基于多样信息素的蚁群算法

根据蚁群算法信息素更新的特性,提出了求解旅行商问题的多样信息素的蚁群算法。把蚁群的三种不同的信息素更新方式混合在一起,既利用了局部信息,又考虑了整体信息,将局部搜索和全局搜索相结合,使收敛性得到提高。针对旅行商问题的仿真实验结果,表明了该混合算法的有效性。     

基于信息素强度的改进蚁群算法

现有的基本蚁群算法和MMAS算法都存在收敛速度慢、易陷于局部最优解等缺点,为了提高算法搜索效率,提出了一种求解旅行商问题的改进蚁群算法.在基本蚁群算法和MMAS算法的基础上,通过对蚂蚁进行区分,直接控制信息素的浓度,并进行有选择的更新,有效地抑制了算法收敛过程中的停滞和早熟现象,提高了全局搜索能力和解的质量.最后通过经典的CTSP31实例验证了该改进算法的有效性,仿真实验结果表明,它在最优解、平均解和最优迭代次数等性能上比经典蚁群算法都有较大的改善.     

基于信息素强度的蚁群算法

现有的蚁群算法在选择路径的时候都是同时考虑信息素和路径长度两个因素,导致算法未能很好地模拟真实蚂蚁。为了更好地模拟现实蚂蚁的行为,提出一种新的蚁群算法。该算法在选择路径的时候只考虑信息素强度, 而在信息素强度初始化和信息素强度更新的时候考虑了路径长度这一因素,同时也给出一种动态的信息素更新方式。经实验验证这一算法可以取得较好的搜索效果,并且它的运算速度要比现有的蚁群算法快5倍以上。     

基于自适应路径选择和信息素更新的蚁群算法

针对蚁群算法加速收敛和早熟、停滞现象的矛盾,提出了一种基于自适应路径选择和信息素更新的蚁群算法,以求在加速收敛和防止早熟、停滞现象之间取得很好的平衡。该算法根据优化过程中解的分布状况,自适应地调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。     

基于信息素变异的蚁群算法的应用研究

针对基本蚁群算法的不能更好地模拟真实蚂蚁觅食和局部收敛等现象,提出一种用于求解旅行商问题（TSP）的改进蚁群算法,该算法将信息素的更新与挥发算法做了改进,从而能够更好的模拟真实蚂蚁,并且有效的提高了搜索效率。仿真结果证明了该算法的有效性和可行性。     

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。     

基于混合行为的蚁群算法

针对基本蚁群算法易出现停滞、收敛速度慢的问题,在最大最小蚁群算法的基础上提出了一种基于混合行为的蚁群(HBAC)算法,通过引入停止蚂蚁来构造局部路线方式和增加全局调优策略,提高了算法的搜索能力和收敛速度,同时将蚂蚁所寻找的各条路径的信息素限定在一个可动态调整的范围之内,避免了算法过早陷于局部最优解.通过HBAC算法同其他蚁群算法在求解旅行商问题上的实验比较,发现该算法拥有较快的收敛速度,提高了全局最优解搜索能力,在性能上有了较大的提高.     

双信息素蚁群算法及其在TSP中的应用研究

提出了一种新的蚁群算法,通过在算法中引入双信息素,很好地改进了算法在解决TSP(旅行商)问题时的收敛性和最优解的全局性.一方面通过提高全局信息素对城市路径选择的影响度,很大程度上缩短了算法寻优时间,使算法收敛性得到很大的改善;另一方面通过对接近最优解的一定范围内次优解进行局部更新,避免了算法容易收敛于局部最优解的缺点,极大地改进了最优解的全局特性.在MATLAB中构建了基于蚁群算法的TSP问题模型,仿真结果表明,独立的全局信息素使蚁群很快集中于各个次优解区域搜索,局部更新策略又使蚁群跳出局部级值寻找最优,仿真结果证明算法的改进十分有效.     

