基于免疫记忆的蚁群算法的WTA问题求解

武器-目标分配(WTA)是影响武器系统作战有效性的重要因素之一。该文在蚁群算法中增加一个额外的记忆库,利用免疫记忆和克隆选择的思想和方法,提出了基于免疫记忆的蚁群算法(IMBACA),并用于求解武器-目标分配问题。分别用给定数据集和随机数据集的WTA问题进行实验,并与传统蚁群算法和蚁群算法的混合算法进行比较,结果显示IMBACA在解的质量和时间性能上均取得了较好的 效果。     

基于自适应多态免疫蚁群算法的TSP求解*

针对标准蚁群算法易于出现早熟停滞现象,提出了一种自适应多态免疫蚁群算法（adaptive polymorphic immune ant colony algorithm,PIACA）。通过设置多种状态蚁群及引入自适应多态蚁群竞争机制,PIACA算法能有效抑制收敛过程中的早熟停滞现象。将禁忌表中每只蚂蚁走过的路径视为抗体,对抗体运用局部最优搜索算法和免疫克隆选择算法进行高效优化,提高了解的质量。针对TSP实验结果表明,该算法在收敛速度及求解精度上均取得到了较好的效果。     

基于记忆表的连续蚁群优化算法

蚁群算法的离散本质限制了其在连续问题求解中的应用,针对该问题提出求解连续函数优化问题的连续蚁群优化算法。对概率密度呈高斯分布的分布函数进行随机采样,为每只蚂蚁产生下一步迭代的 个候选位置,引入记忆表取代基本蚁群算法中的禁忌表,通过对记忆表中的优良解进行动态替换实现信息素更新。与其他连续优化算法的比较结果证明,该算法在复杂度、稳定性等方面具有优势。     

带免疫变异的蚁群优化算法

研究算法寻优的问题时,传统的蚁群优化算法在寻优过程中存在一定缺陷,如容易陷入停滞状态,收敛速度慢.结合免疫算法和蚁群算法的优点,为提高精度和运算速度,提出一种基于免疫算法的蚁群优化算法.采用搜索解的过程中对概率选择规则采用了对比度增强技术,以加快算法的收敛速度;并融入选择算子进行搜索,根据先验知识提出了免疫变异策略,提高算法的全局性能.仿真结果表明,改进算法具有很好的稳定性和全局优化性能,有效地防止停滞现象,加快了算法的收敛速度.     

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。     

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。     

基于免疫修复的快速蚁群优化算法

蚁群优化算法通过信息素记录搜索过程中获取的知识,并基于信息素搜索新的解．影响信息素质量的因素主要是信息素更新策略和蚂蚁已找到的候选解的质量．为了提高已有候选解的质量,提出基于免疫原理识别候选解中的“病变”成分,并对其“病变”成分进行修复．经免疫修复后,候选解的质量大大提高,由它更新的信息素更好地反映了优质解的特点,从而加快了信息的正反馈过程．实验结果验证了该算法的有效性．     

基于变异记忆矩阵的克隆选择算法

利用免疫系统的免疫记忆机制,提出一种适于函数优化的基于变异记忆矩阵的克隆选择算法.首先,利用变异记忆矩阵保存进化中有用的变异信息,以引导抗体的克隆和变异操作,加强局部搜索能力;然后,利用当代种群的综合信息生成新抗体进入种群,以加强全局搜索能力;最后,对最优抗体进行自学习,以提高算法结果的精度.标准函数仿真表明,该算法适合求解复杂函数优化问题,具有收敛速度快、全局收敛能力强、精度高、鲁棒性强的优点.     

