基于改进蚁群算法的出租车路径规划算法

交通资源规划是一种比较典型的组合优化问题,新型的仿生算法--蚁群算法,由于具有正反馈性、鲁棒性、并行计算、协同性等特点,非常适合于解决交通资源规划问题.针对出租车路径规划问题的特点以及蚁群算法在这方面应用的一些不足,提出了一种改进的蚁群算法.根据同一蚁群的信息素相互激励,不同蚁群之间信息素相互抑制的原理,该算法实现了出租车资源的合理分布.     

混合改进蚁群算法的函数优化

针对蚁群算法进化速度慢、容易出现停滞现象的不足,探讨了一种基于自适应信息素挥发因子的改进蚁群算法.针对蚁群算法容易陷入局部最优的缺点,提出了一种基于决策变量高斯变异的改进蚁群算法.针对蚁群算法速度慢的不足,探讨了一种基于决策变量边界自调整的改进蚁群算法.将上述3种改进相融合,提出了一种基于自适应信息素挥发因子、决策变量高斯变异和决策变量边界自调整3种改进策略的混合改进蚁群算法.将其应用于函数优化中,仿真结果表明,混合改进蚁群算法在收敛速度和收敛率方面都有很大改进,具有更好的寻优性能.     

基于级联信息素更新蚁群算法的多用户检测

给出了基本蚁群算法在多用户检测中的具体实现,同时针对基本蚁群算法易陷入局部最优解的缺点,提出了一种改进蚁群算法的多用户检测方法。该算法对蚁群算法的信息素更新采用串联式的多级更新策略,首先进行有选择性的信息素更新,然后引进随机扰动因子进一步修改信息素,最后采用最大门限确定信息素的范围。最终的仿真结果表明:所提出的级联信息素更新蚁群算法的多用户检测(UCP-ACO-MUD)算法具有较强的跳出局部最优解的性能,效果良好。     

基于改进势场蚁群算法的机器人路径规划

提出一种全局静态环境下移动机器人路径规划的改进势场蚁群算法.该算法采用人工势场法求得的初始路径和机器人与下一个节点之间的距离综合构造启发信息,并引入启发信息递减系数,避免了传统蚁群算法由于启发信息误导所致的局部最优问题;依据零点定理, 提出初始信息素不均衡分配原则,不同的栅格位置赋予不同的初始信息素,降低蚁群搜索的盲目性,提高算法的搜索效率;设定迭代阈值,自适应调节信息素挥发系数,使得该算法具有较高的全局搜索能力,避免出现停滞现象.仿真结果验证了所提出算法的可行性和有效性.     

混合遗传算法和蚁群算法在HP模型中的应用

遗传算法和蚁群算法在HP模型中已经有了大量的研究及成果,蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。提出了一种先用遗传算法生成信息素分布,再利用蚁群算法求优化解的新的混合算法。将该算法用于二维HP模型中,计算结果显示该算法在寻优能力和收敛速度上都比单一的遗传算法和蚁群算法有所提高。     

利用改进的蚁群算法确定有机化合物分子式

在现有蚁群算法的基础上,提出了一种改进的蚁群算法(IACA)来确定有机化合物分子式.人工蚂蚁在整数空间移动,并根据与信息素相关的转移概率指导搜索方向.在算法优化过程中使用了带最大最小信息素的信息素更新规则.实验证明,该算法用来确定有机化合物分子式时,在收敛性和可搜索的变量取值范围等方面优于改进的自适应遗传算法(IAGA).     

化学反应蚁群优化算法

针对化学反应优化对反馈信息利用不足导致后期求解效率低的问题,提出化学反应蚁群优化算法.该算法利用化学反应优化生成较优解,通过信息素转换策略将较优解转换为蚁群算法的初始信息素,最后由蚁群算法累积更新信息素得到最优解.以TSP为例进行仿真,结果表明,与化学反应优化、蚁群算法、模拟退火算法相比,所提算法具有更高的寻优能力、收敛效率和计算效率.     