基于动态调节信息素增量的蚁群算法*

为了避免蚁群算法陷入停滞状态,研究了信息素的更新规则,并在信息素增量更新式中加入动态调节因子,使得次优路径上的信息素增量较大,其他路径则没有明显的变化,从而有利于蚂蚁在较短的时间内找到更好的解。仿真实验结果及收敛过程表明,改进后的算法解决旅行商问题具有更好的全局搜索能力。     

基于信息素扩散机制的双种群蚁群优化算法

针对基本双种群蚁群算法在进化中容易出现早熟、停滞的现象,对算法进行了改进.在双种群蚁群分别独立进化、定期进行信息交换的基础上,提出一种新的蚁群优化算法,通过建立信息素扩散模型,并在每种蚁群的局部信息素更新上采用扩散模型,使蚂蚁更好的发挥了协作能力.以旅行商(Travel Salesman Problem,TSP)问题为例的仿真实验表明,该算法比基本双种群蚁群算法具有更好的收敛速度和寻优能力.     

一种基于路径相似度的蚁群算法

提出了路径相似度的概念,并根据较优可行解与最优解的相似度,来进行路径选择和信息素更新,以求能更快加速收敛和防止早熟、停滞现象。该算法根据截之间的相似度,自适应地调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。     

一种带有竞争机制的混合蚁群算法

针对基本蚁群算法（AS）存在的不足,提出了一种同时包含竞争机制和多种寻优规则的混合蚁群算法（MCAS）。通过对TSP问题的仿真实验,表明MCAS算法选用适当的参数组合后,可以在不增加算法复杂度的前提下表现出比AS算法更佳的全局求解能力和鲁棒性。     

改进的蚁群算法及其在TSP中的应用

蚂蚁算法是一种元启发式优化算法,研究表明其具有较强的发现较好解的能力,但是也存在一些不足。根据蚂蚁算法的信息素更新的特性,提出了一种信息素更新的新方法,并把其应用于求解TSP问题,仿真结果表明,该方法具有很好的性能。     

新型的双种群蚁群算法

基于对蚂蚁种群中兵蚁和工蚁在觅食过程中合作关系的仿生,提出了一种改进型蚁群算法。在该算法中同时存在着兵蚁子种群与工蚁子种群两个种群,两个子种群并行搜索,通过兵蚁的分布来影响到工蚁的移动选择,以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡。基于旅行商问题的实验证明,算法具有较好的全局搜索能力和收敛速度。     

基于信息素智能更新的蚁群双序列比对算法

序列比对算法是生物信息学中重要的研究方向之一。提出了一种基于信息素智能更新的蚁群双序列比队算法,该算法利用历史最优信息来更新信息素,避免出现早熟现象,加速算法的后期收敛。实验表明该方法是有效性和可行的。     

一种基于格的蚁群算法

针对蚁群算法容易陷入局部搜索的问题,提出了一种基于格的蚁群算法。将问题空间划分为n块格子,基于随机策略,将m只蚂蚁分别放在n块格子中,对于每个格子,再次基于随机策略,将格子内的蚂蚁放置在不同的节点上。仿真结果显示,在不影响最优解的情况下,基于格的策略加速了算法的收敛性。     

利用信息量留存的蚁群遗传算法

提出一种结合蚁群算法中“信息量留存”思想的遗传算法．该算法将问题空间进行均匀分割，基于这些子空间选取初始种群，并定义每个子空间的初始信息量，遗传操作中根据信息量留存情况来控制个体选择．由于初始种群均匀地分散在解空间，降低了发生过早收敛的可能性；而采用蚁群算法中“信息量留存”的思想，可保证算法快速收敛到具有最优(次优)解的子空间，从而达到提高收敛速度的目的．     

基于启发式变异的蚁群算法

提出一种基于启发式变异的蚁群算法,结合传统蚁群算法和遗传变异算法的优点,利用蚁群算法找到一条全局近优解,采用启发式变异进行路径优化,并将优化信息以信息素的方式传递给下一代,从而快速得到全局最优解。以旅行商问题为例进行仿真实验,结果表明该算法比其他同类算法具有更好的性能。