蚁群算法及其在路由优化中的应用综述

蚁群算法(ACO)是一类新型的机器学习技术,根据蚁群算法的正反馈原理和启发式原理的特点,针对目前国内国际的研究情况,对蚁群算法在最优路径的搜寻上从收敛性,收敛算法的改进以及收敛速度等方面的研究分别进行了分析综述,并对蚁群算法的一些应用,如:LEO卫星网络和无线传感等方面进行了阐述.对蚁群算法在路由优化和负载平衡上的研究进行了对比分析,发现了它们存在的不足,指出了在该领域需要进一步研究的热点问题.     

PLC在啤酒发酵控制中的应用

0 引言 啤酒发酵是啤酒生产过程非常重要的环节,特别是对发酵过程中温度、压力的控制尤其重要.早期,由于人们对发酵机理认识不深,再加上采用控制器的限制,对发酵采取自动控制未能成功.随着人们对发酵机理的逐步认识,并随着可靠性高、能经受恶劣环境器件的引用,对发酵采用自动控制逐渐取得成功.     

蚁群算法优化及其在高速公路紧急救援中的应用

最优路径分析是高速公路紧急救援系统中的一个重要功能.为实现最短时间到达事故点,在高速公路网拓扑结构模型中引入道路实际行驶时间作为路段权值.针对基本蚁群算法在高速公路紧急救援最优路径求解中具有搜索时间较长、易于过早地收敛于非最优解甚至无法找出最优解的缺陷,在信息素的初始化和更新机制、搜索方向引导方面对算法进行了改进.优化算法仿真结果显示,此方法能较为准确地找到出救点和事故点间的最优路径、搜索效率高.     

变异蚁群优化算法在流水作业排序中的应用

在采用蚁群算法求解流水作业排序中,针对蚁群算法存在的时间过长及过早收敛问题,使用解锁素及信息素挥发率作为启发式信息并引入局部优化,对蚁群系统加以改进。计算机仿真结果表明,改进后的蚁群系统对流水作业优化调度有较好的效果。     

蚁群优化算法求解TSP问题研究

介绍了信息素混合更新的蚁群优化算法,并用来求解TSP问题。混合信息素更新的蚁群优化算法是在蚁群系统（ACS）的基础上改进而成的,它在演化过程中,通过改变信息素的迭代最优更新规则和全局最优更新规则的使用频率,逐渐增加全局最优更新规则的使用频率,从而提高系统收敛的速度和减少系统搜索的导向性,并以Oliver30和att48为例给出了实验结果,说明了该混合算法的有效性。     

啤酒发酵过程中的温度自动控制

一、概述啤酒发酵是啤酒生产过程中的重要环节。啤酒发酵主要是酒精发酵,是麦汁中可发酵性糖经啤酒酵母多种酶解作用,经过一系列生化反应,生成酒精和二氧化碳。由于能量的磷酸键和ATP的形成,释放出大量的热量,使温度升高,而发酵副产物含量也会随之增高,这会给成熟的啤酒带来一定程度的"生、辣"味,使人有一种不成熟的感觉,所以必须对其进行冷却。整个啤酒发酵过程遵循一条时间—温度工艺曲线(见图1)。露天啤酒发酵罐(以下简称发酵罐)啤酒发酵液(以下简称发酵液)的温度是靠发酵罐外壁上的三段盘管里的酒精水(其温度为—     

蚁群算法在物流配送路径优化中的研究

研究物流配送路径优化问题,提高物流服务质量.针对快速准确送货,传统方法在物流配送路径优化过程,存在搜索时间长,得不到全局最优解,导致物流配送效率低的难题.为了提高物流配送路径优化效率,提出一种蚁群算法的物流配送路径优化算法.该算法首先建立优化物流配送路径的数学模型,然后采用蚁群算法对数学模型进行求解.仿真结果表明,蚁群算法具有较强的全局寻优能力,搜索速快,能够在最短时间找到流配送路径的最优解,是解决物流配送路径优化问题的有效算法.     

