基于MATLAB的蚁群算法求解旅行商问题

旅行商问题的传统求解方法是遗传算法,此算法收敛速度慢,并不能获得问题的最优解。为了求取旅行商问题的最优解,本文在阐述蚁群算法的基本原理、模型以及在旅行商问题中的实现过程的基础上,提出了一种以蚁群算法构建的基于MATLAB的求解旅行商问题的方法,并最后通过仿真实验获得了目前已知的最好解。     

求解旅行商问题的蚁群遗传混合算法

根据蚁群算法与遗传算法的特性,提出了求解旅行商问题的混合算法.该混合算法以遗传算法为整个算法的框架,根据旅行商问题的特点,给出了4种变异策略;针对遗传算法存在的过早收敛问题,加入2-Opt方法对问题求解进行了局部优化;利用蚁群算法根据信息素产生若干个路径,替代部分差的解.与模拟退火算法、标准遗传算法和标准蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

用蚁群优化算法求解中国旅行商问题

中国旅行商问题是一个组合优化问题，是一个NP问题。本文提出用蚁群优化算法去解决，同时提出了两种改进的方法，其中，Ant-F能够增强系统的搜索能力，使系统避免早熟，具有正负反馈的功能，仿真简单，容易理解；而ACS 在Ant Colony System(ACS)的基础上改进而成，它使系统在演化的后期能够通过适当增大系统区分信息素对比强度的方法，尽快找到最优的解。和其它的几种蚁群优化算法、遗传算法和模拟退火算法相比较，实验表明，ACS 是本文提及的几种算法中最优的一种，它能加快系统收敛的速度，找到问题的最优值。     

基于蚁群算法的旅行商问题的研究

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。对以蚁群算法为代表的群集智能的研究已经逐渐成为一个研究热点。蚁群算法在实际的生活中有很大的用处,比如求解旅行商问题,本文介绍了一种求解复杂TSP的蚁群算法,阐述了该算法的基本原理及实现过程,并且在本文中尝试用编码的形式将基本蚁群算法应用到求解旅行商问题中去。     

基于蚁群算法的旅行商问题的研究

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。对以蚁群算法为代表的群集智能的研究已经逐渐成为一个研究热点。蚁群算法在实际的生活中有很大的用处,比如求解旅行商问题,文章介绍了一种求解复杂TSP的蚁群算法,阐述了该算法的基本原理及实现过程,并且在本文中尝试用编码的形式将基本蚁群算法应用到求解旅行商问题中去。     

用模拟退火算法求解旅行商问题

用模拟退火算法对求解旅行商组合优化问题作了一定的研究，提出了多种不同的随机抽样方式，并对其进行了分析计算。通过实验表明，在满足模拟退火算法全局收敛性的情况下，子排列反序并移位抽样方式对求解NP完全问题是非常有效的。     

求解TSP问题的改进蚁群算法研究

文章提出了运用一种改进的蚁群算法,主要用来求解旅行商问题(Travelling Salesman Problem,TSP)。实验表明,改进的蚁群算法一定程度上弥补了基本的蚁群算法容易陷入收敛停滞的缺点,且更容易发现更好性质的解。     

基于遗传算法求解旅行商问题

从应用的角度讨论了基于遗传算法的旅行商问（Travelling Salesman Problem,简称TSP）的求解方法,并结合实例给出了求解过程和计算机仿真结果。在算法的仿真中,改进后的算法明显优于传统的遗传算法。这表明,该算法具有良好的可行性和实用性。     

一种求解TSP问题的改进遗传蚁群算法

旅行商问题(TSP)是一种经典的组合优化问题.传统的蚁群算法运用正反馈和分布式计算机制,具有较强的鲁棒性.但是该算法搜索时间长、易出现早熟停滞现象.因此本文根据旅行商问题的模型特点,在蚁群算法的基础上针对TSP问题提出了一种新型的改进蚁群算法:即变参数选择城市策略,并且在交叉策略中选择PMX(Partially Matched Crossover)交叉策略.实验结果表明,与传统基本蚁群算法和遗传算法相比,能够较快地找到最优解,解的质量也相对较好,因此提高了蚁群算法对TSP问题的求解效率.     

求解旅行商问题的改进混合蛙跳算法

混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）是解决组合优化问题的有效方法,’但是应用于TSP问题时,由于SFLA没有充分利用最佳个体的优良信息,导致收敛速度太慢。文中把遗传算法（Genetic Algorithm,GA）的交叉和变异引入SFLA,提出了一种针对旅行商问题（Traveling Salesman Problem,TsP）的改进混合蛙跳算法（Improved Shuffled Frog Leaping Al—gorithm,ISFLA）。应用于TSP的实验结果表明：ISFLA的收敛速度明显高于SFLA,同时优于GA和简单翻转算子。ISFLA不仅表现出了更快的收敛速度,而且能有效地缓解局部早熟收敛。     

