蚁群算法和免疫算法的融合及其应用

蚁群算法作为一种启发式算法，其参数组合一般是通过大量实验取得的。文中将免疫算法和蚁群算法相结合，即用免疫算法来求得蚁群算法中关键参数的较优组合，以增强蚁群算法的有效性。通过求解QoS单播受限路由问题的仿真实验，表明融合算法是有效的。     

遗传算法调整蚁群算法参数模型研究

由于蚁群算法参数取值范围的不确定性和参数之间的相互影响性,如何确定待解决问题蚁群算法的最优组合参数使得其求解性能最优成为一个难题,至今对该问题还没有完善的理论依据,大多数情况下是通过反复试验试凑得到。根据这些问题,通过平衡蚁群算法探索和开发能力,建立算法性能评价目标函数,采用遗传算法对蚁群参数进行求解,从而得到一组性能较佳的组合参数。基于经典TSP问题进行试验模拟,仿真实验结果表明,该模型能够有效地确定蚁群算法参数,为蚁群算法组合参数的选择提供了一种可行方案。     

蚁群模拟退火算法在测试用例约简中的应用

参数的成对组合覆盖测试技术是软件测试中有效的测试方法之一。该文将模拟退火思想引入蚁群算法,组成新的混合算法,即蚁群模拟退火混合算法(ASA),应用在组合测试用例的约简过程中。按照测试的特殊需求进行多种建模尝试,通过仿真实验对算法涉及的参数进行研究,实验验证了ASA 算法对测试用例集的约简作用是有效的。     

多态蚁群算法中多参数的组合匹配探讨

多态蚁群算法是一种新的模拟进化算法,对组合优化问题具有较强的求解能力。但如果算法中的参数选择不当,会直接影响到算法的全局收敛性和求解效率。以TSP问题为例,对多态蚁群算法中参数α、β、ρ、队Q的作用作了理论上的研究,分析了组合参数的选择对寻优结果的影响,提出了用单纯形算法来确定多态蚁群算法中多参数的最优组合方法,阐述了该方法的思想及求解问题的过程。最后进行了仿真实验,实验结果表明该方法是切实可行的。     

基于免疫记忆的蚁群算法

充分利用前期迭代中解的信息是构造高效蚁群算法实现的关键之一.文中把免疫记忆和克隆选择的思想引入蚁群算法,提出了基于免疫记忆的蚁群算法(IMBACA).算法通过在原有蚁群模型上增加一个免疫记忆库,将记忆库中的解对应为免疫记忆细胞(及其产生的抗体),将问题对应为抗原,并借鉴克隆选择和免疫记忆的思想进行解的构造和信息素更新.算法从解的质量和时间方面与传统蚁群算法进行了比较,实验结果表明,所提出的IMBACA算法可明显提高传统蚁群算法的性能,同时也为解决其他组合优化问题提出了一个新的思路.     

基于车辆路径问题的蚁群算法参数的优化

蚁群算法是一种解决组合优化问题的有效算法,已得到日益深入的研究,并逐渐得到应用。蚁群算法的一个不足是,算法参数的设置往往凭借经验,缺乏充足的依据。文章以车辆路径问题（vehicleroutingproblem,VRP）为例,从一个烟草配送的智能决策系统中抽取一定量的数据,对蚁群算法中各参数与算法收敛性之间的关系进行了大量的仿真实验,通过对实验结果的分析,给出了解决此类问题时的一种优化算法参数的方法。     

面向TSP求解的混合蚁群算法

针对蚁群算法的早熟和停滞等现象,将免疫算法机制引入蚁群算法,提出用于TSP求解的混合算法。该算法具有蚁群算法的自适应反馈机理、收敛速度快和免疫算法操作算子简单和维持种群多样性、防止种群退化等特性。从算法解的质量与效率方面与基本蚁群算法和免疫算法进行比较,结果表明融合免疫机制的蚁群算法性能显著提高,也为解决其他组合优化问题提供一个新的思路。     

改进蚁群算法的TSP问题研究

蚁群算法是受蚂蚁觅食行为启发的智能仿生优化算法,在求解TSP这一组合优化问题时行之有效。笔者针对基本蚁群算法求解TSP时存在易于陷入局部最优解、过早停滞的缺陷,结合引入参数、分阶段迭代对基本蚁群算法做出改进,并将改进的蚁群算法与基本蚁群算法解决旅行商问题的实验结果进行对比分析,验证改进蚁群算法的效果。     

基于正交实验的蚁群算法在车间调度问题中的应用

提出用正交实验的方法来设置蚁群算法在求解车间调度问题的参数。蚁群算法在求解车间调度问题时的性能大部分依赖于参数的设置,各参数的值不同,则蚁群算法的收敛速度和得到的解也不同,使用正交实验的方法来测试各个参数对蚁群算法性能的影响,通过对实验结果的分析可得出参数的最佳组合方案。用经典的JSP的样例对这种组合方案进行了测试,实验结果表明用正交实验法得到的蚁群算法的参数设置方案可以加快算法的收敛速度,使算法能够得到问题的最优解或近似最优解。     

蚁群算法参数分析与组合优化设置研究

文章对蚁群算法中影响算法性能的参数进行了分析、研究和仿真,通过分析与仿真得出了算法中各参数的最佳取值范围和组合优化设置,参数的组合优化设置有助于提高蚁群算法的收敛速度,缩短蚁群算法的计算时间,以达到优化算法性能的目的.     

