融合邻域搜索策略蚁群算法求解带时间窗口的车辆路径问题

对于求解带时间窗口车辆路径问题,提出一种融合邻域搜索策略的改进蚁群算法,针对时间窗口特性,将等待时间加入到蚁群算法的状态转移规则之中。为提升算法的局部寻优能力,设计多种节点删除操作和插入操作对得到的路径进行邻域搜索。最后利用Solomon标准算例对改进算法进行测试,与目前已知最优解对比,实验结果表明改进后的蚁群算法对带时间窗口的车辆路径问题有较好的适用性。     

多策略优化的蚁群算法求解带时间窗车辆路径问题

提出一种新的蚁群算法求解带时间窗的车辆路径问题.在状态转移规则中,引入了时间启发函数,修改Ant Cycle模型信息素增量公式,引入等待或延误时间对信息素增量的影响.为避免算法陷入早熟,通过混沌扰动适当减小随机选取的最优路径上的信息素,按照客户坐标和时间窗改变已有解的组合方式对最优解进行调整.通过对相关文献实验数据的测试并与其他启发式算法所得结果进行比较,获得了较好的效果.     

基于改进蚁群算法的物流配送路径问题研究

针对蚁群算法求解物流配送路径问题易陷入早熟、停滞、局部最优的缺点,提出了混沌、变异与最大最小蚂蚁算法相融合的改进蚁群算法。在仿真实验中,分别采用最大最小蚂蚁算法、加入混沌的最大最小蚂蚁算法、加入变异的最大最小蚂蚁算法、加入混沌和变异的最大最小蚂蚁算法对物流配送路径问题进行求解。实验结果表明,加入混沌和变异的最大最小蚂蚁算法能够有效提高蚁群算法的全局寻优能力,对物流配送路径问题的求解能够得出比较好的结果。     

蚁群优化自适应遗传算法物流车辆调度实现

研究了使用蚁群算法优化遗传算法解决物流车辆调度问题;针对遗传算法在求解车辆调度问题时容易出现早熟,导致求解质量不高的问题;首先,定义了车辆调度问题的数学模型,在此基础上提出了一种对遗传算法中的交叉和变异概率进行自适应调整的方法,通过自适应遗传算法获得最优解;为了实现对其进一步的优化,使用蚁群算法提出一种对遗传算法最优解的进行优化的算法,将从遗传算法获得的最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得到了进一步优化的最优路径;仿真实验得到平均最小配送距离仅为40.72,时间为2.11,计算效率较高,且与标准遗传算法、自适应遗传算法和蚁群算法相比,文中方法在最小配送距离、迭代数以及时间都具有较大优越性。     

求解带时间窗车辆路径问题的动态混合蚁群优化算法

为求解带时间窗车辆路径问题,针对传统蚂蚁遗传混合算法中参数静态设置、冗余迭代及收敛速度慢等缺点,提出一种动态混合蚁群优化算法( DHACO)。该算法首先借助最大最小蚁群得到初始解,利用蚁群优化算法求解带时间窗车辆路径问题的基本可行解。然后采用遗传算法交叉和变异操作对局部解和全局最优解进行二次优化,从而得到最优解。最后利用蚂蚁遗传混合算法融合策略,动态交叉调用蚂蚁算法、遗传算法,根据云关联规则自适应控制蚁群算法参数。 DHACO有效减少无效迭代次数,加快收敛速度。仿真结果表明,与其他相关的启发式算法相比,DHACO优于某些实例的已知最优解。     

一种正交混沌蚁群算法在群机器人任务规划中的应用研究

针对群机器人协作任务规划问题,提出一种正交混沌蚁群算法(OCACA)对其进行求解.该算法的思想是首先采用正交法对任务目标进行聚类,然后利用混沌技术对蚁群初始解进行优化,改进初始个体质量,并用混沌扰动策略避免搜索进入局部最优,最终获得了总代价最优解.该算法将正交混沌蚁群算法首次应用于群机器人的任务规划中,成功解决了中大规模任务规划问题.仿真实验结果表明:正交混沌蚁群算法能提高多机器人执行任务的效率,同时也是解决多旅行商问题的另种新思路.     

