基于粒子群优化的蚁群算法在TSP中的应用

结合粒子群算法的问题,提出用混合蚁群算法来求解著名的旅行商问题.问题的核心是应用粒子群算法对蚁群算法的控制参数:启发式因子、信息素挥发系数、随机性选择阈值进行优化,以及运用蚁群系统算法寻找最短路径.新算法对于蚂蚁算法中的参数调整大大减低,减少了大量盲目的实验,力求在开发最优解和探究搜索空间上找到平衡点.对旅行商问题的仿真实验表明,新算法的优化质量和效率都优于传统蚁群算法和遗传算法,接近理论最佳值.新算法也可推广用于其他NP问题的求解.     

基于改进粒子群优化算法求解旅行商问题

本文提出了一种改进粒子群优化算法:在算法中引入了速度变异机制和粒子自探索机制。这种改进后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。用改进后的粒子群算法求解标准的旅行商问题,数字仿真表明了算法有效性。     

蚁群与粒子群混合算法求解TSP问题

旅行商问题（TSP）是最古老而且研究最广泛的组合优化问题。针对TSP问题,提出一种蚁群与粒子群混合算法（HAPA）。HAPA首先将蚁群划分成多个蚂蚁子群,然后把蚂蚁子群的参数作为粒子,通过粒子群算法来优化蚂蚁子群的参数,并在蚂蚁子群中引入了信息素交换操作。实验结果表明,HAPA在求解TSP问题中比传统算法和同类算法更具优越性。     

求解旅行商问题的混合粒子群优化算法

结合遗传算法、蚁群算法和模拟退火算法的思想，提出用混合粒子群算法来求解著名的旅行商问题．与模拟退火算法、标准遗传算法进行比较，24种混合粒子群算法的效果都比较好，其中交叉策略D和变异策略F的混合粒子群算法的效果最好，而且简单有效．对于目前仍没有较好解法的组合优化问题，通过此算法修改很容易解决．     

一种快速收敛的蚁群算法

由于基本蚁群算法存在过早陷入局部最优、搜索速度慢的缺点,本文在分析产生这些缺点的基础上,对蚁群算法提出了一些改进措施。最后通过TSP仿真,表明改进算法不仅提高了算法的速度,而且提高了解得质量．     

改进型粒子蚁群算法的应用研究

粒子蚁群算法综合了蚁群算法和粒子群算法的特点,在局部最优和全局最优解之间取得平衡。新算法在蚂蚁迭代过程中,每隔一定代数将数据引入粒子群运算以提高收敛速度。根据对TSP的eil51问题进行仿真结果可以看出,与通常蚁群算法相比,该算法不仅精度上较为满意,而且效率极高,具有良好的应用前景。     

一种改进的求解TSP混合粒子群优化算法

为解决粒子群算法在求解组合优化问题中存在的早熟性收敛和收敛速度慢等问题,将粒子群算法与局部搜索优化算法结合,可抑制粒子群算法早熟收敛问题,提高粒子群算法的收敛速度。通过建立有效的局部搜索优化算法所需借助的参照优化边集,提高了局部搜索优化算法的求解质量和求解效率。新的混合粒子群算法高效收敛于中小规模旅行商问题的全局最优解,实验表明改进的混合粒子群算法是有效的。     

一种改进蚁群算法的仿真研究

最新研究表明蚁群算法是一种基于群体的强鲁棒性的进化算法,其基本思想是模拟蚂蚁的合作行为,通过其内在的搜索机制,成为求解组合优化问题的新的进化算法。但是,蚁群算法也有收敛速度慢,容易陷入局部最优的缺点。本文介绍蚁群算法的模型及其存在的问题,并提出了一种改进形式。针对TSP问题的仿真实验结果,表明了该改进算法的有效性。     

基于k-means的改进粒子群算法求解TSP问题

文章借鉴了贪心算法的思想产生初始种群,重新定义了粒子的位置、速度等,提出了适合求解旅行商问题的基于k-means的改进粒子群算法。两个种群同时寻优,种群个体最优之间以一定概率进行交叉,减小算法陷入局部最优的概率,提高粒子向更好解进化的速度。实验证明,改进后的粒子群算法能有效地求解TSP问题。     

求解TSP问题的一种改进蚁群优化算法

针对基本蚁群算法求解TSP问题时容易出现早熟和停滞现象的缺陷,提出了一种改进的蚁群算法。算法的基本思想是,将信息素分为局部和全局二种不同的信息素,在搜索过程中。对局部和全局信息素采用不同的更新策略和动态的路径选择概率,使得在搜索的中后期能更有效地发现全局最优解。以TSPLIB的数据进行实验的结果表明．在中大型问题上有着更好的发现最优解的能力。     

基于选路优化的改进蚁群算法

蚁群算法在处理大规模优化问题时效率很低。为此对蚁群算法提出了基于选路优化的两点改进:(1)引入选路优化策略,减少了算法中蚁群的选路次数,显著提高了算法的执行效率。(2)在选路操作中,只根据当前城市的前C个距离最近的且未经过城市为候选城市计算选择概率,从而减少单个蚂蚁选路的计算量。尤其对于以往较难处理的大规模TSP问题,改进算法在执行效率上有明显的优势。模拟实验结果表明改进算法较之基本蚁群算法在收敛速度有明显提高。     

基于群体分类的自适应蚁群算法

针对基本蚁群算法在求解能力方面的不足,提出一种基于群体分类的自适应蚁群算法.该算法在智能蚁群的基础上引入随机蚁群以便扩大搜索空间,不同蚁群实行各自不同的搜索前进策略和信息更新机制,并可通过调节随机蚁群与智能蚁群的比例来控制收敛速度.多个旅行商问题的仿真实验证明,相比ACS、MMAX算法,该算法的求解能力得到了改进.     