基于差分演化的自适应参数控制蚁群算法

蚁群算法存在对参数的依赖、早熟和停滞等缺点但具有与其他算法容易结合的特点,据此,将差分演化算法应用到蚁群算法的参数选取中,提出一种改进的蚁群算法。将蚁群算法的参数作为差分演化算法解空间的向量元素,在自适应地寻找蚁群算法最优参数组合的同时求解问题的最优解。改进算法对蚁群算法中的参数进行自适应调整,可避免大量盲目的测试,扩大蚁群算法的搜索空间,提高全局搜索能力。在典型的旅行商问题上进行对比实验,结果验证了改进算法的优化性能高于传统的蚁群算法。     

分级网络中基于链路可靠性的簇间路由算法

为减少分级Ad Hoc网络路由控制开销,降低洪泛信息冲撞概率和链路中断概率,提出一种基于链路可靠性的簇间路由选择算法,并给出实现步骤。在研究Ad Hoc分级结构网络特点和簇间路由特性的基础上,对影响簇间链路可靠性的多项因素进行分析,并定义相应的权值参数。将权值参数映射到蚁群算法的正反馈和启发信息的可变参数中,进而将蚁群算法应用于簇间路由发现机制。仿真结果证明,该算法可有效减少簇间路由的洪泛开销,提高路径寻优概率,从而增强簇间路由的可靠性。     

动态信息素更新蚁群算法在指派问题中的应用

建立指派问题的数学模型,将其转化为旅行商问题,利用蚁群算法求解此问题。蚁群算法是一种解决组合优化问题的有效算法,但同样存在搜索速度慢,易于陷于局部最优的缺陷。该文提出一种具有动态信息素更新的蚁群算法,通过具体的算例分析,表明该算法比传统的蚁群算法有更快的收敛速度和较好的稳定性。     

基于改进模拟退火算法的软件可靠性模型参数估计方法

为提升现有软件可靠性模型的拟合性能和求解精度,结合软件可靠性模型求解特征,提出一种改进的模拟退火算法。在此基础上,提出基于改进模拟退火算法的软件可靠性模型参数求解方法(简称为MSAE法),并将新方法应用于4组失效数据集。工程应用结果表明,与最大似然估计(MLE)法、和声搜索(HS)算法和蚁群(AC)算法相比,MSAE法可有效改善软件可靠性模型参数求解不收敛的情况,并且可以有效提升现有软件可靠性模型的拟合性能。     

无线传感器网络中基于蚁群算法的路由算法

提出一种基于蚁群算法的无线传感器网络路由算法。该算法综合网络分簇算法及蚁群算法的优点,考虑节点当前可用能量对路由选择的影响,使选择路由时既能均衡节点的能量消耗,又能利用蚁群算法正反馈的作用实现快速搜寻从簇头节点到汇聚节点的多跳最优路径,通过在簇头节点进行数据汇聚降低路由的开销。仿真结果验证了该算法的可行性和有效性。     

基于蚁群算法求路径规划问题的新方法及仿真

该文提出了一种基于蚁群算法求解路径规划问题的新方法及其仿真,蚁群算法就是对自然界中蚂蚁的寻食过程进行模拟而得出的一种模拟进化算法。与传统的算法相比,该算法的主要特点是正反馈和并行性,正反馈使得该算法能很快发现较好解,并行性使得该算法易于实现并行计算。虽然蚁群算法在时间复杂度上可能不如传统的算法,但是理论研究表明该方法是一种基于种群的鲁棒性较强的模拟进化算法。最后,利用Java语言对蚁群算法和改进的Dijkstra算法进行了仿真,并进行了比较。     

双参数交叉影响的连续域蚁群算法设计*

针对土木工程领域中的复杂参数反分析问题,基于常规蚁群算法进行了数学模型的构建、算法结构分析,并采用残留信息素数量限制、信息素的持久性系数自适应控制和全局更新规则对算法进行了加强设计,提出了双参数交叉影响的连续域组合优化蚁群算法;同时通过选取五个比较敏感的控制因子：蚁群数量、算法收敛标准、最小信息素持久性系数、循环次数和信息素强度常量进行了数字仿真实验,提出了算法的优化组合参数。通过实例对这种参数识别方法进行了验证,理论结果与实测数据吻合较好,表明了算法的有效性,实现了蚁群算法在土木工程连续域问题方面的应用,丰富了蚁群算法的内涵。     

二进制编码差异演化算法在Agent联盟形成中的应用

在多Agent 系统中,通过形成联盟可以提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.从本质上讲,Agent联盟的形成是一个复杂的组合优化问题.引入差异演化算法来解决这一问题.差异演化是一种基于群体差异的演化算法,适合于求解连续空间的最优化问题.首次将以实数编码的差异演化算法应用于Agent 联盟问题,提出二进制编码的差异演化算法解决组合优化问题,通过引入S型函数把变异操作的结果限制在集合｛0,1｝上,可以快速、高效地找出合适的Agent 联盟.与遗传算法和蚁群算法的对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.     

基于蚁群算法的甲状腺结节超声图像边沿检测法

甲状腺结节超声图像一般较为模糊不易判断识别，该文基于蚁群算法，提出了一种新的甲状腺结节超声图像边沿检测方法。针对超声图像特点，算法对信息素及食物源的设置进行了改进，阐述了该算法，同时将检测结果与Canny算法和Sobel算法的结果进行了比较，实验证明该改进的蚂蚁算法提取出了清晰的甲状腺结节的边沿。     

一种快速全局优化的改进蚁群算法及仿真

在介绍基本蚁群算法原理的基础上,对其作了许多改进以提高其全局优化寻优速度,并给出了详尽的新算法编程仿真实现步骤,最后将未改进的基本蚁群算法与本文改进后的蚁群算法分别应用于TSPLIB中的Att532TSP问题进行了仿真实验.仿真研究表明,改进后的算法具有优良的全局优化性能,效果令人满意.􀁱