基于改进的最大最小蚁群算法求解电力线路最佳抢修路径

电力线路最佳抢修路径就是一条物资点到故障点耗费时间最少的交通路径。最大最小蚁群算法改善了基本蚁群算法的过早停滞现象,适合于求解大规模问题,但仍存在收敛速度慢、求解质量差等缺点。针对最大最小蚁群算法的不足,提出了一种改进的最大最小蚁群算法来求解电力线路最佳抢修路径。该算法采用分段函数设置状态转移规则,结合噪声扰动方法进行局部搜索,并利用变异思想和A*算法产生邻域解。仿真实验表明,在求解电力线路最佳抢修路径时,该算法比其他改进蚁群算法具有更多的优越性,并分析了噪声扰动方法的参数对求解质量的影响。     

车辆数限制的多车型校车路径问题模型及算法研究

为适应校车路径规划中校车有多种车型且每种车型数量受限的需求,建立车辆数限制的多车型校车路径问题(HFSBRP)的数学模型,并提出一种迭代局部搜索算法进行求解。该算法借助邻域随机选择的变邻域下降搜索(VND)算法完成局部提升。局部提升过程中,首先调整车型,然后再混合使用缩减路径数和提高车辆利用率的邻域解接受策略以提高算法的寻优能力,为保证解的多样性,允许接受一定偏差范围内的邻域解。此外,为避免算法过早陷入局部最优,设计了多点交换和移动的扰动规则。基于国际基准测试案例进行模型验证和算法测试,实验结果表明了模型的正确性和算法的有效性。     

基于信息差异度蚁群算法的QoS路由算法

针对基本蚁群算法在求解QoS路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种基于信息差异度的蚁群算法对该问题进行求解。该算法在节点选择中嵌入路径信息素的差异度调节函数和迭代算子,动态调整节点选择策略;根据各路径上信息素的“集中”程度判断解的早熟、停滞情况,并引入路径变异和二次蚁群操作;根据最大-最小蚁群算法原理对信息素进行限制。仿真实验表明,算法全局搜索能力较强,能够跳出局部极值区间,快速收敛到全局最优解,算法是可行、有效的。     

公司班车的协同车辆路径问题

考虑员工上下班时间及早晚高峰期影响班车行驶速度等因素,建立协同车辆路径问题的数学模型.针对蚁群优化算法的缺点,结合具有快速全局搜索能力的遗传算法,并自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混合自适应蚁群优化算法.应用该算法和蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于蚁群优化算法.     

引入动态分化和邻域诱导机制的双蚁群优化算法

为提高传统蚁群算法在解决旅行商问题时的优化效果,提出了一种引入动态分化和邻域诱导机制的双蚁群优化算法。该算法首先引入混沌随机策略,在算法初始化阶段改变原始的贪心策略,使初始信息素混沌分布,以保持种群的多样性,从而提高解的精度;其次,将蚁群分为孤立蚁群与正常蚁群,两组蚂蚁分别在当前最优路径与离群路径附近搜索;在种群间采取诱导机制,正常蚁负责搜索最优路径,孤立蚁混沌随机释放信息素,将正常蚁群诱导至新的路径邻域,从而有效地平衡收敛速度与解的多样性之间的矛盾。通过对不同规模的旅行商问题仿真结果的比较,验证了所提算法的有效性。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

一种新的基于logistic混沌映像的自适应混沌蚁群优化算法求解动态车辆路径问题

针对车辆路径问题(VRP),提出基于logistic函数的自适应混沌蚁群优化算法。利用混沌运动的遍历性、随机性和规律性特点,把具有强局部搜索能力的logistic映像融入到蚁群算法局部信息素更新中。屏蔽logis-tic映像断点区间,克服蚁群算法搜索时间过长、易于停滞的现象,提高算法准确度。选用VRP标准库实例进行的仿真实验表明,新算法能准确找到已知最优解,与其他算法的比较实验证明了该算法的有效性。     