求解旅行商问题的Matlab蚁群仿真研究

蚁群算法是一种新颖的求解复杂优化组合问题的模拟进化算法,它具有典型的群体智能的特性,该算法的主要特点是正反馈、分布式计算、鲁棒性和并行性等,在许多领域都得到了成功应用;文章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,介绍了蚁群算法的模型和算法框图,并用蚁群算法对旅行商问题(Traveling Salesman Problem,TSP)进行了matlab仿真实现(设置蚂蚁个数31,启发式因子为1,期望启发因子为5,信息素的挥发系数为0.1,最大迭代次数为200,信息素强度系数为100,城市个数为31,用蚁群算法得出了31个城市的TSP最短路径和收敛曲线);最后介绍了近年来蚁群算法及其在组合优化中的应用研究成果,并对蚁群算法未来的发展方向进行了探讨.     

基于觅食-返巢机制连续域蚁群算法

蚁群算法求解函数问题,人工蚂蚁的搜索范围和信息素浓度更新速度直接影响到是否能够获得全域最优解。为了获得更加稳定且准确的全域最优解,受自然蚂蚁觅食后返巢行为的启发,提出了具有觅食-返巢机制的蚁群算法。该算法主要通过增大人工蚂蚁的搜索范围以及加快信息素浓度的更新速度进行改进。通过函数测试,结果表明：觅食-返巢连续域蚁群算法相比于以往的遗传算法和连续域蚁群算法,能够得到更好的计算结果和运行时间。因此觅食-返巢机制使得蚁群算法求解全域最优解的能力获得了提高。     

基于信息素扩散的优化蚁群算法的研究

在蚁群算法实验性分析的基础上,对算法模型改进和信息素更新机制方面,首次引入了信息素扩散的概念,在信息素更新的时候更好地考虑了先前经过的节点,以尽力避免不必要的无用搜索,同时基于信息素扩散的蚁群算法具有不断获得新的最优解的能力,使得改进蚁群算法在不断的迭代过程后,可获得全局最优解,而不易陷入局部最优解.在解决实际旅行商问题时,首先对所有节点的坐标预处理,然后采取信息素扩散机制和蚂蚁泛滥技术来对蚁群算法进行改进,力求在相同的迭代次数内可以寻找到更短及代价更小的路径.最后,通过在vc++环境下实现改进蚁群算法程序,验证了改进后的蚁群算法的可行性以及改进后的蚁群算法求解的高效性.     

基于遗传多蚁群算法的QoS组播路由算法研究

提出了一种基于遗传多蚁群的QoS组播路由算法,前期利用遗传算法的快速性、全局收敛性生成蚁群算法的初期信息素;后期引入多蚁群思想,克服蚁群算法容易陷入局部最优,导致算法停滞的缺点.仿真结果表明,该算法在多节点情况下具有更强的寻优能力和可靠性,是一种有效的QoS路由方法.     

自适应路由蚁群算法在导弹残骸搜索中的应用

防空导弹飞行试验后弹目残骸有着重要价值.根据残骸搜索的实际需求,把残骸落点纳入到路网中,结合自适应路由算法,改进了基本蚁群算法,解决了靶场残骸搜索的最优路径问题.蚁群算法有收敛性较差、易于过早陷入局部最优等不足,通过构建蚁群、引入信息素约束条件、调整信息素初始值、自适应改变信息素增量等技术,增强了蚁群搜索能力,改善了算法收敛速度.仿真表明该算法易于编程实现,时延小,鲁棒性强,实用性好.     

基于交税的蚁群算法及其在TSP中的应用

蚁群算法是一种新型的元启发式优化算法,已成功地应用到TSP等多种组合优化问题,但是算法存在一些缺点,如容易早熟,收敛速度慢等,针对这些缺点,提出了一种交税蚁群算法.根据缴纳个人所得税的方式,在进行全局信息素更新的时候,每隔一段时间,当前最优路径再缴纳一定的信息素税,从而提高了算法搜索较好解的能力.通过仿真实验,并与蚂蚁系统和蚁群算法进行比较,试验结果表明,该算法在避免早熟方面和搜索最优解方面具有较好的表现.     

