Ant colony optimization of clustering models

The original ant system algorithm is simplified leading to a generalized ant colony optimization algorithm that can be used to solve a wide variety of discrete optimization problems. It is shown how objective function based clustering models such as hard and fuzzy c‐means can be optimized using particular extensions of this simplified ant optimization algorithm. Experiments with artificial and real datasets show that ant clustering produces better results than alternating optimization because it is less sensitive to local extrema. © 2005 Wiley Periodicals, Inc. Int J Int Syst 20: 1233–1251, 2005.     

蚁群算法优化模糊规则

模糊控制器设计的关键是根据专家经验确定模糊规则。然而,在专家经验难以获取的情况下将无法进行设计,这就要求模糊规则能够自动优化。模糊规则的优化过程为前件选择后件的过程,是一个组合优化问题,本文应用蚁群算法对其进行优化。蚁群算法是一种新型的模拟进化算法,已被广泛且有效的应用到求解复杂的组合优化问题中。仿真结果显示了蚁群算法应用于优化模糊规则的可行性和有效性,扩大了蚁群算法的应用范围,也为模糊控制器的设计提供了新的思路。     

用于连续空间寻优的一种蚁群算法

结合经典蚁群算法思想提出一种基于动态分类的新型蚁群搜索算法--三策略智能蚂蚁(TSIA)算法.将整个蚁群动态分为随机搜索蚁群、局部搜索蚁群和定向搜索蚁群三个子类,分别采用随机搜索、局部搜索和定向搜索三层搜索策略,使得蚁群具有全局探索能力,并能对优良解进行继承和改进.通过自适应地调整三个子类蚁群的规模和搜索步长,使得整个蚁群在"探索"和"学习"之间处于一个较好的平衡.实例运算证明该算法简单高效,具有快速的收敛能力和优良的全局寻优能力.     

蚁群算法求解连续空间优化问题

借鉴蚁群算法的进化思想，提出一种求解连续空问优化问题的蚁群算法。该算法主要包括全局搜索、局部搜索和信息素强度更新规则。在全舄搜索过程中，利用信息素强度和启发式函数确定蚂蚁移动方向。在局部搜索过程中，嵌入了确定性搜索，以改善寻优性能，加快收敛速率。通过一个实例问题的求解表明了该算法的有效性。     

基于Spark的蚁群优化算法

为应对大数据时代中组合优化问题的求解,基于云计算框架Spark,借助其基于内存、分布式的特定,提出一种并行蚁群优化算法。其思路是通过将蚂蚁构造为弹性分布式数据集,由此给出相应的一系列转换算子,实现了蚂蚁构造解过程的并行化。通过在旅行商问题(TSP)求解的仿真实验结果说明了所提出的并行算法的可行性;并在同等实验环境下对比基于MapReduce的蚁群优化算法,优化速度提升达10倍以上。     

量子谐振子蚁群算法

通过分析目前蚁群算法存在的问题和改进算法的优点,发现量子谐振子系统物理特性能够保证算法最终的收敛性.通过量子谐振子高能态到低能态的转变过程和信息素的增加过程相对应,从而更新信息素,在物理上给算法提供了理论依据.通过量子旋转门改变城市转移规则,通过泡利矩阵变异使蚂蚁有更广阔的空间.综合量子谐振子以上的优点,提出了量子谐振子蚁群算法,并在旅行商问题(TSP)上取得了较好的寻优路径.     

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。     

Ant colony optimization for resource-constrained project scheduling

An ant colony optimization (ACO) approach for the resource-constrained project scheduling problem (RCPSP) is presented. Several new features that are interesting for ACO in general are proposed and evaluated. In particular, the use of a combination of two pheromone evaluation methods by the ants to find new solutions, a change of the influence of the heuristic on the decisions of the ants during the run of the algorithm, and the option that an elitist ant forgets the best-found solution are studied. We tested the ACO algorithm on a set of large benchmark problems from the Project Scheduling Library. Compared to several other heuristics for the RCPSP, including genetic algorithms, simulated annealing, tabu search, and different sampling methods, our algorithm performed best on average. For nearly one-third of all benchmark problems, which were not known to be solved optimally before, the algorithm was able to find new best solutions     

