改进的牵引移动的蚁群算法在2D HP模型中的应用

蛋白质折叠问题就是从氨基酸序列中预测蛋白质的构象,该问题是生物信息学的一个突出问题。主要研究二维HP格点模型,它是用于模拟蛋白质折叠问题的一个具有代表性的简化模型,并且将蚁群算法用于求解该二维HP蛋白质的折叠问题。此外,在局部搜索机制中引入一种改进的牵引移动方法,这是一个提高蛋白质构象的有效方法。实验结果表明,针对较长的氨基酸序列,改进的带牵引移动的蚁群算法(ACO+)比ACO能够获得更低能量的构象,证明了所提出的改进蚁群算法是预测蛋白质结构的有效方法。     

基于启发式机制的改进蚁群算法

针对蚁群算法在求解最短路径问题时收敛速度慢,容易陷入局部最优解的问题,提出基于启发式机制的改进蚁群算法.在蚁群系统（ant colony system,ACS）算法基础上通过候选节点到目标点的距离动态调整启发函数,提高收敛速度;算法陷入局部最优时,引入惩罚函数,使当前最优路径上的信息素快速下降而降低蚂蚁下一次搜索正反馈的影响,避免算法陷入局部最优.仿真实验表明,在复杂环境中,包括终点处存在凹形障碍物时,该算法在解的质量和收敛速度上都显示出了良好的性能.     

改进蚁群算法在电力线路检修计划中的应用

为了提高制定电力线路检修计划的效率,结合图论中的图着色问题,对辽宁省电力有限公司的线路检修计划进行了制定。在制定的过程中采用了改进的蚁群算法,其算法的核心是蚂蚁的数量随着迭代次数的不同由多变少,增强局部搜索能力,再由少变多,增强全局搜索能力。该算法利于跳出局部最优点,循环变化,在一定程度上防止在寻优过程中过早出现停滞现象。改进蚁群算法的优点是在求得满意解的基础上,大大提高了算法的速度。仿真实验结果表明,新算法的寻优效率优于基本的蚁群算法。     

基于遗传-模拟退火的蚁群算法求解TSP问题

传统的蚁群算法具有收敛性好、鲁棒性强等优点,但在解决旅行商(TSP)问题方面存在收敛时间长,容易出现停滞等问题;为了提高传统蚁群算法的解的质量,本文提出了基于遗传-模拟退火的蚁群算法(G-SAACO),将遗传算法和模拟退火算法引入蚁群算法中;其方法是在传统蚁群算法中引入遗传算法的变异与交叉策略来得到候选解,增加解的多样性;同时引进模拟退火算法机制,使得在高温时以较高概率选择候选集中比较差的解加入最新集,温度控制上加入了回火机制,进一步提高解的质量;为了检验改进的蚁群算法,随机选用了TSPLIB中的部分城市进行仿真,结果与传统蚁群算法、模拟退火蚁群算法、遗传蚁群算法相比,算法具有较强的发现较好解的能力,同时增强了平均值的稳定性。     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.     

基于改进蚁群算法的自动化立体仓库路径优化研究

目前,自动化立体仓库广泛应用于物流行业。为了提高仓库中货物的存取效率,可采用蚁群算法解决堆垛机路径优化问题。针对传统蚁群算法中易得到局部最优解的缺陷,笔者采用改进的蚁群算法,引入信息素调整因子,改变路径中各节点上的信息素浓度,减少局部最优现象。仿真实验结果表明,改进的蚁群算法能较好解决路径优化问题。     

基于量子蚁群算法的无线传感器网络路由

无线传感器网络路由是无线传感器网络研究领域的一个研究热点;针对能最控制在无线传感器网络路由上的特殊要求,为了促使网络节点能量消耗相对均衡,研究者将蚁群算法应用于无线传感器网络的路由,但是蚁群算法在求解无线传感器路由问题时存在易于陷入局部最优和收敛速度慢等问题,将量子蚁群算法应用于无线传感器网络路由,用量子比特的概率幅表示蚂蚁当前位置信息,用量子旋转门更新蚂蚁携带的量子比特,用量子非门实现蚂蚁所在位置的变异;仿真实验表明该方法具有收敛速度快,解的质量高、稳定性好等优点,为蚁群算法在无线传感器网络中应用提出了一种新的解决方案.     

具有分段和变异特性的蚁群算法求解TSP问题

常规蚁群算法具有搜索时间较长,易于过早地收敛于非最优解的缺陷。为了提高蚂蚁一次周游的质量,采用具有轮盘赌方式的最大最小蚁群算法（MMAS＋RW）,即在依据概率选择下一个城市时采用轮盘赌的方式。提出一种具有分段和变异特性的蚁群算法。该算法融合了分段的分而治之思想和遗传算法中的变异,有利于保持群体多样性的特性,是在采用轮盘赌方式的最大最小蚁群算法陷入局部最优解的情况下,引入随机分段和遗传算法的变异操作来优化当前最优解,改善解的质量,改进蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验表明取得了较好的效果。     

蛋白质折叠问题的蚁群优化算法研究

蛋白质是一类重要的生物大分子,在生物体内占有特殊的地位,是生命的主要承担者。而研究蛋白质的折叠,是生命科学领域的前沿课题之一。在概述蚁群算法及2D HP蛋白质模型的基础上,针对蛋白质折叠问题提出一种蚁群优化算法,并用几个比较典型的模型对其进行仿真实验,结果表明该蚁群优化算法在求解蛋白质折叠问题时表现出了良好的性能。实践表明该算法具有很高的应用价值。     

一种改进的蚁群算法在TSP问题中的应用研究

蚁群算法是近几年发展起来的一种新型的拟生态启发式算法,它已经被成功地应用在旅行商(TSP)问题上.由于基本蚁群算法存在过早陷入局部最优解和收敛性较差等缺点,文中对基本蚁群算法在基于蚁群系统的基础上进行了改进,在信息素的更新和解的搜索过程中更多地关注了局部最优解的信息,以使算法尽可能地跳出局部最优,并且改进后的算法对一些关键参数更容易控制.多次实验表明改进的蚁群算法在解决TSP问题上与基本蚁群算法相比有较好的寻优能力和收敛能力.这种算法可以应用在其它组合优化问题上,有一定的工程应用价值.     