基于多态自适应的蚁群算法研究

针对基本蚁群算法易陷入局部最优,收敛速度慢等不足,提出了一种多态自适应蚁群算法：首先引入不同种类的蚁群,每种蚁群有各自不同的信息素调节机制;其次采用自适应调整信息素挥发因子的策略,并将各条寻优路径上可能的残留信息素数量限制在一个区间内,避免出现停滞现象。仿真结果验证了文章所提算法的可行性和有效性。     

信息素增量动态更新的改进蚁群算法

蚁群算法是一种优秀的拟生态启发式算法,具有较强的鲁棒性,易与其它拟生态算法结合等特点.不过,它也存在着容易陷入局部最优、收敛速度慢等问题.通过分析蚁群算法的运行机制,得出了蚁群算法易陷入局部最优、收敛速度慢等不足产生的原因,针对这些不足,通过侈改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;同时引进了路径信息素平滑机制以平衡路径上的信息量.对TSP问题的仿真实验结果表明,改进后的算法加快了收敛速度,提高了全局搜索能力.     

一种自适应信息素改进蚁群算法①

针对基本蚁群算法容易导致早熟、停滞现象,改变其信息素释放策略,提出自适应信息素改进蚁群算法,使得信息素的更新采用了一种新的面向数据的传递方式。改进后的算法在收敛速度和解的多样性之间取得良好的平衡。通过解TSP实例试验结果表明,其比基本蚁群算法具有更好的搜索能力,且其误差率可以保持较低的水平。     

面向智能信息素释放的网格GIS资源查找算法

针对基本蚁群算法中蚂蚁速度无限且信息素同步更新的情况,该文提出了基于智能蚁群信息素释放的资源查找算法。该算法以蚂蚁的速度有限为前提,采用面向信息素更新规则来调整各个蚂蚁的信息素浓度,从而间接地改变蚂蚁间合作方式。根据实际蚁群的寻路过程,该算法具有较好的全局搜索能力,对于查找初始化数据量庞大的网格GIS资源有着高于基本蚁群算法和其他资源搜索算法的效率。     

具有路径平滑和信息动态更新的蚁群算法

蚁群算法具有很强的寻优能力,但仍存在搜索时间过长、易于停滞等问题。针对这些不足,提出了一种具有路径平滑和信息动态更新的蚁群算法。新算法引入了路径平滑概念,加强了对蚁群前期搜索的引导,扩大了蚁群后期搜索空间;同时,通过动态调节信息素挥发因子,使得路径间信息素浓度差异不会增长过快,有效地避免了算法陷入局部解。实验结果表明,具有路径平滑和信息动态更新的蚁群算法明显优于基本蚁群算法。     

基于信息素扩散机制的双种群蚁群优化算法

针对基本双种群蚁群算法在进化中容易出现早熟、停滞的现象,对算法进行了改进.在双种群蚁群分别独立进化、定期进行信息交换的基础上,提出一种新的蚁群优化算法,通过建立信息素扩散模型,并在每种蚁群的局部信息素更新上采用扩散模型,使蚂蚁更好的发挥了协作能力.以旅行商(Travel Salesman Problem,TSP)问题为例的仿真实验表明,该算法比基本双种群蚁群算法具有更好的收敛速度和寻优能力.     

基于信息熵调整的自适应蚁群算法

针对基本蚁群算法在求解大规模旅行商问题进易导致搜索时间过长或陷入停滞的问题,提出一种基于信息熵调整的自适应蚁群算法.该算法通过优化过程中种群的信息熵来衡量演化的程度,自适应地调整路径选择策略和信息素更新策略.信息熵的计算以某条路径边上的信息素占总信息素量的比例为基础.对大规模城市数旅行商问题进行实验,实验结果表明,提出的基于信息熵调整的自适应蚁群算法能获得比基本蚁群算法更好的解,并且增加了算法的稳定性.