格法作了比较，数值试验结果表明该方法比较有效，并具有通用性。     

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。     

基于新型信息素更新策略的蚁群算法*

深入研究了蚁群优化算法（ACO）的路径搜索及参数控制策略,分析了其存在的缺陷。为了提高ACO算法的解题能力,提出一种新型信息素更新策略（PACS）,然后将PACS算法与其他蚁群算法分别应用于旅行商问题（TSP）进行仿真实验。仿真结果表明,PACS算法具有优良的全局优化性能,可抑制算法过早收敛于次优解,有效防止了停滞现象,收敛速度也大大加快。     

用于求解函数优化的蚁群算法设计

为了求解一般的函数优化,在对标准蚁群算法研究的基础上,将遗传算法的编码方式引入蚁群算法,对蚁群算法的信息素更新进行改进,并提出一种搜索矩阵表达方式,减少了搜索矩阵的规模,从而提高了搜索效率。通过对几个经典测试函数的求解,证明了算法的有效性。     

蚁群算法求解函数优化中的参数设置

蚁群算法的参数设置一直是依靠经验和实验来确定,造成实验工作量大且难以得到最优的参数组合,影响了算法的使用。从基本蚂蚁算法出发,结合实验结果,讨论了α、β及ρ的变化对实验结果的影响,提出了相应的参数改进方案。并将经此方案修正的蚂蚁算法与基本蚂蚁算法同时运用于经典函数优化问题中,对仿真结果进行了对比。     

基于局部禁忌搜索策略的连续空间蚁群算法

针对蚁群算法容易陷入局部最优解及搜索时间长等不足,引入一种基于连续空间的禁忌搜索算法,并将其与蚁群算法相结合,提出了一种引入禁忌搜索策略的蚁群算法,以求解连续对象优化问题。经测试验证了该算法不仅跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,表明算法的有效性。     

基于变异操作的蚁群算法用于连续函数优化

介绍了基本蚁群算法的数学模型,在一种新的连续空间分解方法的基础上,对信息素更新方式进行了改进,采用信息素局部更新和自适应的信息素全局更新相结合的方式,以提高算法的收敛速度。引入了进化算法中的变异操作,对寻优过程中每次迭代的最优解进行变异,增加了种群的多样性,避免算法的早熟,以提高改进后蚁群算法的全局收敛性能。实验结果表明,提出的基于变异操作的蚁群算法在连续函数寻优上有更好的收敛速度和收敛性能。     

用于连续域寻优的分组蚁群算法

用蚁群算法进行多模函数优化时,容易陷入局部最优,从而影响了寻优精度和收敛速度。因此提出了一种用于求解连续空间优化问题的分组蚁群算法。该算法将连续空间优化问题的定义域划分成若干个子区域,并给每个子区域分配一组蚂蚁。每组蚂蚁在各自的区域里进行搜索,且在搜索过程采用“精英策略”并利用精英蚂蚁更新普通蚂蚁的位置信息,以加快算法的收敛速度。同时,当普通蚂蚁离精英蚂蚁之间的距离较长时,使用大步长搜索,以加快搜索速度,反之,采用小步长搜索,可提高搜索过程的精细程度。该方法使每组蚂蚁的搜索空间成倍地缩小并能有效地改善陷入局部最优的情况,从而能使收敛速度和精度大幅提高。计算机的仿真实验结果证实了这一结论。     

蚁群算法在考试安排中的应用

蚁群算法是一种新的进化算法，目前的研究表明该算法具有许多优良的性质，它为组合优化等问题提供了新的思路。利用蚁群算法对考试课程安排这一实际问题进行求解。综合了图论中的着色和运筹学中的背包问题。通过实例的解决和分析，说明了该算法的优越性。     

基于文化的连续蚂蚁优化算法的研究*

针对蚂蚁优化算法在求解连续空间问题方面的缺陷,提出一种基于文化的连续蚂蚁优化算法。该算法将蚂蚁优化算法纳入文化算法的框架,组成基于蚂蚁优化算法的主群体和信念的两大空间。在知识和群体层面使用双重进化机制支持问题的求解和知识的提取,从而充分利用精英蚂蚁所携带的特征信息,在很大程度上提高了收敛速度,增强了搜索的多样性。实验结果表明,该算法求解速度快、寻优成功率高,是一种提高蚂蚁优化算法性能的有效算法。     

基于局部优化策略求解TSP的蚁群算法*

为了克服基本蚁群算法收敛速度慢、易于停滞的缺陷,提出了一种基于局部优化策略的蚁群算法（LOACA）。该算法根据TSP的特点,采用了三种局部优化算子来交换搜索路径中城市的位置,以改进解的质量。以TSP为例进行的实验结果表明,该算法优于ACA和ACAGA。     

多目标蚁群优化网格调度算法

提出基于蚁群算法的网格调度算法,优化作业完成时间。同时局部升级和全局升级采用不同策略,解决资源负载均衡问题,满足网格的多目标优化。最后通过Gridsim仿真环境和其他算法进行比较分析。     

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。