改进蚁群算法在配货发送方面的研究

蚁群算法是一种用来在图中寻找优化路径的机率型算法,由于蚁群算法的多样性和反馈性会有可能过早的收敛于局部最优解,这样得到的最优解精度不高,该文改进了这一点,取开始的各条路径信息量为最大,让每条路径都有遍历,从而得到准确的最优解而不是局部最优解。对准确性方面进行了比较,得出改进后的算法是确实可行的。     

基于改进蚁群算法的交通最佳路径研究

最优路径问题一直是GIS空间分析领域的研究热点,其研究目标也从单纯的搜索“最短路径”发展到寻求面向各类实际需要的“最优路径”,相关算法也因实际情况不同而千差万别。在实际的复杂条件下,最优路径的选取除了考虑距离问题外,还应考虑多种实际因素的影响。在基本蚁群算法的模型上,考虑到影响交通最佳路径选择的各种不确定因素,如天气、路质、路况、车速等,并对修改后的模型进行了模拟实验和分析,找到实际情况下更合适的交通行车路径。     

一种求解TSP问题的改进蚁群算法

针对基本蚁群算法存在收敛速度慢,易陷于局部最优解等缺点,提出了一种求解旅行商(TSP)问题的改进蚁群算法.通过在基本蚁群算法中提出保留最优解和引入个体差异策略的改进方法,有效地抑制了算法收敛过程中的停滞现象,提高了全局搜索能力和解的质量.TSPLIB的实例验证了该改进算法的有效性.     

一种求解TSP问题的改进蚁群算法

针对基本蚁群算法存在收敛速度慢,易陷于局部最优解等缺点,提出了一种求解旅行商(TSP)问题的改进蚁群算法。通过在基本蚁群算法中提出保留最优解和引入个体差异策略的改进方法,有效地抑制了算法收敛过程中的停滞现象,提高了全局搜索能力和解的质量。TSPLIB的实例验证了该改进算法的有效性。     

基于改进蚁群算法的最优路径搜索方法研究

基本蚁群算法在求解图的最优路径问题时,随着图的节点的增加,搜索速度变慢,并且容易陷入局部最优的问题。针对这个问题,对基本蚁群算法进行改进,通过引入搜索方向引导信息和搜索热区信息提高了算法的搜索速度和精度。仿真实验表明,改进蚁群算法比基本蚁群算法具有更高搜索速度和精度,且易得到全局最优路径.     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

改进蚁群算法在移动机器人路径规划中的研究

移动机器人合理的路径规划是进行探索任务的前提,针对移动机器人路径规划的复杂性,把蚁群算法引入到机器人路径规划中;普通的蚁群算法存在收敛速度慢、效率低和容易陷入局部最优等缺陷,难以直接应用于机器人路径规划中;提出一种在蚁群算法中改进信息素的更新方式、引入最大最小蚁群系统以及改进状态转移规则的移动机器人路径规划方法,在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明该方法能缩小最优路径的查找范围,降低发现最优路径所需的循环次数,能有效提高最优路径的搜索效率,整体性能优于普通蚁群算法。     

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.     

改进蚁群算法在迷宫路径寻优中的应用研究

针对机器人在障碍环境下寻找最优路径的问题,提出了一种动态环境下的机器人路径规划的仿生算法.该算法采用栅格法对场地建模,并模拟蚂蚁的觅食行为,由多只蚂蚁协作完成最优路径的搜索.搜索过程采用了概率搜索策略和自适应调整信息素的方法,使得搜索策略更有效.仿真实验结果表明,在场地复杂的情况下,该算法可以有效地规划出最优路径.     