基于细菌觅食的改进蚁群算法

蚁群算法是模仿蚂蚁觅食行为的一种新的仿生学智能优化算法。针对其收敛速度慢和易陷入局部最优的不足,将细菌觅食算法和蚁群算法相结合,提出一种细菌觅食 蚁群算法。在蚁群算法迭代过程中,引入细菌觅食算法的复制操作,以加快算法的收敛速度;引入细菌觅食算法的趋向操作,以增强算法的全局搜索能力。通过经典的旅行商问题和函数优化问题测试表明,细菌觅食 蚁群算法在寻优能力、可靠性、收敛效率和稳定性方面均优于基本蚁群算法及两种改进蚁群算法。     

基于异类蚁群的双种群蚁群算法

提出一种基于异类蚁群的双种群蚁群（Dual Population Ant Colony Algorithm Based on Heterogeneous Ant Colonies,DPACBH）算法,算法将两种信息素更新机制不同的蚁群分别独立进行进化求解,并定期交换优良解和信息来改善解的多样性,增强跳出局部最优的能力,使算法更容易收敛到全局最优解。以TSP（Travel Salesman Problem）问题为例所进行的计算表明,该算法比基本双种群蚁群算法具有更好的收敛速度和准确性。     

基于混合行为蚁群算法的研究

为在加快算法收敛速度的同时又能避免停滞现象,提出一种基于混合行为的蚁群算法.首先就蚂蚁行为对算法性能的影响进行了分析,在此基础上提出了该算法的模型;然后定义了蚂蚁行为,并为该算法设计了4种具体的蚂蚁行为,根据模型实现了该算法.实验结果表明,该算法在性能上远优于蚂蚁系统.     

一种改进的基于蚁群优化的粒子滤波算法

针对传统粒子滤波算法中粒子匮乏以及粒子多样性丧失的问题, 提出了一种基于蚁群优化的改进粒子滤波算法。该算法利用蚁群算法优化粒子滤波的重采样过程, 使粒子在更新权值后, 利用转移概率向权值较优粒子的位置移动, 以防止权值较小的粒子在多次迭代后退化消失; 同时, 设置转移阈值, 以抑制权值较优粒子间的转移, 从而同时解决了粒子匮乏以及粒子多样性丧失的问题。实验结果表明, 该算法具有较高的预估精度和较好的鲁棒性。     

化学反应蚁群优化算法

针对化学反应优化对反馈信息利用不足导致后期求解效率低的问题,提出化学反应蚁群优化算法.该算法利用化学反应优化生成较优解,通过信息素转换策略将较优解转换为蚁群算法的初始信息素,最后由蚁群算法累积更新信息素得到最优解.以TSP为例进行仿真,结果表明,与化学反应优化、蚁群算法、模拟退火算法相比,所提算法具有更高的寻优能力、收敛效率和计算效率.     

基于模拟退火算法的多道逆向蚁群算法

为克服现有蚁群算法运算过程中易出现停滞现象、收敛速度慢等缺点,提出了一种基于模拟退火策略的多道逆向蚁群算法。通过向原始蚁群中引入逆向蚂蚁,并结合模拟退火思想确定蚁群中逆向蚂蚁的数目,来提高算法全局寻优能力。在算法执行过程中一组蚂蚁分成几群并行运算,通过交换策略,有效地利用了当前最优解,提高了算法收敛速度。将该算法应用于旅行商问题的求解,仿真实验结果表明该算法的全局寻优能力和收敛速度都得到了很大改善。     

简化蚁群算法

针对最大最小蚂蚁系统中信息素下界难以确定以及算法性能易受同构问题影响的缺点,提出一种简化蚁群算法.信息素的上下界被限制在一个固定的区间内,不随目标函数值的更新而改变;信息素的更新量是一个与具体目标函数值无关的常数.所提出的简化算法不仅具有强不变性和平移不变性,而且算法的性能不受信息素下界的影响.针对旅行商问题的仿真实验验证了改进算法的可行性和有效性.     

基于局部优化策略求解TSP的蚁群算法*

为了克服基本蚁群算法收敛速度慢、易于停滞的缺陷,提出了一种基于局部优化策略的蚁群算法（LOACA）。该算法根据TSP的特点,采用了三种局部优化算子来交换搜索路径中城市的位置,以改进解的质量。以TSP为例进行的实验结果表明,该算法优于ACA和ACAGA。