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。     

蚁群算法在移动机器人路径规划中的应用综述

路径规划是移动机器人领域的一个研究热点,蚁群算法在移动机器人的路径规划得到广泛应用。介绍了常见的几种蚁群算法,从蚁群算法结构、参数选取及优化、信息素优化等方面对已有的蚁群算法方法进行了分类综述,同时对多蚁群优化算法、融合蚁群算法在移动机器人路径规划的应用进行了分类比较与分析。从蚁群算法的理论研究、算法融合、多蚁群算法研究等方面对蚁群算法在移动机器人路径规划中的未来研究内容和研究热点进行展望。     

基于新颖蚁群算法的加工中心组成问题研究

针对蚁群算法求解加工中心组成问题易陷入早熟收敛状态的缺点,提出了将听觉信号、记忆矩阵与蚁群算法相融合的一种新颖蚁群算法。在仿真实验中,分别采用蚁群算法、加入听觉信号的蚁群算法、加入记忆矩阵的蚁群算法和新颖蚁群算法对加工中心组成问题进行求解。实验结果表明,新颖蚁群算法能够有效提高蚁群算法的全局寻优能力,收敛速度快,且所求得的组功效优于以上三个策略及以往的混合遗传算法。     

蚁群算法在物流配送中的应用研究

本文通过单个蚁群算法和多个蚁群算法来分析它们在求解车辆路径问题上的区别。首先介绍了关于物流配送的车辆路径问题、带有时间窗的车辆路径问题以及蚁群算法的相关知识,然后分析蚁群算法在求解VRP问题的过程,最后通过模拟实验分析单个蚁群算法和多个蚁群算法在求解不同顾客数目的车辆路径问题的区别。得出多个蚁群算法相比较与单个蚁群算法在求解大型问题更具有优势性。     

蚁群算法及其应用研究进展

蚁群算法作为一种仿生进化算法,是受到真实蚁群觅食机制的启发而提出的.首先介绍了蚁群算法的基本原理和工作机制,然后分别就蚁群算法的理论和应用的研究现状进行了综述,主要包括蚁群算法的参数设置,蚁群算法的改进,蚁群算法的收敛性以及蚁群算法在组合优化问题和连续优化问题中的应用,并进一步给出了它们的研究重点和发展方向,最后是关于蚁群算法的研究展望和面临的挑战,提出了蚁群算法研究中值得探讨的一些课题.     

交叉变异蚁群算法在VRP问题中的应用研究

提出一种改进的蚁群算法,新算法利用遗传算法对蚁群算法的参数进行优化,然后利用新的蚁群算法求解基本的车辆路径问题。改进的蚁群算法具有全局搜索能力强的特点,仿真结果表明,新算法的优化质量和效率都优于传统蚁群算法。     

蚁群算法及其应用研究

蚁群算法是一种新型的模拟进化算法,是受到真实蚁群的觅食机制的启发而提出的。介绍了蚁群算法的基本原理和工作机制,并分别就蚁群算法的理论和应用进行了阐述,包括蚁群算法改进的不同算法以及蚁群算法在各个领域中的应用,并进一步给出了研究重点和发展方向。     

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。     

一种动态自适应蚁群算法

针对传统蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种动态自适应蚁群算法。该算法对传统的MMAS蚁群算法中的信息素进行自适应调整。实验结果表明,该算法比传统的蚁群算法和传统的MMAS蚁群算法具有更好的搜索全局最优解的能力,并具有更好的稳定性和收敛性。     

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。     

一种基于结构化学习的排序算法

传统排序算法将排序问题转换成分类或回归问题来求解,这样得到的模型不够精确。对此提出一种新的排序算法,该算法把排序问题看成一个结构化学习过程,即通过训练集来学习一个排序结构。算法首先定义了一个查询级的目标函数,针对算法约束条件太多,难以直接优化,提出使用割平面算法进行求解。对于算法中的“寻找最违约排列”子问题,将其变换成为一个简单的降序排列问题。基于基准数据集的实验表明,相比起传统的排序算法,所提算法更为有效。     

