动态自适应蚁群算法求解TSP问题

针对基本蚁群算法容易出现早熟和停滞现象的缺点,提出一种动态自适应蚁群算法,通过引入信息素的自适应调整策略,限制信息素范围以及动态增加信息素的局部更新方式,有效抑制收敛过程中的停滞现象,提高算法的搜索能力．该算法的性能在中国旅行商问题（China Traveling Salesman Problem,CTSP）和EilSO问题上得到验证．     

改进的蚁群算法在QoS网络路由中的应用

基本蚁群算法求解多约束的QoS网络路由时速度慢,容易出现早熟收敛和停滞现象,将信息素适量更新与变异的蚁群算法应用到网络路由问题中,使得每轮搜索后信息素的增量更好地反映了解的质量,实验仿真表明该思想的引入加快了收敛速度,在很大程度上弥补了基本蚁群算法在解决网络路由优化问题时出现的不足。     

基于改进的混沌蚁群算法的网络路由优化研究

在网络路由性能优化的研究中,针对蚁群算法易陷入早熟、停滞和寻优时间过长等缺点进行改进,给出了改进的混沌蚁群算法的网络路由优化方法。混沌运动具有随机性、遍历性和对初始条件的敏感性等特点,故可利用混沌初始化信息素来改善个体质量和混沌扰动来避免搜索陷入局部最优,同时由于蚁群算法中的信息素更新公式不能准确的区分解的优劣程度,故引入新的信息素更新公式,加强蚁群搜索时的正反馈性能,加速算法的收敛。仿真结果表明了改进算法的有效性和可行性。     

QCSA-ACO路由算法设计

对移动自组织网路由协议进行研究,分析了基于蚁群算法的移动自组织网路由协议,提出了基于蚁群算法的快速收敛拥塞避免的路由算法--QCSA-ACO(quick convergence stagnation avoidance-ant colony optimization).通过使用设置信息素门限、信息素奖惩措施和噪声选路措施,加快了路由收敛速度,避免了蚁群算法使用中由于信息素过度集中造成的搜索停滞现象.仿真实验结果表明,该算法能够提高移动自组织网的性能.     

蚁群算法在无线传感器网络中的应用研究

针对蚁群算法（Ant ColoW System,ACS）在无线传感器网络路由中对网络拥塞问题和能量控制方面的不足,提出了一种改进的蚁群算法。该算法将蚁群的信息素与网络节点的能量结合起来,在蚁群算法收敛的同时,通过动态地调整信息素来减少其最优路径上的信息素浓度．通过采用最优、最差路径信息素全局更新策略加快搜索速度,避免了网络拥塞和个别节点能量消耗过快的问题。从而延长了整个网络的生命周期。通过实验验证了该方法的可行性,并给出了实验结果。     

一种基于蚁群算法的WSN路由算法

针对蚁群算法（Ant Colony System,ACS）在无线传感器网络路由中对网络拥塞问题和能量控制方面的不足,提出了一种改进的蚁群算法。该算法将蚁群的信息素与网络节点的能量结合起来,在蚁群算法收敛的同时,减少其最优路径上的信息素浓度,避免了网络拥塞和个别节点能量消耗过快的问题,从而延长了整个网络的生命周期。通过实验验证了该方法的可行性,并给出了实验结果。     

Ad Hoc网络中基于遗传蚁群算法的QoS多播路由算法

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,把蚁群算法和遗传算法融合起来,提出了一种遗传蚁群算法（GAAC）来解决Ad Hoc网络中QoS路由问题。首先利用遗传算法生成信息素分布,然后用蚁群算法求精解,优势互补,期望获得优化性能和时间性能的双赢。并针对算法应用于Ad Hoc网络QoS路由普遍产生的拥塞问题,采用拥塞回避的策略,从而实现网络业务流负载均衡。仿真表明该算法比其它单一采用蚁群算法进行路由选择更适合于动态Ad Hoc网络环境。     

改进蚁群算法在QoS组播路由中的应用

QoS组播路由是网络传输中的一项关键技术,蚁群算法是解决多QoS约束组播路由问题的一种启发式算法。针对蚁群算法的缺点,提出了一种双向蚁群算法对该问题进行求解,并改进了蚁群算法的信息素更新策略。仿真实验表明,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大,算法保持了良好的特性。     

基于遗传蚁群算法的QoS路由算法研究

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,引入遗传蚁群算法（Genetic Algorithm Ant Colony algorithm）GAAC来解决QoS路由问题。算法设计的基本思想是首先由遗传算法产生较优解,较优的路径留下信息素,其他路径不改变,然后在有一定初始信息素分布的情况下,用蚁群算法求精解。仿真表明算法比单一采用遗传算法和蚁群算法进行路由选择具有更好的性能,且更适合于动态网络环境下的QoS路由选择。     

基于一种新的蚁群算法的QoS组播路由问题的研究

在解决QoS（Quality of Service）组播路由问题上,针对蚁群算法缺点,提出了一种融合量子粒子群算法（QPSO）思想的多行为蚁群算法。该算法采用QPSO作为前期搜索,根据各粒子历史最优值来初始化路径信息素浓度,后期利用多行为蚁群算法来优化路径。仿真结果表明：该算法寻优能力强,可靠性高,是解决QoS组播路由问题的有效方法。     

Ant colony optimization for routing and load-balancing: survey and new directions