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。     

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。     

蚁群算法在冗余系统可靠性最优分配上的应用

针对各种进化算法所存在的早熟收敛,易陷人局部极值点的缺点,采用两种不同的状态转移规则和与系统属性紧密相关的信息素更新规则,用蚁群算法解决元件可选择不同类型的最优冗余分配问题,实例仿真结果表明蚁群算法可以在相对短的时间内较快的找到问题的最优解。     

Ant colony optimization for the traveling purchaser problem

The traveling purchaser problem (TPP) is a generalization of the traveling salesman problem where markets have to be visited to collect a set of commodities. Each market sells a number of commodities at a known price. The TPP consists in selecting a subset of markets purchasing every product, while minimizing the routing costs and the purchase costs. In this work, we address the solution of the TPP with an ant colony optimization procedure. We combine it with a local-search scheme exploring a new neighborhood structure. This procedure is evaluated on a set of benchmark instances from the literature and permits to improve most of the best-known solutions.     

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。     

Ant colony optimization algorithms for solving transportation problems

The work is devoted to solving transportation problems with ant colony algorithms. These algorithms are based on the simulation of the behavior of an ant colony. Several modifications of the ant colony algorithm are developed.     

基于蚁群算法的航班网络座位优化研究

座位优化是航空公司增加收益的有效方法,航班网络座位优化是目前主要的研究方向。针对起始地 目的地 舱位票价（ODF）和座位数组合的复杂性,传统的优化模型由于决策变量数多,难以用于实际计算;改进的线性规划方法在一定程度上改善了模型的实用性,但在求解大规模的网络问题时,计算时间长,复杂度高。采用蚁群算法求解网络座位优化问题能克服以上不足。实验结果表明,蚁群算法能快速得到令人满意的解;同时,蚁群算法简化了问题复杂度,思想简单,易于实现。     

求解多处理机调度问题的蚁群算法

蚁群算法是受自然界中的蚂蚁觅食行为启发而设计的智能优化算法,特别适合处理离散型的组合优化问题。提出一种求解多处理机调度的蚁群算法,利用一个蚂蚁代表一个处理机来选择任务,并通过分析关键路径及每个任务的最早、最迟开始时间来确定每个任务的紧迫程度,让蚂蚁以此来选择任务。实验证明,该算法可比传统算法取得有更好运行效率的调度策略。     

蚁群算法优化到达航班排序和调度问题的研究

为有效解决动态环境中的到达航班排序和调度问题,提出了基于移动域控制的动态蚁群优化算法,该算法将总时间划分成多个时间窗口,并将蚁群算法优化控制在一个移动域内进行,有效避免了算法的早熟,降低了算法的计算复杂度.实例仿真计算表明,该算法比标准的蚁群算法具有更高的求解质量和求解效率,适合于对终端区到达航班进行实时排序和调度.     

用蚁群算法求解带平衡约束的圆形布局问题

采用启发式方法结合演化算法的思路求解带平衡约束的圆形布局问题.首先对传统优化模型进行调整,并探讨了调整的合理性;然后设计一种分步定位的布局方法,在此基础上利用蚁群算法寻优;最后利用局部搜索技术,在传统模型意义下对布局进行了改进.数值实验表明,算法的性能比目前已有的结果有较大的提高.     

Ant colony optimization for multi-objective flow shop scheduling problem

Flow shop scheduling problem consists of scheduling given jobs with same order at all machines. The job can be processed on at most one machine; meanwhile one machine can process at most one job. The most common objective for this problem is makespan. However, multi-objective approach for scheduling to reduce the total scheduling cost is important. Hence, in this study, we consider the flow shop scheduling problem with multi-objectives of makespan, total flow time and total machine idle time. Ant colony optimization (ACO) algorithm is proposed to solve this problem which is known as NP-hard type. The proposed algorithm is compared with solution performance obtained by the existing multi-objective heuristics. As a result, computational results show that proposed algorithm is more effective and better than other methods compared.     

蚁群优化算法在Ad Hoc网络路由中的应用

针对蚁群算法固有的搜索时间长、易陷入局部最优解的缺点,提出一种改进的基于蚁群算法的Ad Hoc网络路由算法。通过采取赌轮方式和扩散信息素提高路由搜索能力,绕开能量低的邻居节点均衡网络节点能量;同时对路由表做出修改,提高路由算法性能,增强算法的适应能力。经过与已有路由算法AODV的仿真比较,结果表明该算法不仅增加了路径的搜索多样性,减少了路径收敛时间,而且提高了网络的生存时间。