解决二次分配问题的改进蚁群算法

现有的解决二次分配问题的蚁群算法大都与局部搜索过程相结合,文章对其中的局部搜索过程做了修改:一方面结合利用包含全局信息的信息素来指导局部搜索,避免了快速陷入局部最优;另一方面加入了一个二次机会策略,充分搜索解邻域,增强了算法的搜索能力。运用该文给出的算法,针对QAPLIB(二次分配基准问题库)中的问题进行了计算,并将结果与原有蚁群算法进行了比较。实验结果表明该文提出的算法具有更优的性能。     

禁忌搜索算法与蚁群算法的混合策略在二次分配问题上的应用

二次分配问题是一个NP-hard问题,它在线路板设计、布局问题以及打字机键盘的设计等现实生活中有许多的应用.使用基本蚁群算法进行搜索时,其全局优化性能的优劣在很大程度上与蒸发系数的选择有关,若选择不合适,易使算法陷入局部最优.为此,本文提出一种新的算法,即将基本蚁群算法与禁忌搜索策略相结合来求解二次分配问题,设计出具体的算法模型,并对标准问题库中的具体实例进行测试,实验结果证实新方法的有效性.     

模拟退火蚁群算法求解二次分配问题

提出了一种求解二次分配问题的模拟退火蚁群算法。将模拟退火机制引入蚁群算法,在算法中设定随迭代变化的温度,将蚁群根据信息素矩阵搜索得到的解集作为候选集,根据当前温度按照模拟退火机制由候选集生成更新集,利用更新集更新信息素矩阵,并利用当前最优解对信息素矩阵进行强化。当算法出现停滞对信息素矩阵进行重置。实验表明,该算法有着高的稳定性与收敛速度。     

二次蚁群算法在运输调度问题中的应用

蚁群算法在解决车辆路径问题VRP(Vehicle Routing Problem)上表现了很大优势,但也存在全局搜索能力较低、易出现停滞等缺陷.提出的二次蚁群算法是指先用改进的自适应蚁群算法对VRP求得一个可行解,再用求解旅行商问题TSP(Traveling Salesman Problem)的蚁群算法对所得到的解进一步优化,从而得到最优解.从两个实验仿真结果的数据上看,该算法具有很强的搜索能力,克服了基本蚁群算法的某些弊端,能够有效地求解车辆路径问题.     

改进蚁群算法在武器目标分配中的应用研究

为进一步扩大蚁群算法的搜索空间,提高算法的全局搜索能力,论文提出一种基于贪心策略的自适应蚁群算法,并将改进后的算法应用于武器目标分配问题,通过给出任务实例,用基本算法和改进算法分别利用Matlab进行仿真实验,验证了其可行性和有效性.     

基于二次分配问题的混合蚁群算法

二次分配问题是组合优化领域中经典的NP-hard问题之一,应用广泛。在对二次分配问题进行分析的基础上,提出了一种求解该问题的混合蚁群算法。该算法通过在蚁群算法中引入遗传算法的2-交换变异算子,增强了算法的局部搜索能力,提高了解的质量。实验结果表明,该算法在求解二次分配问题时优于蚁群算法和遗传算法。     

改进蚁群算法在热精轧负荷分配优化中的应用

本文尝试用改进的蚁群算法(IACA)求解热精轧机组负荷分配优化问题.首先,建立负荷分配优化的目标函数和约束条件.为了避免蚁群算法(ACS)在加速收敛中出现停滞现象,IACA通过局部和全局信息素浓度更新、引入约束条件的蚂蚁视觉启发函数和基于轧制理论的智力启发函数对状态转移规则进行改进计算;为了保证算法在迭代后期能够收敛,IACA动态更新状态转移规则中的阈值常数和局部信息素浓度挥发系数.基于实际生产数据的仿真结果表明,IACA能够按照目标函数的要求进行合理的负荷分配,且解的性能优于经验值;与其他优化算法比较,IACA具有较快的求解速度和较高的求解精度.     

蚁群算法在武器目标分配问题中的应用

武器-目标分配问题(Weapon-Target Assignment Problem)是一种典型的NP问题.在分析多种算法的和建立武器目标分配的优化模型基础上.本文提出求解武器目标分配问题的一种改进蚁群算法,加快收敛速度的同时保证了解的有效性.     

