基于任务能力排序的虚拟企业联盟生成方法

将虚拟企业联盟生成问题转化为多Agent问题,针对传统求解多Agent问题过程中仅考虑成本和联盟值最优的局限性,引入“一企多标”和资源配置等实际问题并给出解决方案。重点论述了基于改进的蚁群算法及任务能力排序的虚拟企业联盟生成方法,在求解过程中首先根据任务所需的核心能力对Agent集进行划分,然后利用改进的蚁群算法来求解该问题,以使满足该任务能力要求的Agent优先被选择,从而避免优势资源得不到利用的现象,起到合理配置资源的作用。通过模拟算例分析表明,该方法能有效、快速求解多虚拟企业联盟生成问题,表现了该方法的正确性。     

二进制编码差异演化算法在Agent联盟形成中的应用

在多Agent系统中,通过形成联盟可以提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.从本质上讲,Agent联盟的形成是一个复杂的组合优化问题.引入差异演化算法来解决这一问题.差异演化是一种基于群体差异的演化算法,适合于求解连续空间的最优化问题.首次将以实数编码的差异演化算法应用于Agent联盟问题,提出二进制编码的差异演化算法解决组合优化问题,通过引入S型函数把变异操作的结果限制在集合{0,1}上,可以快速、高效地找出合适的Agent联盟.与遗传算法和蚁群算法的对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.     

改进的遗传蚁群混合算法在 TSP 中的应用

针对遗传算法和蚁群算法的不足,提出一种改进的遗传蚁群混合算法。该混合算法通过判定最优解的改良情况,将遗传算法和蚁群算法动态串行融合,以充分利用遗传算法的全局搜索能力和蚁群算法的正反馈机制。同时,依据信息素在正反馈过程中的重要作用,提出一种改进的带奖惩项的信息素更新机制。仿真计算结果表明,本文提出的混合算法在求解TSP方面,收敛速度和求解质量均较传统的遗传算法及蚁群算法要好。     

遗传蚁群融合算法求解航迹规划问题对比研究

蚁群算法和遗传算法的融合是目前的研究热点之一,因此研究不同的遗传蚁群融合算法对算法的选择及其改进具有积极的意义.研究了遗传算法的编码方式、交叉方式及变异操作和蚁群算法的原理,且着重研究了遗传蚁群混合算法、蚁群遗传混合算法、同遗传算法整合的蚁群算法等三种融合算法,并应用这三种算法在求解航迹规划问题上进行了仿真研究,对所得的最优解从精度和快速性对其进行了分析和比较,可以得出遗传蚁群算法快速性最好但精度稍差,同遗传算法整合的蚁群算法精度最好但比较费时,蚁群遗传算法的精度和快速性介于前两种算法之间.     

蚁群算法和遗传算法融合及其在有时间窗的车辆路径问题中的应用

针对基本蚁群算法搜索时间长、易陷入局部最优的缺点,提出了一种蚁群算法和遗传算法相融合的混合算法.该算法利用遗传算法全局快速收敛的优点,将遗传算法融入到蚁群算法的每一次迭代中,以加快算法的收敛速度,提高求解效率.实例运行结果验证了算法的有效性.     

一种求解函数优化的混合蚁群算法*

将遗传算法与蚁群算法中的协同模型进行有机结合,在蚁群算法中引入交叉、变异、选择算子来改进基本蚁群算法,克服了蚁群算法不太适合求解连续空间优化问题的缺陷。通过测试函数表明该方法具有较好的收敛速度和稳定性,求解结果好于遗传算法。     

遗传算法与多Agent遗传算法操作与性能比较

该文主要介绍遗传算法及其改进的混合算法多Agent遗传算法在操作和性能上的差异,分析并证明了了遗传算法求解高维函数优化问题的局限性。通过实验证明了多Agent遗传算法的执行性能上较遗传算法具有很大的优越性,特别是在求解不高于400维的优化问题时。     

基于蚁群-遗传融合框架的仓储群机器人任务分配

将智能仓储中的自主移动群机器人订单任务分配,建模成群机器人协同调度的多目标优化问题,将成员机器人完成拣货任务的路径代价和时间代价作为优化目标.设计了蚁群-遗传算法融合框架并在其中求解.该框架中,蚁群算法作为副算法,用于初始种群优化;遗传算法改进后作为主算法.具体地,在遗传算法轮盘赌选择算子后引入精英保留策略,并在遗传操作中加入逆转算子.针对不同数量的订单任务,使用不同规模的群机器人系统进行了任务分配仿真实验.结果表明,在本文所提的融合框架中求解,较分别使用蚁群算法或遗传算法单独求解,性能上具有明显优势,能够发挥蚁群算法鲁棒性好和遗传算法全局搜索能力强的特点,提高智能仓储系统的整体运行效率.     

