基于改进蚁群算法的聚类分析

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用.聚类问题可以归结为一个优化问题.蚁群算法(Ant Colony Algorithm)已成功地解决了许多组合优化的难题.介绍一种蚁群聚类算法,并进行了优化,提出一种改进的蚁群聚类算法.它改进了蚂蚁搜索解的方法,并引入均匀交叉算子,将蚁群算法和遗传算法融合.它提高进化速度,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷.仿真实验取得了较好的结果.     

基于聚类分析的增强型蚁群算法

针对蚁群算法存在的早熟收敛、搜索时间长等不足,提出一种增强型蚁群算法.该算法构建了一优解池,保存到当前迭代为止获得的若干优解,并提出一种基于邻域的聚类算法,通过对优解池中的元素聚类,捕获不同的优解分布区域.该算法交替使用不同簇中的优解更新信息素,兼顾考虑了搜索的强化性和分散性.针对典型的旅行商问题进行仿真实验,结果表明该算法获得的解质量高于已有的蚁群算法.     

基于并行多种群自适应蚁群算法的聚类分析

数据聚类是数据挖掘中的一个重要课题。聚类问题可以归结为一个优化问题。蚁群算法作为一种鲁棒性很强的优化算法具有很强的全局优化能力。该文给出了一种并行多种群自适应蚁群算法。该算法采用多种群并行搜索,并在种群中采用基于目标函数值的启发式信息素分配策略和根据目标函数自动调整蚂蚁搜索路径的行为。理论分析和仿真实验表明,该算法是非常有效的。     

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。     

基于交税的蚁群算法及其在TSP中的应用

蚁群算法是一种新型的元启发式优化算法,已成功地应用到TSP等多种组合优化问题,但是算法存在一些缺点,如容易早熟,收敛速度慢等,针对这些缺点,提出了一种交税蚁群算法.根据缴纳个人所得税的方式,在进行全局信息素更新的时候,每隔一段时间,当前最优路径再缴纳一定的信息素税,从而提高了算法搜索较好解的能力.通过仿真实验,并与蚂蚁系统和蚁群算法进行比较,试验结果表明,该算法在避免早熟方面和搜索最优解方面具有较好的表现.     

蚁群算法的改进策略

蚁群算法是模拟蚂蚁活动规律而提出的一种元启发式优化算法,研究表明其具有很多优点,在解决优化问题时表现出很好特性,但也存在一些缺陷。因此,许多学者提出了许多改进算法。该文对算法的改进策略进行研究,形成结论,为算法进一步发展提供参考。     

蚁群算法的改进策略

蚁群算法是模拟蚂蚁活动规律而提出的一种元启发式优化算法,研究表明其具有很多优点,在解决优化问题时表现出很好特性,但也存在一些缺陷。因此,许多学者提出了许多改进算法。该文对算法的改进策略进行研究,形成结论,为算法进一步发展提供参考。     

蚁群算法及其在智能交通中的应用

随着经济的快速发展,人们的生活水平也得到了一定的提高,私人汽车拥有量在不断的增加.随着私有汽车的数量不断的提高,交通问题也在日益严重,交通问题现在已经成为了城市发展的重要阻碍.智能交通系统可以有效的去解决现在社会对于交通的需求,同时也能解决消费者之间的供给问题.智能交通系统主要是以人工智能技术为支撑,可以有效的缓解交通拥挤的现状.     

智能优化算法在聚类分析中的应用

聚类分析是数据挖掘的重要技术,可根据数据间的相似程度,将数据进行分类,现已广泛应用于工程和技术等领域中。元胞蚁群算法是在将元胞自动机的邻居和规则引入传统蚁群算法的基础上,利用元胞在离散元胞空间的演化规律和蚁群寻优特点的新型优化算法。针对聚类分析的特点,利用元胞蚁群算法进行求解,经实验测试和验证,获得了较好的结果。     

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.     

改进的蚁群算法求解旅行Agent问题

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点。旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent 为完成用户指定任务,在不同主机间移动时的迁移策略问题。在蚁群算法的基础上,引入变异运算,并且对蚁群算法的全局和局部更新规则进行改进,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移。仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法。     

基于改进蚁群算法的出租车路径规划算法

交通资源规划是一种比较典型的组合优化问题,新型的仿生算法--蚁群算法,由于具有正反馈性、鲁棒性、并行计算、协同性等特点,非常适合于解决交通资源规划问题.针对出租车路径规划问题的特点以及蚁群算法在这方面应用的一些不足,提出了一种改进的蚁群算法.根据同一蚁群的信息素相互激励,不同蚁群之间信息素相互抑制的原理,该算法实现了出租车资源的合理分布.     