求解旅行商问题的混合量子蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优和收敛速度慢的问题,提出一种新的求解旅行商问题的混合量子蚁群算法。该算法采用量子比特的概率幅对各路径上的信息素进行编码,采用量子旋转门及蚂蚁走过的路径对信息素进行更新,设计一种新的变换邻域准则。基于TSPLIB的仿真实验结果表明了该算法具有较快的收敛速度和求解精度。     

基于聚度的自适应动态混沌蚁群算法

针对蚁群算法收敛速度慢，容易陷入局部最优的问题，提出了一种基于聚度的自适应动态混沌蚁群算法（A_ACS）。在迭代前期利用聚度来衡量解的多样性，自适应调节局部信息素分布，同时引入混沌算子来增加种群多样性，避免算法陷入局部最优，从而提高解的精度；在迭代后期去掉混沌算子，减少混沌扰动性，来提高算法的收敛速度。将A_ACS用于TSP问题，仿真结果表明，该算法较ACS和MMAS算法减少了搜索时间，并且提高了解的质量，其平衡了多样性与收敛性之间的矛盾，整体性能优于其他两种算法。     

应用捕食搜索策略的改进多态蚁群算法

结合捕食搜索策略对多态蚁群算法进行改良。该算法引入以下机制：在人工蚁选择路径阶段，设置侦查素路径为优先，为非侦查素路径设置惩罚因子；利用权值在侦查素和非侦查素路径都施加信息素，通过该机制避免多态蚁群算法陷入停滞；在每轮人工蚁最优结果的邻域应用捕食搜索策略，并通过竞争机制选择最优解更新信息素。通过TSP的仿真实验结果表明，提出的融合算法可以有目的地指导信息素分布，加快算法向最优解的收敛速度及提高最优解质量，克服传统多态蚁群算法的缺陷。     

混沌蚁群组合优化算法实现盲信号检测

根据混沌映射的伪随机性、遍历性以及规律性等特点提出一种新的算法,基于混沌-蚁群组合优化盲检测算法,即在信息素初始化时采用混沌初始化,并且在信息素更新时加入混沌扰动。仿真实验分别采用了4种不同的混沌映射：经典的Logistic映射、两种阶数不同的切比雪夫映射和改进的H映射。仿真结果表明,提出的基于混沌蚁群组合优化盲检测算法（CACO）可以提高计算效率,表现出了优于文献算法的良好性能。     

变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

基于改进蚁群算法的多目标跟踪数据关联方法

针对多目标跟踪数据关联问题,提出一种快速实现多目标数据关联算法CACDA（Chaos Ant Colony Data Association）,利用蚁群算法的正反馈和并行搜索能力构建初始解并进行优化,引入自适应混沌机制,对信息素进行全局更新和混沌扰动,改善了蚁群算法在搜索后期出现停滞以及收敛于局部最优解的缺陷。实验结果表明,该算法不仅可以获得较高的关联准确率,也可以有效提高关联速度。     

蚁群算法与免疫算法的融合及其在TSP中的应用

提出一种基于抗体片段局部最优搜索的克隆选择和蚁群自适应融合算法.引入混沌扰动来增加抗体种群的多样性,以提高蚁群算法的搜索能力;利用克隆扩增、免疫基因等相关算子的操作,增强了克隆选择算法搜索的效率;通过自适应控制参数,实现了克隆选择与蚁群优化的有机结合及局部最优搜索策略的应用,加快了收敛速度,克服了抗体种群早熟问题,提高了求解精度.仿真实验结果表明,该算法具有可靠的全局收敛性,较快的收敛速度.