基于MapReduce的并行蚁群算法研究与实现

蚁群算法在处理大规模TSP问题耗时较长,为解决这一不足,给出了一种基于MapReduce编程模式的并行蚁群算法。采用MapReduce的并行优化技术对蚁群算法中最耗时的循环迭代和循环赋值部分进行改进,同时运用PC集群环境的优势将具有一定规模的小蚁群分配到对应的PC机上,使其并行执行,减少运行时间。实验证明改进后的并行蚁群算法在大数据集上运行时间明显缩短,执行效率显著提高。     

基于蚁群算法的数字微流控芯片并行测试

可靠性是数字微流控生物芯片的一项重要指标,尤其是在安全性要求较高的应用领域。因此,芯片需要在生产制造后或生化实验前进行充分测试,以排除故障,确保实验结果准确。文中针对芯片的结构故障,提出了一种基于蚁群算法的并行测试方案,实现对较大规模的数字微流控芯片进行多液滴并行测试。该方案首先将芯片模型转化为MTSP模型,并利用蚁群算法分布式计算特性搜索多组优化的测试路径,完成对数字微流控芯片实验路径的测试。实验结果表明,该方案可用于在线测试,并能有效地减少大规模芯片的测试时间,且提高了工作效率。     

基于路径选择的自适应蚁群算法研究

本文提出样本空间经过K-均值聚类算法聚类加工处理后,算法通过动态地调整选择路径概率,优化TSP求解过程中解的分布均衡性,可以在加速收敛和防止早熟、停滞现象之间取得很好的平衡。这种新的算法提供了在样本空间预处理情况下,动态自适应地解决TSP问题最优解的新方法。比起普通蚁群算法,此算法对大规模数据的最优解的求解更有显著效果。     

基于遗传算法的改进智能优化蚁群算法

针对蚁群算法加速收敛和早熟停滞现象的矛盾,根据遗传算法的交叉算子、变异算子和粒子群算法的粒子极值,采用一种优化蚁群算法,以在加速收敛和防止早熟停滞现象之间取得更好的平衡.在利用该算法解决TSP问题中,当前解与个体极值和全局极值分别进行交叉操作,产生的解为新的位置信息.通过对50个城市问题进行实验,结果表明,该方法比一般蚁群算法具有更好的收敛速度和稳定性,适合于求解大规模的问题.     

基于分组网络结构NOC的蚁群路由算法

单个芯片集成度的增大增加了全局同步设计的困难,于是出现了片上网络NOC的概念,其设计的核心是将计算机网络技术移植到芯片设计中来,因此需要利用某种路由算法来实现好的服务质量.通过对NOC网络通信的分析,基于蚁群算法提出了一种路由算法,利用4×4Mesh结构,通过对同一约束不同请求和不同约束同一请求等实验研究,证明其在NOC路由应用中能在较短的时间内完成指定的任务,最后预测了该算法在大规模路由应用上的发展.     

多传感器优化分配问题蚁群算法求解

考虑目标优先级在检测、跟踪和分类等多传感器管理问题中的影响,结合目标识别和威胁度判断所产生的信息增益,构造了新的目标函数.通过分析当前多传感器目标优化分配中存在问题,建立了多传感器目标优化分配问题蚁群算法的模型,实例仿真证明了该方法的可行性.     

基于蚁群算法的改进ICA算法

针对FastICA算法存在依赖非线性函数选取的缺陷,为了提高分离结果的可靠性,提出一种基于蚁群算法的改进ICA算法.该算法对非线性函数没有特殊要求,以负熵近似表达式为目标函数,利用蚁群算法代替FastICA算法中的牛顿梯度法,求出最优分离矩阵B,从而对混合信号中的独立分量进行分离.仿真结果验证了改进ICA算法的有效性和...     

基于蚁群算法的OFDMA系统接纳控制

由于接纳控制算法的优劣关系到网络资源能否被有效利用。文中提出了一种新的OFDMA系统的接纳控制算法。结合蚁群算法对用户需要的的总传输功率进行计算,并通过该功率对用户进行接纳控制。仿真结果表明,文中所提算法可使系统的总传输功率减小,增加用户的可接入数量,达到资源有效利用的目的。     

基于蚁群优化算法的路由协议的研究

生物仿真学群集算法在路由中有广泛的的应用,为了充分利用网络资源,降低拥塞程度,提出了一种基于蚁群优化算法的Ad Hoc网络负载均衡路由算法Pro-antnet,通过对蚂蚁收集到的网络信息所对应的参数赋予不同加权值的方法对路由表进行控制,有效地缓解了网络的拥塞问题。该算法具有良好的分布式特性,能为网络提供多条备用路径,增强网络的抗毁性。     

基于改进蚁群算法的无人机协同航迹规划研究

无人机群协同作战中,如何确定各无人机的航迹是整个规划问题的基础和关键,直接影响到作战效率.采用层次分解策略,首先对威胁场进行Voronoi图环境建模,然后利用改进蚁群算法,提出带有方向性引导性的信息素更新策略,减小迷失蚂蚁对算法收敛性的影响.同时,从时域和空域方面考虑多机协同问题,在满足最小时间窗基础上,最后仿真得到了...