一种求解高校最短路径的改进的启发式蚁群算法

启发信息是地理信息系统（GIS）中的关键,针对蚁群算法易陷入局部最优的缺陷,提出一种带有启发信息的改进蚁群算法。i亥算法在初始化蚁群时引入启发信息指引蚂蚁快速收敛于全局最优解,为平衡全局与局部搜索能力,也改进状态转移概率算子,从而有效提高算法性能,增加种群多样性。实验以Visual Studi02005中C＋＋编程实现仿真,结果表明此算法不但能有效求解GIS的最短路径,而且改进的算法能快速地收敛且精度高。     

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。     

一种动态挥发率和启发式修正的蚁群优化算法

群体智能的研究为分布式控制和优化提供了更好的方法,以蚁群算法为代表的群体智能已经得到了大量的研究,并广泛应用于组合优化领域.但是在求解组合优化问题特别是在求解规模较大的问题时,收敛速度慢、易于停滞等现象仍然制约算法的广泛应用.为此,提出了DEAHACO算法,该算法提出动态挥发率机制,用以更好地平衡求解效率和求解质量之间的矛盾,避免算法陷入局部最优;同时,为了加快算法的收敛速度,对启发式信息进行了重新定义,以指导算法快速收敛;最后,引入了边界对称变异策略对迭代结果进行对称变异,既提高了变异效率,也改进了变异质量.实验表明,该算法与其他算法相比,其收敛速度提高了20%以上,同时算法在其他一些经典的TSP问题上也表现出很好的性能.     

基于文化的连续蚂蚁优化算法的研究*

针对蚂蚁优化算法在求解连续空间问题方面的缺陷,提出一种基于文化的连续蚂蚁优化算法。该算法将蚂蚁优化算法纳入文化算法的框架,组成基于蚂蚁优化算法的主群体和信念的两大空间。在知识和群体层面使用双重进化机制支持问题的求解和知识的提取,从而充分利用精英蚂蚁所携带的特征信息,在很大程度上提高了收敛速度,增强了搜索的多样性。实验结果表明,该算法求解速度快、寻优成功率高,是一种提高蚂蚁优化算法性能的有效算法。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

调查传播算法和蚁群算法相结合求解可满足性问题

布尔可满足性问题(Boolean Satisfiability Problem,SAT)是逻辑学的一个基本问题,也是NP-hard问题。调查传播算法(Survey Propagation,SP)是求解SAT的一种非常高效的算法,但SP在难解区域极易不收敛,或者出现错误赋值。将SP算法与蚁群算法结合,把SP算法得到的消息值应用到蚁群算法中来求解3-SAT问题,使用这些消息值引导蚁群算法求解,并在算法中加入高效的局部搜索。新算法对于SP算法不收敛的一些实例也能很快找到解。     

一种启发式动态信息素更新策略的蚁群算法

针对蚁群系统（ACS）在解决TSP问题上存在易陷入局部最优和收敛速度较慢的问题,提出了一种改进的启发式蚁群算法。在迭代前期赋予伪随机因子较小的阈值,从而使蚂蚁能以较大的概率选择轮盘赌方式完成解的构建,扩大了解的搜索范围;同时通过引入迭代最优蚂蚁进行全局信息素更新,来进一步增加了解的多样性,使算法避免陷入局部最优。在迭代后期随着伪随机因子参数值变化幅度的加快,则用至今最优蚂蚁来取代迭代最优蚂蚁,以促进搜索进程很快的向最优解附近收敛,加快了收敛的速度。实验仿真结果表明改进后的算法在前期能够有效地跳出局部最优,并且在后期能够明显提升收敛速度。     

改进的蚁群算法求解蛋白质折叠问题

针对蛋白质折叠问题的二维格点模型(2DHP)提出了一种改进的蚁群算法(ACO).受链生长型算法Pruned-Enriched Rosenbluth Mvthod(PERM)的启发,在计算迹的时候增加了一个新的信息量,使得改进后的蚁群算法具有较快的收敛速度,同时采用基于极值动力学的优化方法(EO)进行局部搜索.求解基准实例的结果表明,该算法能够在保证解质量的前提下能大大缩短计算时间.     

Replenishment policy based on modified ant colony optimisation and statistical analysis under the pre-order penetration point

In the supply chain, most businesses in the pre-order penetration point (pre-OPP) operate under the forecast-driven mode, so that the decisions regarding inventory are made in accordance with the forecast and replenishment planning. This paper considers the stochastic dynamic lot-sizing problem of the two-phased transportation cost, service level constraint, and cash flow under a non-deterministic demand. This problem includes a nonlinear integer programming sub-problem. Therefore, this paper proposes an optimisation replenishment policy method based on modified ant colony optimisation (ACO) and response surface methodology. The main differences between the modified ACO and the traditional ACO lie in the modified update of pheromone intensity and the dynamic mutation operator. The experimental result shows that when the demand is normal distribution, the proposed approach, successfully finds the stationary point of minimum response. Besides, in the test of the algorithm solution quality, the modified ACO is better than the traditional ACO in all scenarios.