遗传蚁群融合算法求解航迹规划问题对比研究

蚁群算法和遗传算法的融合是目前的研究热点之一,因此研究不同的遗传蚁群融合算法对算法的选择及其改进具有积极的意义.研究了遗传算法的编码方式、交叉方式及变异操作和蚁群算法的原理,且着重研究了遗传蚁群混合算法、蚁群遗传混合算法、同遗传算法整合的蚁群算法等三种融合算法,并应用这三种算法在求解航迹规划问题上进行了仿真研究,对所得的最优解从精度和快速性对其进行了分析和比较,可以得出遗传蚁群算法快速性最好但精度稍差,同遗传算法整合的蚁群算法精度最好但比较费时,蚁群遗传算法的精度和快速性介于前两种算法之间.     

基于遗传-蚁群算法的无线Mesh网QoS路由算法研究

针对无线Mesh网QoS的路由特点,结合遗传算法扣蚁群算法的特性,设计了一种遗传算法和蚁群算法相融合的算法,提出了遗传-蚁群算法求解无线Mesh网QoS路由问题的解决方案.该算法采用遗传算法生成初始信息素分布,利用蚁群算法求精确解,并在遗传算法运行过程中动态确定遗传算法与蚁群算法的最佳融合时机,实现两个算法的优势互补.实验结果表明,该算法在无线Mesh网QoS路由选择中是高效的,性能明显优于遗传算法和蚁群算法.     

基于遗传算法和蚁群算法融合的QoS路由算法*

面向QoS路由问题,设计了一种基于遗传算法和蚁群算法融合的QoS路由算法(QoS routing algorithm according to the combination of the genetic algorithm and ant colony algorithm,GAACO_QoS).利用遗传算法生成初始解,将其转换为蚁群算法所需的信息素初值,然后利用蚁群算法求取最优解.设置遗传算法控制函数来控制遗传算法和蚁群算法融合的适当时机.通过与遗传算法以及蚁群算法的比较,进一步说明算法的有效性.     

求解Job-shop调度问题的遗传蚁群算法*

描述了Job-shop调度问题,研究遗传算法和蚁群算法在解决Job-shop问题中的优点和不足,融合遗传算法和蚁群算法设计了遗传蚁群算法以求解Job-shop调度问题,并对算法进行了仿真实验,通过与遗传算法、蚁群算法及已有的遗传算法和蚁群算法的融合算法结果的对比,验证了该算法的有效性。     

遗传算法在蚁群算法中的融合研究

提出一种新的求连续空间最优值的蚁群算法.结合遗传算法和蚁群算法的各自优点以及两种算法融合的基础,提出遗传算法融入到蚁群算法的两种新策略:第一种策略是先利用遗传算法具有比较强的全局搜索能力,在大范围内寻找一组解,然后以此为基础,用蚁群算法快速寻找最优解X*best;另一种策略是利用遗传算法的交叉操作产生蚁群算法的新的旅行路径,以此提高蚁群算法的全局搜索能力.用上述两种策略构造了两个基于遗传算法的混合蚁群算法.文中用测试函数Rosenbrock和Shubert从收敛速度、命中率、计算精度等方面验证了混合蚁群算法的正确性.     

一种求解TSP的混合遗传蚁群算法

结合遗传算法和蚁群算法,提出了一种求解TSP的基于启发式遗传信息的蚁群遗传算法。该算法由蚁群遗传算法和基于启发式遗传信息的蚁群算法两部分组成。蚁群遗传算法将蚁群算法和遗传算法结合起来,提高了遗传算法的种群的多样性;基于启发式遗传信息的蚁群算法是将启发式遗传信息加入到蚁群算法中,防止蚁群算法对信息素过分依赖,缩小最优解的搜索空间。HGI ACGA算法是将启发式遗传信息加入到蚁群遗传算法中,可以提高蚁群算法的收敛速度和寻优能力。实验结果表明,HGI ACGA算法在收敛速度和收敛精度上均优于ACGA和ACA算法。     

蚁群算法和遗传算法融合及其在有时间窗的车辆路径问题中的应用

针对基本蚁群算法搜索时间长、易陷入局部最优的缺点,提出了一种蚁群算法和遗传算法相融合的混合算法.该算法利用遗传算法全局快速收敛的优点,将遗传算法融入到蚁群算法的每一次迭代中,以加快算法的收敛速度,提高求解效率.实例运行结果验证了算法的有效性.     

一种基于遗传—蚁群算法的网格任务调度策略*

针对遗传调度算法局部求解能力不足、容易早熟和退化的问题,以及蚁群调度算法初始搜索阶段效率低下的缺陷,充分应用遗传算法全局搜索能力较好和蚁群算法求解精度较高的优势,提出了一种基于遗传-蚁群算法的网格任务调度策略.该方法集成了遗传算法和蚁群算法的双重优点.仿真测试结果表明,提出的网格任务调度方法总体上优于遗传算法和蚁群算法...     

基于遗传蚁群算法的雾计算任务调度研究

雾计算是部署在网络边缘的分布式系统,任务调度是雾计算中最重要的研究问题之一.针对雾计算环境下任务请求的合理调度问题,提出基于雾计算的遗传蚁群算法.算法前期利用遗传算法快速搜索能力避免蚁群算法前期搜索能力不足的问题,后期利用蚁群算法正反馈的特性进行解空间的搜索.仿真实验结果表明,该算法在CPU执行时间和分配内存方面优于传统的遗传算法和蚁群算法.     

硬件进化中演化算法的研究及应用

详细介绍了硬件进化的概念,硬件进化的原理与实现思想,遗传算法与蚁群算法动态融合的基本原理,融合后算法中遗传算法及蚁群算法规则.融合过程中遗传算法与蚁群算法动态衔接问题以及融合后的算法在硬件进化中的应用过程.最后,分析了通过该算法进化后硬件的进化应用前景.