变异蚁群算法在电力系统无功优化中的应用

蚁群算法是新型的模拟进化算法,具有正反馈、分布式计算等特点;对蚁群算法进行变异,把其中的一些重要参数进行寻优,提高了算法的收敛速度。无功优化是一个混合整数优化问题,通过引入变异的蚁群算法,对不同类型的控制量使用不同的编码长度,从而同时处理连续和离散空间的变量,能更稳定的控制选择压力,即使陷入局部最优也能有很高的逃离概率。     

蚁群算法在公交路径查询中的应用

结合公交乘客出行的特点,提出了基于蚁群算法的公交出行路径查询算法。利用蚂蚁觅食的原理寻找最优解,即选择某路径就给该路径赋予一定的信息素,信息素值越大,成为最优路径的可能性也越大;给出了详细的算法思想和具体实现步骤。该算法实现了换乘次数最少和出行路径最短的优化目标。     

蚁群优化算法及其应用

蚂蚁算法是由意大利学者M．Dorigo等人提出的一种新型的模拟进化算法。该算法首先应用于旅行商问题并获得了极大的成功,其后,又被用于求解指派问题、Job—shop调度问题、图着色问题和网络路由问题等。实践证明,蚂蚁算法是一种鲁棒性强、收敛性好、实用性广的优化算法,但同时也存在一些不足,如收敛速度慢和容易出现停滞现象等。     

蚁群优化算法的研究现状及研究展望

本文首先简要地介绍蚁群优化算法的来源、对应的生物原理和算法实现的框架．然后详细地讨论了算法的研究现状以及在各种优化问题中的应用情况，同时也指出了蚁群优化算法在当前应用中的一些不足．针对这些不足提出了解决方法，描述了几种蚁群优化算法的修正策略.最后对蚁群优化算法下一步的研究方向进行了展望．     

基于启发式机制的改进蚁群算法

针对蚁群算法在求解最短路径问题时收敛速度慢,容易陷入局部最优解的问题,提出基于启发式机制的改进蚁群算法.在蚁群系统（ant colony system,ACS）算法基础上通过候选节点到目标点的距离动态调整启发函数,提高收敛速度;算法陷入局部最优时,引入惩罚函数,使当前最优路径上的信息素快速下降而降低蚂蚁下一次搜索正反馈的影响,避免算法陷入局部最优.仿真实验表明,在复杂环境中,包括终点处存在凹形障碍物时,该算法在解的质量和收敛速度上都显示出了良好的性能.     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

蚁群优化算法及其应用研究进展

综述了近年来蚁群算法及其在组合优化中的应用研究成果。首先简述了蚁群的觅食行为及蚂蚁的信息系统，其次介绍了人工蚁群算法的基本原理及其主要特点。然后概述了这种算法在组合优化问题中的多种应用，诸如旅行商问题(TSP)、二次分配问题(QAP)、任务调度问题(JSP)、车辆路线问题(VRP)、图着色问题(GCP)、有序排列问题(SOP)及网络由问题等。最后对蚁群算法仍需要解决的问题和未来的发展方向进行了探讨。     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。     

蚁群算法的BP网络优化算法

利用蚁群算法和BP网络训练算法相结合的方法对无线传感网络节点路由路径搜索展开了分析研究,简单分析了蚁群算法实现的基本原理,在此基础上重点给出了基于蚁群算法的BP网络优化算法的基本原理及其实现步骤,并对该优化算法与传统的BP网络训练算法的性能进行了对比仿真测试。     

混沌蚁群算法及其在电机设计中的应用

蚁群算法是一种模拟进化算法,它通过模拟蚂蚁搜索食物的过程,达到求解比较困难的组合优化之目的.混沌优化算法利用混沌序列精致的内部结构,以及它的随机性、遍历性和初值的敏感性来提高优化算法的效率.本文将混沌优化算法嵌入到蚁群算法中,充分利用了两种优化算法的优点,即蚁群算法的高精度性和混沌优化算法的快速性.用国际标准函数对该昆合算法进行验证,并对一台的永磁同步电动机(PMSM)进行优化,取得了满意的优化结果,为永磁同步电机的设计提供了一种新的有效方法.     

连续域蚁群算法在扩散工艺路线优选中的应用

针对工艺快速扩散系统中的扩散工艺路线决策问题,提出了扩散工艺路线优选模型.该模型以成本和时间为约束,结合了工艺快速扩散系统中工艺单一性的特点,构建了改进的连续域蚁群算法.该算法提出了最小路径蚂蚁信息素的局部更新,加快了收敛速度,能够快速解决扩散工艺路线优选问题.最后以一个实例验证了该算法的实用性.