一种免疫记忆动态克隆策略算法

基于对克隆选择及免疫记忆动态过程的模拟,本文提出了一种人工智能算法,免疫记忆动态克隆策略算法,该算法模拟免疫系统的自我调节、记忆学习、自适应等机制,实现全局优化计算与局部优化计算机制的有机的结合,通过抗体与抗原的亲合度和抗体间亲合度的计算,促进和抑制抗体的产生,自适应地调节抗体群和记忆单元的克隆规模.理论分析证明该算法以概率1收敛,对多峰函数优化及货郎担问题的仿真试验表明,算法有效,而且具有全局搜索能力强,种群多样性好及收敛速度快等特点.     

改进的增强型蚁群算法

针对传统增强型蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种改进的增强型蚁群算法,该方法将传统的增强型蚁群算法和遗传算法中交叉操作和变异操作相结合,实验结果表明,该方法比传统的增强型蚁群算法具有更好的搜索全局最优解的能力。     

聚类问题的蚁群算法

文章建立了聚类分析问题模型,分析了K-均值算法、模拟退火算法和蚁群算法的优缺点,结果表明蚁群算法比较有效。     

带杂交算子的蚁群算法

蚁群算法是一种由意大利学者Macro Dorigo等提出的新型模拟进化算法,它具有许多优良性质,因此被广泛用于求解组合优化问题。但基本蚁群算法有许多不足。特别是许多搜索速度慢,且容易陷入局部最优。该文针对这个问题提出了一种改进算法。该算法通过引入遗传算法中用到的杂交算子来改善蚁群,使其对应的问题的解更加优良,用改进算法求解TSP问题的结果表明改进算法是有效的。     

动态跃迁转移蚁群算法

给出了一种改进的蚁群算法,该算法对蚂蚁初始位置选择上进行优化,能较大地提高进化速度,并且还通过动态地调整跃迁转移概率,减少了停滞,加快了收敛速度,实验表明对于某些TSP问题,实验结果优于国外最新的成果。     

一种基于蚁群优化算法的旅行Agent问题求解

旅行Agent问题解决移动Agent在不同主机间移动时如何规划最优的迁移路线，是复杂的组合优化问题。蚁群算法作为一种新的生物进化算法，具有并行、正反馈和启发式搜索等特点。本文在蚁群算法的基础上，通过修改它的信息素轨迹更新规则，并引入自适应的信息素挥发系数，来求解旅行Agent问题。实验结果表明了本文算法的可行性。     

基于粗粒度模型的蚁群优化并行算法

为了改进蚁群优化算法的收敛速度,研究了一种基于粗粒度模型的并行蚁群优化算法,该算法将搜索任务划分给q个子群,由这些子群并行地完成搜索,可使搜索速度大幅度提高。实验结果表明,用该算法求解TSP问题,收敛速度比最新的改进算法快百倍以上。     

一种改进的蚁群算法求解最短路径问题

蚁群算法是一种新型的模拟进化算法,为求解复杂的组合优化问题提供了一种新的思路。该文应用蚁群算法求解最短路径问题,对算法的选择策略、局部搜索、信息量修改三方面进行改进,使算法不易陷入局部最优解,并且能较快地收敛到全局最优解。实验结果表明,改进方法是合理的、有效的。     

武器-目标分配问题的蚁群算法

文章建立了武器-目标优化模型,分析了各种优化方法的优缺点。采用蚁群算法解决了此问题,并通过实例给出了算法,并与匈牙利法做了比较,结果表明该方法比较有效。     

基于信息素递减的蚁群算法的WTA问题求解

武器目标分配(weapon target assignment,WTA)问题是一个典型的优化问题,需将武器根据迎击目标进行合理分配,使我方损失最小.结合WTA问题的特点,采用求解复杂优化问题的蚁群算法求解该问题.针对WTA问题求解规模大,精度高,实时性强的需求,在基本蚁群算法的基础上,采用基于信息素递减的改进蚁群算法.给出了求解WTA问题改进算法的详细步骤,通过仿真试验验证了算法的有效性.同时,对于大规模WTA问题,改进蚁群算法与基本蚁群算法进行了比较,结果表明改进算法求解精度更高,收敛速度更快,能适应现代军事应用的要求.