基于TSP问题的遗传算法和蚁群算法研究

TSP问题(旅行商问题)是一个典型的组合优化问题,遗传算法(Generation Algorithm,GA)和蚁群算法(Ant Colony Qptimization,ACO)都属于仿生型优化算法,通过两种算法解决TSP的仿真实验,对问题规模、运行时间、性能稳定性及正确性进行了对比分析.得出问题规模小于20时,ACO算法更优,问题规模大于20时则可采用GA算法.     

自适应模糊蚁群系统

针对蚁群系统（Ant Colony System，ACS）容易陷入局部最优和收敛速度较慢的不足，提出了自适应模糊蚁群系统（AF-ACS）用于旅行商问题（TSP）。该算法的核心是引入模糊隶属度和信息熵的概念，AF-ACS将以信息熵为概率，自适应地对ACS引入模糊隶属度，以平衡算法的种群多样性与收敛速度之间的关系。算法早期引入模糊隶属度的概率较小，保证算法的多样性；算法后期引入模糊隶属度的概率较大，提高算法的收敛速度。通过与ACS和ECACS（Entropy-based Adaptive Chaotic Ant Colony Algorithm）进行14种不同规模的TSP测试集实验对比，AF-ACS以较少的迭代次数取得最优解或较优解。从而证明了AF-ACS的可行性与高效性。     

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。     

基于种群相似度的自适应改进蚁群算法及应用

针对蚁群算法收敛速度较慢、易陷入局部最优的问题,提出了一种基于种群相似度的自适应改进蚁群算法。利用种群相似度对种群内个体的多样性进行度量并根据优化过程中种群相似度的变化情况自适应地调整蚁群算法的参数和信息素更新策略,提升算法的优化性能。该算法用于求解旅行商问题（Traveling Salesman Problem,TSP）问题,并与经典的蚁群系统（Ant Colony System,ACS）及最大最小蚂蚁系统（MAX-MIN Ant System,MMAS）算法进行比较,实验结果表明改进算法在解的质量与算法稳定性方面得到显著提升,有效地平衡了种群多样性与收敛速度之间的矛盾。     

一种基于改进蚁群优化的QoS路由算法

蚁群优化（Ant Colony Optimization,AC0）是一种新型的分布式仿生优化算法,可有效地用来解决组合优化问题,而网络路由优化问题则正是组合优化问题当中的一种。因此,本文首先分析了常用路由算法与蚁群优化的基本原理,根据网络路由优化问题与蚁群优化算法的许多匹配特性,提出了一种基于改进蚁群优化的QoS路由算法（Route Algorithm based on Improved Ant Colony Optimlzation,RAIAC0）。最后,通过实验分析,对其可行性进行了证明。     

蚁群算法求解性能之研究-以TSP问题为例

蚁群算（Ant Colony Optimization,ACO）为了获得较优解,算法中的蚂蚁除了可以直接选择已经走过的路径外,也会选择未曾走过的路径,即“利用”与“探究”两种路径选择机制。这两种路径选择的概率是影响蚁群算法求解性能的关键。通过对旅行商问题（TSP）的仿真实验,结果表明,当“利用”被采用的概率很高时,可能会使蚁群算法的性能降低。当这两种机制被采用的概率差不多时,可以提高蚁群算法的性能。     

一种改进的智能蚁群优化算法

为了提高基本蚁群算法（Ant Colony Algorithm）的全局求解能力,对基本蚁群算法进行了改进,提出了一种高效的智能蚁群优化算法。它修改了基本蚁群算法中信息素、挥发因子的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,有效地避免陷入局部最优,以加快收敛;另外,采用了一种最近节点选择策略使之适应大规模问题求解,对路径进行优化,提高搜索效率。通过对TSP问题的仿真结果表明,改进后的蚁群算法在求解最优解和收敛性能方面都取得了很好的效果。     

蚁群算法在TSP问题中的应用

TSP问题（旅行商问题）是组合优化问题中最经典的NP问题之一，蚁群算法是基于群体的一种仿生算法，为求解复杂的组合优化问题提供了一种新思路，本文讨论了如何用基本的蚁群算法来求解TSP问题。     

求解旅行商问题的几种智能算法

旅行商问题（TSP）是一个典型的组合优化问题,易于描述却难于求解。对于大规模TSP问题,目前仍未有非常有效的方法,如何快速有效的求解TSP问题有着重要的理论价值和实际意义。文章介绍了什么是TSP,论述了目前求解旅行商问题较为有效的六种智能算法（遗传算法、蚁群算法、Hopfield神经网络算法、模拟退火算法、人工免疫算法、混合优化算法）,并简单阐述了其优缺点,给出了未来针对TSP问题的研究重点。     

基于改进蚁群算法的聚类分析

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用.聚类问题可以归结为一个优化问题.蚁群算法(Ant Colony Algorithm)已成功地解决了许多组合优化的难题.介绍一种蚁群聚类算法,并进行了优化,提出一种改进的蚁群聚类算法.它改进了蚂蚁搜索解的方法,并引入均匀交叉算子,将蚁群算法和遗传算法融合.它提高进化速度,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.     