基于改进型蚁群算法的MFJSSP研究*

为了对MFJSSP进行优化,给出了改进的基于蚁群算法的MFJSSP解决方法。改进后的算法根据工件数量确定子集数量。给出了可选工作集的构建方法及在寻优过程中的邻域搜索策略,并对蚁群算法的参数选择问题进行了讨论。完成了MFJSSP中蚁群算法的改进,并将改进后的蚁群算法应用于解决4×5问题和8×8问题,取得了较理想结果。实验结果证明所提出的算法在解决MFJSSP上是一种可行、有效的解决方法。     

求解旅行商问题的改进蚁群算法研究

针对蚁群算法收敛速度慢的问题,对蚁群算法信息素更新规则进行研究,提出一个基于迭代思想的信息素更新规则。对信息残留因子进行实验,确定在新的信息素更新规则下信息素挥发系数的最佳合理值。最后针对eil51问题和dantzig42问题两个例子的仿真实验对比基本蚁群算法。实验结果表明,改进的蚁群算法在收敛性和求得最优解方面都明显优于基本蚁群算法和其它人工智能算法。     

基于蚁群算法的矢量量化水印

提出了一种基于蚁群算法优化的矢量量化水印算法。为了用蚁群算法进行优化,首先建立了矢量量化、水印嵌入及通过噪声通道的误差模型,并给出了简化模型。在该模型中,由于水印嵌入和通道噪声直接与码字索引相关,所以该模型误差由索引值决定,又由于码字索引的确定是NP难度问题,故引入蚁群算法对其优化是方便的,优化目标是降低误码率和使不可见性达到最佳。本研究将蚁群算法引入数字水印,实验表明该优化是可行的。     

基于蚁群遗传混合算法改进的连接查询研究

连接查询优化技术对提升数据库性能至关重要,提出一种改进的连接查询算法,结合Wander Join连接查询算法,使用蚁群遗传混合算法对连接顺序进行优化。执行新的连接计划后,用剪枝策略降低样本的连接复杂度,达到了减少存储代价的目的。 理论分析和基于TPC-H数据集、TPC-DS数据集的算法对比实验表明,在多表连接的样本置信区间大于或等于95%的条件下,根据选择率的不同,加入蚁群遗传混合算法和剪枝策略的连接查询算法的相对错误率与Wander Join连接查询算法相比下降了20%～70%。     

基于改进蚁群算法的越野路径规划

针对车辆的越野路径规划问题,研究并分析了地形坡度和地表属性对于车辆路径规划的综合影响。引入了“窗口移动法”对地形进行先期的坡度计算和通行性分析,就轮式车辆和履带式车辆分别建立了地表属性的粗糙度评价指标,并采用“面积占优法”将地表属性栅格化。通过建立禁忌表,叠加了坡度与粗糙度的约束影响以减少搜索范围,提高搜索效率。构造了改进蚁群算法的估价函数,并结合路径表设计了考虑坡度和粗糙度约束的路径优化算法。仿真结果表明,该算法能够快速有效地实现符合真实地形环境的越野路径规划。     

基于改进蚁群算法的多序列比对

提出一种基于改进蚁群算法的多序列比对方法。该算法改变了信息素的更新方式、字符的选择方法、蚂蚁在蚁巢和食物之间往返搜索以及随机分配蚂蚁开始序列等。实验结果表明,改进后的算法不仅有效地克服了基本蚁群多序列比对算法中的停滞现象,而且即使在运行的后期,仍然能以极大的概率搜索较好解。     

基于蚁群的图像情感特征聚类算法的研究

随着图像检索系统的发展,合理地组织和管理图像数据库已经逐渐成为图像检索的关键。首次将蚁群聚类算法应用在基于图像特征的情感聚类分析中,并对原有的蚁群聚类算法进行了改进。该算法通过计算样本间的欧式距离确定起始蚂蚁,模拟蚂蚁对食物的捡起和丢弃行为,根据提取的图像主颜色特征,对图像情感进行聚类。实验表明该算法能够取得较好的聚类效果和较高的检索效率。     

基于蚁群算法的QoS最佳路由选择问题的研究

针对当前通信网络中存在的服务质量问题提出了满足QoS约束的最佳路由选择算法——蚁群算法,该算法是一种新型的进化算法。与其它进化算法一样存在搜索时间过长和易于陷入局部最优解等缺陷。提出了一种通过动态地调整信息素的挥发度和采用最优、最差路径信息索全局更新策略来克服上述缺陷。改进型算法能较快地收敛到全局最优解。仿真结果表明上述方法是可行和有效的。