遗传算法与蚁群算法在商旅问题中的应用研究

遗传算法在多个领域得到了应用,如人工智能领域,最优化求解问题,TSP问题等等.本文就遗传算法的基本定义与思想进行了介绍,同时介绍了由遗传算法优化或者衍生而来的一些算法的作用.并介绍了遗传算法的具体应用.     

基于改进蚁群算法的机器人路径规划

采用MAKLINK图论建立机器人路径规划的空间模型,利用Dijkstra算法减少工作空间的搜索范围,引入免疫算子,将其融合到蚁群算法的每次迭代过程中,提高蚁群算法在全局搜索空间的遍历性和收敛速率,避免陷入局部最优解。     

基于蚁群算法求解TSP问题的参数优化与仿真

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性.阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响.对该算法做了一些改进尝试,仿真研究表明这些改进能在一定程度上使得算法取得更优的值.     

一种求解连续对象优化问题的改进蚁群算法

蚁群算法在搜索过程中容易陷入局部最优解，且不适用于连续对象优化问题。文章针对这些问题．采用信息量变异、引入微粒群操作等方法进行改进，提出了一种引入微粒群操作的改进蚁群算法，并应用于求解连续对象优化问题。对几个典型复杂连续函数优化问题的测试研究表明，该改进算法不仅跳出局部最优解的能力更强．而且能较快地收敛到全局最优解，表明了算法的有效性。     

改进的蚁群算法及其在TSP问题中的应用

针对蚁群算法容易陷入局部最优解的缺点,提出了一种改进的蚁群算法。该算法通过禁忌当前取得的最优路径,有选择地更新信息素,而后重新搜索,有效提高了基本蚁群算法的寻优能力。文中将改进后的蚁群算法应用于TSP问题,通过对典型的Eil51.tsp进行测试,证明了改进后算法的可行性有和效性。     

基于蚁群算法的车辆路径问题研究

文中首先对传统的蚁群算法进行了简要介绍,并分析了其局限性;其次详细对比了车辆路径优化与TSP的区别,对于蚁群算法从启发式因子和改进参数两个方面对蚁群算法进行了优化;最后结合某三级城市京东仓库和配送点之间的路径优化进行了实例分析,分析结果表明,基于文中优化后的蚁群算法总里程由原来的465. 6km,缩减为改进后的301. 6km,减少164km,优化效果十分明显。     

基于改进蚁群算法的医疗人力资源应急优化调度模型设计与仿真

针对传统医疗人力资源调度方法在应对多地突发公共卫生事件时,存在调度效率低、均衡度较差等问题,该文提出了一种基于改进蚁群算法的医疗人力资源应急优化调度模型设计方案。该方案采用分析蚁群算法中蚂蚁在移动过程中的信息素来判断人员、路径安排的合理性与均衡程度。通过引入遗传算法,并使其与蚁群算法相结合,再利用交叉和变异操作改善了医疗人力资源调度模型的求解速度及质量。仿真实验将该模型与基于粒子群算法和蜂群算法的调度模型进行了细致的对比,结果表明,所提模型使任务分配偏差分别降低了29.6%和38.7%,证明了所提方案具有一定的有效性与优越性。     

改进的蚁群算法求解VRP问题

为了使蚁群算法针对VRP问题解的搜索更加高效,将变异操作用于蚁群算法．给出了变异概率的设置,合理地改进可见度的计算及信息素更新方法,结合swap局部搜索,获得了更加稳定的求解VRP问题的蚁群算法。实验表明,该算法稳定有效。     

基于遗传变异蚁群算法的机器人路径规划的改进

针对基本蚁群算法在机器人路径规划问题中容易陷入局部最优的问题,提出了一种改进的蚁群算法,利用遗传算法加入了变异因子使最优路径产生变异,从而降低了蚁群算法陷入局部极小的可能性。同时改善了基本蚁群算法不收敛或收敛速度比较慢的缺点,加快了收敛速度,增加了最优解的多样性。     

一种改进的多目标蚁群优化算法

提出了一种改进的多目标优化问题的蚁群算法.算法选择进化算法的定义的时候,种群中一定数量的个体信息来源作为中心的扩散,多个中心点之间有一定的距离;群体中的其他个体按照离源个体最近的距离的原则归属于其中一个信息素扩散源;按照信息素扩散算法,每一信息素扩散源中的个体获得源于中心点的信息素;保留每一代群体中的中心点到下一代种群中,确保了收敛性和维护种群的多样性.最后利用多目标背包问题来测试算法的性能,并与MOA和NSGA-II算法进行了分析比较.结果表明,该搜索效率高,向真实Pareto前沿逼近效果好,得到传播的多种解决方案,是一个多目标优化问题的解决和有效的方法.     