改进的智能蚁群算法在TSP问题中的应用

研究旅行商领域优化路径问题,解决目前蚁群算法易陷入局部最优、搜索时间长等问题.为加快算法的速度优化结果,提出了一种改进的求解TSP问题的智能蚁群优化算法.算法前期采用了一种最近节点选择策略对路径进行优化,提高了搜索效率,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛.通过改进后的蚁群算法,对TSPLIB中部分问题的仿真结果表明,在避免陷入局部最优和缩短搜索时间方面都取得了很好的效果.证明采取的优化蚁群算法,是可行有效的.     

蚁群算法在TSP问题中的应用

TSP问题(旅行商问题)是组合优化问题中最经典的NP问题之一,蚁群算法是基于群体的一种仿生算法,为求解复杂的组合优化问题提供了一种新思路,本文讨论了如何用基本的蚁群算法来求解TSP问题。     

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。     

基于启发式变异的蚁群算法

提出一种基于启发式变异的蚁群算法,结合传统蚁群算法和遗传变异算法的优点,利用蚁群算法找到一条全局近优解,采用启发式变异进行路径优化,并将优化信息以信息素的方式传递给下一代,从而快速得到全局最优解。以旅行商问题为例进行仿真实验,结果表明该算法比其他同类算法具有更好的性能。     

结合B样条优化的UAV多区域路径规划融合算法

为解决无人机(UAV,Unmanned Aerial Vehicle)在多个目标区域之间快速找到最佳遍历路径的类旅行商问题(TSP,Travelling Salesman Problem),设计一种基于蚁群算法、A*算法以及三次B样条优化的融合规划算法;尽管蚁群算法相对其他优化算法在解决TSP问题上有较为良好的表现,但其规划路径处理时间长、生成路径转折多、路径质量和安全性较差;算法首先改进传统A*算法的节点扩展方式,快速生成两两目标区之间的局部路径,然后将蚁群算法和改进A*算法融合使用进行全局路径规划,最后结合改进三次B样条对路径进行平滑处理;基于栅格地图的仿真结果证明了该算法相比传统算法具有更好的高效性和稳定性。     

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。     

求解TSP的新量子蚁群算法

鉴于蚁群算法（ACA）在求解TSP时表现出的优越性,以及量子进化算法（QEA）在求解组合优化问题时表现出的高效性,将ACA与QEA的算法思想进行融合,提出一种新的求解TSP的量子蚁群算法。该算法对各路径上的信息素进行量子比特编码,设计了一种新的信息素表示方式,即量子信息素;采用量子旋转门及最优路径对信息素进行更新,加快算法收敛速度;为了避免搜索陷入局部最优,设计了一种量子交叉策略,以改善种群信息结构。仿真实验结果表明了该算法具有较快的收敛速度和全局寻优能力,性能明显优于ACS。     

蚁群算法优化前向神经网络的一种方法

蚁群算法(ACA)是一种新型的寻优策略,此文章尝试将蚁群算法用于三层前向神经网络的学习过程,建立了相应的优化模型,进行了实际的编程计算,并与加动量项的BP算法、演化算法以及模拟退火算法进行比较,结果表明ACA具有更好的全局收敛性,鲁棒性强,以及对初值不敏感等特点。     

基于信息素适量更新与变异的高效蚁群算法

为了克服基本蚁群算法求解速度慢、易于出现早熟和停滞现象的缺陷,提出了一种高效的蚁群算法（EACA）。它修改了基本蚁群算法中信息素的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,以加快收敛;另外,它采用了一种启发式变异方法对路径进行优化,以产生搅动效应,避免早熟。以TSP问题为例进行的实验结果表明：提出的算法优于ACA和ACAGA。     

利用兴趣度原理的蚁群算法研究

为解决蚁群算法的收敛速度和全局最优性的矛盾,通过引入均匀度、兴趣度以及加速度等概念,对算法中[α、][β、][ρ、][Q、][m]等参数进行分析,研究了参数的内在联系,建立了参数的动态模型,对算法的转移策略和更新策略进行改进,构造了具有自适应功能的蚁群算法。实验结果表明,该算法在性能上优于基本蚂蚁系统。