基于遗传算法的物流配送路径优化问题研究

遗传算法是一种基于自然进化原理的全局搜索随机算法。遗传算法在选址问题、配送问题、调度问题、运输问题、布局问题方面意义重大。在建立物流配送路径优化问题数学模型的基础上,构造了求解该问题的遗传算法。该遗传算法采用常用的二进制编码,在个体选择上结合使用最优个体保留策略和轮盘赌法。最后以这种方法进行了实验计算,通过计算结果表明,用遗传算法进行物流配送路径优化,可以方便有效地求得问题的最优解或近似最优解。     

基于交叉与变异组合的TSP问题研究

遗传算法是一种在自然选择与遗传机制基础上的随机化的搜索类算法,是求解TSP(Travelling Salesman Problem)问题的一种常用算法。但是该算法在解决TSP问题时,存在着收敛速度过慢,容易出现早熟的问题。本文针对该问题,创新性地提出使用5种交叉算法和3种变异算法进行组合的算法设计,得出15种不同的组合方法,然后使用Java语言进行编程实验,最后通过对中国144个城市相对坐标（CHN144）的实例进行测试,证明了在使用交叉算法与变异算法进行组合得出的15种组合方法中,使用三交换交叉算法与逆序变异算法进行结合,这种组合方式的遗传算法在解决TSP这一问题时能够取得最优的效果。     

基于QPSO的QoS组播路由算法

对带宽、延时、延时抖动约束最小代价的QoS组播路由问题进行了研究，提出一种基于量子行为微粒群优化（QPSO）算法来设计路由优化算法。该算法采用一种节点序列编码方案，将路由优化问题转化成一种准连续优化问题，并采用罚函数处理约束条件。应用QPSO算法求解QoS组播路由问题的算例，并与遗传算法和改进后的遗传算法进行比较。计算机仿真实验证明，该算法可以更有效地求得QoS组播路由问题的优化解，可靠性较高。     

遗传退火算法及收敛性分析

针对模拟退火算法收敛速度慢和遗传算法存在种群退化问题, 将二者有机地结合在一起, 提出了遗传退火算法, 证明了该算法的收敛性. 仿真结果表明, 遗传退火算法既克服了模拟退火算法收敛速度慢, 又解决了遗传算法中种群退化问题. 该算法不仅适用于一般的组合优化问题, 也适用于目标函数不确定和可变的情况.     

矩形件优化排样问题的混合遗传算法求解

利用遗传算法结合剩余矩形排样法求解矩形件正交排样问题。通过遗传算法将矩形件正交排样问题转化为一个排列问题,并引入剩余矩形排样算法来惟一确定每一个排列所对应的排样图(即排样方案),两者结合用于求解矩形件排样问题。最后用此混合遗传算法对文献[1]中的两个算例进行了验证,表明了其有效性。     

基于微粒群算法的QoS组播路由算法

文章研究了带宽、延时、延时抖动约束最小代价的QoS组播路由问题,提出了一种基于微粒群优化(PSO)算法[2,5]来设计路由优化算法。该算法采用一种新的整数编码方案,将路由优化问题转化成准连续优化问题,并采用罚函数处理约束条件。给出了应用微粒群优化算法求解QoS组播路由问题的算例,并与遗传算法和改进后的遗传算法进行了比较。计算机仿真实验证明,该算法可以更有效地求得QoS组播路由问题的优化解,可靠性高。     

多机相关任务均匀衡调度问题的复杂性与新算法

本文讨论了多处理机系统中的一种相关任务均衡调度问题 ,证明了该问题是 NP完全问题 ,并给出了一个新的启发式算法。该算法克服了现有算法的不足。数值实例和仿真结果表明 ,该算法有令人满意的优化效果     

快速蚁群算法求解圆排列问题

圆排列问题属于NP-完全问题,且蚁群算法已成功地解决了许多组合优化的难题。介绍一种基于蚁群算法求解圆排列问题的算法,并对此算法进行优化,提出一种求解圆排列问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间,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。     

求解0-1背包问题的融合贪心策略的回溯算法

0-1背包问题作为经典的NP完全问题一直得到广泛的关注和研究.研究发现,经典回溯算法在解决0-1背包问题时的算法时间复杂度较高,尤其是在物品数量较多时,短时间内不能得到问题的解,导致算法的适用性较差.虽然经典贪心算法和现阶段涌现出的大量新型算法能够极大地缩减算法的运行时间,但普遍是以牺牲算法的准确性为代价的,不能保证可...