二次分配问题的粒子群算法求解

文章采用了一种新的算法,即粒子群算法(PSO)去解决二次分配问题(QAP),构造了该问题的粒子表达方法,建立了此问题的粒子群算法模型,并对不同的二次分配问题算例进行了实验,结果表明:粒子群算法可以快速、有效地求得二次分配问题的优化解,是求解二次分配问题的一个较好方案。PSO算法在很多连续优化问题中已经得到较成功的应用,而在离散域上的研究和应用还很少。文章应用PSO算法解决QAP问题是一种崭新的尝试,它对于将PSO算法应用于离散问题,特别是组合优化问题无疑具有启发性,并为进一步深入研究奠定了基础。     

二次分配问题的改进粒子群优化算法

粒子群优化算法已经成功地应用于求解连续域问题,但是对于离散域问题的求解,尤其涉及组合优化问题的研究和应用还很少。二次分配问题本身是一个离散域问题,因此,使用粒子群算法求解二次分配问题是一个新的研究方向。文章引入交叉策略和变异策略对粒子群优化算法进行改造,使得粒子群优化算法可以用来解决二次分配问题。     

武器-目标分配问题的蚁群算法

文章建立了武器-目标优化模型,分析了各种优化方法的优缺点。采用蚁群算法解决了此问题,并通过实例给出了算法,并与匈牙利法做了比较,结果表明该方法比较有效。     

分层递进的改进聚类蚁群算法解决TSP问题*

随着旅行商问题(TSP)规模的增大,传统蚁群算法的运行时间会增大,算法的解精度也会降低,并且算法很容易陷入局部最优的情况。提出的分层递进算法的思想源于分工合作的产品线组装流程,首先利用改进的密度峰聚类算法确定拐点,从而选举出聚类中心,根据聚类中心确定包含的数据点;其次将初始的TSP问题分割成较小的簇,这些簇称为二类TSP问题;再经自适应信息素更新策略的蚁群算法运算,找出每个簇的最优解,进一步将簇与簇之间相近的节点构成的边断开;然后两簇之间断开的节点重组成全局最优解;最终通过局部优化策略对重组的优化解进一步优化,从而在保证算法解质量的前提下有效地缩短了运行时间。从TSPLIB中选取小规模、大规模基准案例,通过Matlab仿真验证了改进算法具有更好的鲁棒性,特别是在大规模基准案例中显著地减少了算法运行时间。     

改进交互式蚁群算法及其应用

交互式蚁群优化(interactive ant colony optimization,i ACO)是一种利用人来评价解的优劣而进行系统优化的技术,可以求解性能指标不能或者难以数量化的优化问题。分析了交互式蚁群优化模型面临的研究困难。针对Tanabe等人提出的交互式蚂蚁算法性能不足的问题,提出利用全局历史最优解进行信息素的更新,并将信息素限定在一定区间内的改进交互式蚁群优化算法,从人机交互角度讨论了解的构造方法和人的评价策略。最后,利用函数优化和汽车造型设计进行了实验,运行结果表明算法具有较高优化性能。     

改进的种群分类蚁群算法及其应用

提出了一种改进的种群分类蚁群算法,该算法在种群分类的基础上,引入了蚂蚁的知觉感觉特性等。该算法能明显的防止蚁群算法可能出现早熟的问题,从而解决了传统蚁群算法加速收敛与早熟、停滞现象的矛盾。为了说明该算法的性能,将该算法应用到聚类分析算法中,设计了算法的模型以及算法步骤,并通过仿真实验证明了本算法的可行性和有效性。     

解决最优停车位问题的改进蚁群算法

在停车诱导系统中,一般只提供停车场外的诱导,而没有停车场内部的停车诱导,论文利用蚁群算法求解停车场内部最优停车位,提供停车场内部的停车诱导,在求解过程中不仅考虑最短路径问题,并且根据驾驶员、车辆和停车位的特点,对蚁群算法进行改进,并给出了具体的求解步骤,使之更加符合实际停车场的最优停车位的选择.     

改进蚁群算法求解TSP

针对蚁群算法存在易陷入局部寻优、收敛缓慢等缺陷,提出一种基于邻接矩阵的两层搜索决策来选择转移路径的方法对蚁群算法进行改进,求解TSP问题。通过实验及分析,验证了该算法具有较好性能。     

基于免疫记忆的蚁群算法的WTA问题求解

武器-目标分配(WTA)是影响武器系统作战有效性的重要因素之一。该文在蚁群算法中增加一个额外的记忆库,利用免疫记忆和克隆选择的思想和方法,提出了基于免疫记忆的蚁群算法(IMBACA),并用于求解武器-目标分配问题。分别用给定数据集和随机数据集的WTA问题进行实验,并与传统蚁群算法和蚁群算法的混合算法进行比较,结果显示IMBACA在解的质量和时间性能上均取得了较好的 效果。