改进型蚁群算法求解单任务Agent联盟

联盟是多Agent之间一种重要的合作方法,如何生成面向某个任务的最优联盟是一个复杂的组合优化问题．首次引入蚁群算法来解决这一问题,在求解过程中蚂蚁倾向于选择曾经合作过并且合作效果比较好的Agent组成联盟,充分实现了熟人机制;创新地引入“第2种信息素”对蚁群算法进行改进,不再易于陷入局部极小．对比实验结果表明,本算法在解的性能和收敛速度上均优于相关算法．     

一种求解TSP问题的蚁群遗传混合算法

提出了一种蚁群算法与遗传算法相混合的算法。将遗传算法加入到蚁群算法的每一次迭代的过程中,利用遗传算法全局快速收敛的特点,来加快蚁群算法的收敛速度。并且遗传算法中的变异机制,帮助提高了蚁群算法取不到局部最优解的能力。不仅阐述了新算法的原理,而且以TSP问题的求解为例进行了相关的实验,实验结果表明新算法即蚁群遗传混合算法(ACGA)在求解时间和求解质量上都取得了很好的效果。     

改进蚁群算法的无线传感器网络路径优化

研究无线传感器网络路径优化问题,针对无线传感器网络(WSN)路径优化问题,在分析了遗传算法和蚁群算法各自优缺点的基础上,通过把蚁群算法作为WSN路径优化的主框架,采用遗传算的选择、交叉和变异算子提高蚁群算法搜索速度,提出一种改进蚁群算法的WSN路径优化方法。仿真结果表明,改进蚁群算法有效地克服了基本蚁群算法的缺陷,提高了WSN路径优化效率和成功率,减少了能理消耗,有效延长了网络生存时间。     

基于改进蚁群算法的WSN路径优化

针对无线传感器网络(WSN)路径优化问题,提出一种改进蚁群算法的WSN路径优化方法,结合遗传算法和蚁群算法的优点,在蚁群算法中引入遗传算法选择、交叉和变异算子,提高算法收敛和全局寻优能力。仿真对比实验结果表明,改进蚁群算法提高了WSN路径优化效率和成功率,有效延长了WSN的生命周期,改善了网络整体性能。     

多选择背包问题的求解算法探讨

本文简介了三种基本算法:动态规划、遗传算法、蚁群算法.给出了用这三种算法解决多选择背包问题的基本原理及求解步骤.并分别对其进行优缺点评述,指出在规模较大时用改进的遗传算法或蚁群算法较好.     

物流配送车辆路径问题的优化研究

物流中的车辆路径问题(VRP)是目前组合优化领域的研究热点问题,VRP为NP-hard问题。本文在对VRP分析的基础上,建立数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。提出的优化算法首先采用蚁群算法在局部阶段产生最好解,然后利用遗传算法的优良基因在全局阶段对优化解进一步优化,以获取最好路径解。实验结果表明,提出的融合算法能高效解决VRP问题,且优化效果比单算法好。     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

基于遗传算法和蚁群算法融合的QoS路由算法*

面向QoS路由问题,设计了一种基于遗传算法和蚁群算法融合的QoS路由算法(QoS routing algorithm according to the combination of the genetic algorithm and ant colony algorithm,GAACO_QoS).利用遗传算法生成初始解,将其转换为蚁群算法所需的信息素初值,然后利用蚁群算法求取最优解.设置遗传算法控制函数来控制遗传算法和蚁群算法融合的适当时机.通过与遗传算法以及蚁群算法的比较,进一步说明算法的有效性.     

连续函数优化的一种新方法-蚁群算法

针对连续函数优化问题,给出了一种基于蚂蚁群体智能搜索的随机搜索算法,对目标函数没有可微的要求,可有效克服经典算法易于陷入局部最优解的常见弊病。对基本的蚁群算法做了一定的改进,通过几个函数寻优的结果表明,算法具有良好的效果。同时,运用遗传算法对蚁群算法中的一些重要参数进行了寻优,提高了蚁群算法的收敛速度。     

基于蚁群-遗传算法的物化视图选取策略

将蚁群算法和遗传算法相结合用于物化视图选取问题。利用遗传算法较强的全局搜索能力对蚂蚁每次的搜索结果进行优化改良,并在信息素更新时,同时考虑最优、最差路径上的信息素更新。实验结果表明,该算法不仅提高了解的收敛速度,也成功解决了蚁群算法易“早熟”而引起的停滞现象。     

融合遗传蚁群算法的Web 服务组合研究

为了提高Web服务组合流程中服务选择技术的收敛性能,提出了一种基于遗传算法与蚁群算法相融合的多目标优化策略,用于解决基于QoS的Web服务组合问题。本文首先将Web服务组合的全局最优化问题转化为寻求一条QoS最优解的路径问题,并通过改进遗传算法得到蚁群算法中初始路径的信息素分布,再通过改进蚁群算法来求得最优解。仿真实验结果表明,该改进算法能在较少的进化代数下得到最优路径,提高了Web服务组合的快速全局搜索能力。