改进的基于蜜蜂进化型遗传算法和蚁群系统混合的元件贴装优化

针对PCB板的表面贴装技术(Surface Mount Technology,SMT)优化问题,提出一种基于蜜蜂进化型遗传算法和蚁群系统的混合智能算法(the Hybrid Intelligent Algorithm based on Bee Evolutionary Genetic Algorithm and Ant Colony System,BAHA).该算法的关键有4点:①通过两个种群的融合实现信息共享,提高算法的收敛速度;②采用改进的OX的交叉算子,合理保留优秀个体基因的排列顺序;③加入局部搜索算子,在当代最优解附近进行更加精细的搜索;④信息素重置防止陷入局部最优解.用TSP30问题、eil51问题与相关文献进行对比测试,仿真结果表明BAHA收敛速度快,寻优能力强.通过对5种不同PCB板的元件贴装顺序进行优化计算,结果表明,BAHA能有效的提高贴装效率.     

基于OPENMP求解旅行商问题的并行蚁群算法

蚁群算法具有自组织性、正反馈性、较强的鲁棒性和天生的并行性等优点,不足之处是需要较长的搜索时间.为了解决其搜索时间过长的问题,文中提出了一种并行实现策略,用OPENMP应用编程接口采用C++语言编程实现,能明显减少搜索所用的时间.给出了一种解决旅行商问题(TSP)的并行蚁群算法,并通过串并算法执行时间的比较,说明并行算法的优越性.     

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...     

基于改进的人工蚁群的图像分割算法

蚁群算法具有良好的离散型、并行性、正反馈性和鲁棒性,非常适合用于图像分割.基本蚁群算法存在着收敛速度慢、图像边缘的细节信息保留不完全等不足.改进了蚁群算法的启发信息,提高了蚁群算法的收敛速度,同时更有效地保留图像边缘的细节信息.图像的奇异值中只包含了少量的细节信息,大量细节信息体现在图像矩阵的2个正交矩阵中.通过利用奇异值分解作为启发信息,与信息素共同指导蚂蚁的行为.通过对蚂蚁行走路径上的信息素分布进行更新,使得分布在目标路径上的信息素逐渐增大,逐渐向分割图像收敛,根据信息素分布提取分割结果.仿真实验表明,对图像得到了理想的分割结果.     

基于蚁群算法的模糊C均值聚类的改进研究

在图像分割的研究中,模糊C均值(FCM)聚类算法较之前的硬聚类有了很大的改进,是一种基于函数最优方法的聚类算法,然而传统的FCM算法的聚类中心及个数难以确定,搜索过程易陷入局部最优。因此,提出一种基于蚁群算法的改进的FCM聚类算法。该算法利用了蚁群算法全局优化特征以及较强鲁棒性的特点,将通过蚁群算法得到的聚类中心及个数应用到传统FCM算法中,弥补了传统FCM聚类算法的不足。该算法对图像进行分块处理,并引入多尺度梯度,提高了图像分割的准确性,最后通过实验验证了该算法的有效性及实用性。     

基于遗传与蚁群算法融合的选播QoS路由算法

为有效解决选播通信中的QoS路由问题,提出一种基于遗传算法与蚁群算法融合的选播QoS路由算法.算法初期使用遗传算法在链路上分布信息素,对蚁群算法的控制参数进行编码和优化;然后通过判断函数来判断遗传算法与蚁群算法融合的时机,初始化信息素,并启动混合算法后期的蚁群算法;引入变异算子,对由变异操作得出新路径进行局部信息素更新,更快地引导蚁群算法找到全局最优解.NS2仿真实验结果表明,该算法很好的解决多QoS选播路由问题,性能优于其它算法.     

基于改进的蚁群算法的边缘连接方法

针对边缘检测得到的边缘通常存在不连续现象,基于改进的蚁群算法理论,在Canny算子得到边缘图的基础上,提出了一种有效的边缘连接方法。该方法利用能见度矩阵设置像素点的初始信息激素并调节信息激素的更新,根据像素点梯度幅值和梯度方向来确定引导函数,从而减小了在算法运行初期定位错误的概率,提高了迭代过程中信息更新的准确性。仿真实验结果表明,该方法能够有效地改善边缘检测后的边缘不连续现象,满足边缘检测的轮廓封闭性要求。     

基于改进蚁群算法的移动机器人动态路径规划方法

 本文提出了基于改进蚁群算法的移动机器人动态路径规划方法.首先针对蚁群算法收敛速度慢,容易陷入局部最优的缺点,提出了根据目标点自适应调整启发函数,提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优.其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择.最后实现了基于改进蚁群算法的移动机器人动态路径规划并完成了仿真实验,实验结果证明了该方法的可行性和有效性.     

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。