Although an ant is a simple creature, collectively a colony of ants performs useful tasks such as finding the shortest path to a food source and sharing this information with other ants by depositing pheromone. In the field of ant colony optimization (ACO), models of collective intelligence of ants are transformed into useful optimization techniques that find applications in computer networking. In this survey, the problem-solving paradigm of ACO is explicated and compared to traditional routing algorithms along the issues of routing information, routing overhead and adaptivity. The contributions of this survey include 1) providing a comparison and critique of the state-of-the-art approaches for mitigating stagnation (a major problem in many ACO algorithms), 2) surveying and comparing three major research in applying ACO in routing and load-balancing, and 3) discussing new directions and identifying open problems. The approaches for mitigating stagnation discussed include: evaporation, aging, pheromone smoothing and limiting, privileged pheromone laying and pheromone-heuristic control. The survey on ACO in routing/load-balancing includes comparison and critique of ant-based control and its ramifications, AntNet and its extensions, as well as ASGA and SynthECA. Discussions on new directions include an ongoing work of the authors in applying multiple ant colony optimization in load-balancing.     

一种基于动态加权规则的自适应蚁群算法

介绍了蚁群算法的基本思想,针对传统蚁群算法容易出现的慢收敛和易停滞等不足,提出了一种改进的蚁群算法。该方法将加权的思想引入蚁群信息素的更新当中,实验结果表明该方法相比传统的一些蚁群算法具有更好的搜索全局最优解的能力,能在加快收敛速度和降低停滞现象之间取得一个很好的平衡。     

基于改进信息素的蚁群算法在QoS 组播路由中的研究

针对传统的蚁群算法在求解大规模旅行商问题时容易导致搜索时间过长或陷入停滞的问题,提出了一种基于改进信息素的蚁群算法。通过蚁群算法的改进,使得每轮搜索之后的信息素都能更好地反映解的质量。实验仿真结果表明,改进后的蚁群算法能获得比传统的蚁群算法更优的解,同时具有更快的收敛速度和较好的稳定性。     

混沌扰动模拟退火蚁群算法低碳物流路径优化

低碳物流是目前物流配送领域的热点研究课题,也是群体智能优化算法的重要应用方向。针对物流配送中碳排放的度量方法,以VRP问题为基本模型,以碳排放成本为目标函数,建立了低碳物流配送路径优化模型。为了避免基本蚁群算法出现停滞及早熟现象,提出了带混沌扰动的模拟退火蚁群算法来求解低碳物流配送路径优化模型。该算法将混沌系统及模拟退火机制引入基本蚁群算法,避免了算法陷入局部最优,增强了全局搜索能力,提高了求解效率。通过实验仿真及对比分析可知,带混沌扰动的模拟退火蚁群算法的求解结果明显优于基本蚁群算法,表明了该算法的有效性和合理性。     

基于多态自适应的蚁群算法研究

针对基本蚁群算法易陷入局部最优,收敛速度慢等不足,提出了一种多态自适应蚁群算法：首先引入不同种类的蚁群,每种蚁群有各自不同的信息素调节机制;其次采用自适应调整信息素挥发因子的策略,并将各条寻优路径上可能的残留信息素数量限制在一个区间内,避免出现停滞现象。仿真结果验证了文章所提算法的可行性和有效性。     

基于改进精英机制的双种群蚁群算法

针对蚁群优算法在进化中容易出现早熟和停滞的现象,对基本蚁群算法进行了改进。借鉴生物群体的相互协作机理,将蚁群算法中的蚂蚁分成两个群体分别独立进行进化,并定期进行信息交换。同时,将遗传算法中排序的概念扩展到精英机制当中,形成基于优化排序的精英蚁群系统。两方法相结合,有效缓解了因信息素浓度失衡而造成的局部收敛,改进算法的搜索性能,计算结果也表明该算法有效性和可行性。     

基于改进势场蚁群算法的机器人路径规划

提出一种全局静态环境下移动机器人路径规划的改进势场蚁群算法.该算法采用人工势场法求得的初始路径和机器人与下一个节点之间的距离综合构造启发信息,并引入启发信息递减系数,避免了传统蚁群算法由于启发信息误导所致的局部最优问题;依据零点定理, 提出初始信息素不均衡分配原则,不同的栅格位置赋予不同的初始信息素,降低蚁群搜索的盲目性,提高算法的搜索效率;设定迭代阈值,自适应调节信息素挥发系数,使得该算法具有较高的全局搜索能力,避免出现停滞现象.仿真结果验证了所提出算法的可行性和有效性.     

基于拥挤度的参数自适应蚁群系统

在蚁群算法中,如何有效处理加速收敛和出现早熟、停滞现象的矛盾一直是一个困难的问题。通过引入拥挤度来加强搜索过程中蚂蚁之间的协调和配合,提出了一种基于拥挤度的参数自适应蚁群算法。该算法采用提前主动预防早熟的策略,将拥挤度嵌入到蚁群算法的状态转移和信息素更新过程中,让局部信息素更新参数随局部搜索状态自适应地调整,全局信息素更新参数随全局搜索状态自适应地调整,大大提高了算法全局搜索能力和自适应能力,同时采用了一种简单有效的变异算法来加快收敛速度。用多个TSPLIB范例进行比较实验,结果表明,改进算法无论是求解质量、稳定性以及收敛速度都有显著提高。     

多蚁群伪并行优化算法

针对传统蚁群算法容易出现早熟和停滞现象,提出了一种多蚁群伪并行优化算法,将蚁群分成若干个子蚁群,在各子蚁群中引入信息素平滑机制,通过设计迁移算子,使多个子蚁群并行、协同寻优,从而使算法跳离局部最优解。类比实验表明,该算法比传统的蚁群算法具有更好的搜索全局最优解的能力。