基于改进蚁群算法的交通最优路径方法研究

针对日益复杂的交通网络,提出了一种基于改进蚁群算法的交通路径最优方法,首先根据图论的思想构建了城市交通网络模型,结合层次分析法考虑了道路长度、交叉口停滞、交通拥挤、道路容量、天气状况等5个主要因素;然后在MATLAB平台下,采用改进的蚁群算法对静态交通网络和动态交通网络分别进行最短路径的求解,最后进行了对比分析;研究结果表明,在综合考虑以上5种因素的情况下,动态交通网络下的路径最优算法能为出行者找到更准确更便捷的路线。     

蚁群优化算法求解TSP问题研究

介绍了信息素混合更新的蚁群优化算法,并用来求解TSP问题。混合信息素更新的蚁群优化算法是在蚁群系统（ACS）的基础上改进而成的,它在演化过程中,通过改变信息素的迭代最优更新规则和全局最优更新规则的使用频率,逐渐增加全局最优更新规则的使用频率,从而提高系统收敛的速度和减少系统搜索的导向性,并以Oliver30和att48为例给出了实验结果,说明了该混合算法的有效性。     

最小MPR集选取问题的改进蚁群优化算法

多点中继(MPR)是移动自组网中用来降低网络开销所采用的一种机制,但由于最小MPR集的选取属于NP完全问题,传统的贪心算法往往难以取得较好的结果.本文将蚁群优化用于最小MPR集选取问题的求解,给出了一种基于候选解的改进蚁群算法CSACO.通过使用候选解集进行信息素的更新,提高了算法的收敛速度,同时避免了算法陷入早熟.模拟实验表明,CSACO可以有效降低MPR集的大小,同时在较短的时间内收敛到最优解,提高网络性能.     

基于改进蚁群算法的网络负载均衡路由优化

最短路径优先的路由控制策略在解决突发业务模式下的拥塞问题上存在不足,针对该问题,采用随机选择尺度因子实现负载均衡,增加路由器向所有相邻路由器转发分组的机会。设计路由算法模拟器,完成改进蚁群网络路由优化算法在4种典型网络上的仿真。以CHINANET为例的对比实验表明,在重负载情况下,改进的蚁群网络路由优化算法能获得较高的吞吐量、较低的平均时延与丢包率。     

基于改进蚁群算法的众包配送路径研究

针对现有O2O外卖众包配送的经验依赖性和随机性问题，建立以距离成本和时间惩罚成本之和最小化为目标的带有单侧软时间窗的需求可延迟的开放式车辆路径优化模型，并借助高德地图API接口获得各实际节点的经纬度信息和各节点间距离。改进蚁群算法在状态转移规则中添加下一步移动的潜在客户数量影响因子，同时将确定性搜索与随机性搜索结合，缩小蚂蚁搜索范围。仿真实验结果表明，相较于标准蚁群算法和标准粒子群算法，改进蚁群算法在求解质量和效率上均具有明显的优势。     

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。     

基于改进蚁群算法物流配送路径优化的研究

针对物流配送路径优化问题的特点,提出利用蚁群算法建立数学模型,并对蚁群算法进行了改进。通过局部优化的处理,加快了改进后算法的收敛速度,并提高了全局搜索能力;对信息素的更新方式加以改进,进而提高了蚁群算法的自适应性,使得算法在执行过程中可以根据收敛和进展情况,相应地调整信息残留程度,从而进一步提高收敛速度或全局搜索能力。通过实例计算验证,使用改进后的蚁群算法优化物流配送路径,能够快速并有效地求得问题的最优解。     

蚁群混沌混合优化算法

为了克服混沌搜索的盲目性,提出了一种蚁群算法和混沌优化算法相结合的混合优化算法,该算法利用蚁群算法中信息素正反馈的思想指导当前混沌搜索的区域。工作蚁群按照信息素的浓度高低,分别按照不同的概率搜索不同的搜索区域,从而可减少混沌盲目搜索的次数。仿真结果表明,该方法能够明显提高混沌优化算法的寻优效率,同时算法的通用性将有所提高。另外,对于含有多个全局最优解的函数,在一次寻优过程中,该算法可以找到全部最优解,这是通常混沌搜索算法所不具备的。     

基于改进蚁群算法的WSN路径优化

针对无线传感器网络(WSN)路径优化问题,提出一种改进蚁群算法的WSN路径优化方法,结合遗传算法和蚁群算法的优点,在蚁群算法中引入遗传算法选择、交叉和变异算子,提高算法收敛和全局寻优能力。仿真对比实验结果表明,改进蚁群算法提高了WSN路径优化效率和成功率,有效延长了WSN的生命周期,改善了网络整体性能。