改进的蚁群算法求解旅行Agent问题

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点。旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent 为完成用户指定任务,在不同主机间移动时的迁移策略问题。在蚁群算法的基础上,引入变异运算,并且对蚁群算法的全局和局部更新规则进行改进,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移。仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法。     

蚁群算法在移动Agent迁移中的应用研究

移动Agent提供了一种全新的分布计算范型.移动Agent技术给分布式系统的设计、实现和维护都带来了新的活力.旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent在不同主机间移动时如何根据移动Agent的任务和其他约束条件来规划最优的迁移路线.蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,是一种解决旅行Agent问题的有效手段,受到了广泛的关注,但它与其他进化算法一样存在易陷入局部最小的缺点.在蚁群算法的基础上,通过修改它的信息素轨迹更新规则,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移.仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法.     

双信息素蚁群算法及其在TSP中的应用研究

提出了一种新的蚁群算法,通过在算法中引入双信息素,很好地改进了算法在解决TSP(旅行商)问题时的收敛性和最优解的全局性.一方面通过提高全局信息素对城市路径选择的影响度,很大程度上缩短了算法寻优时间,使算法收敛性得到很大的改善;另一方面通过对接近最优解的一定范围内次优解进行局部更新,避免了算法容易收敛于局部最优解的缺点,极大地改进了最优解的全局特性.在MATLAB中构建了基于蚁群算法的TSP问题模型,仿真结果表明,独立的全局信息素使蚁群很快集中于各个次优解区域搜索,局部更新策略又使蚁群跳出局部级值寻找最优,仿真结果证明算法的改进十分有效.     

改进蚁群算法求解旅行Agent问题

利用蚁群算法来求解TAP问题是解决移动Agent迁移策略的一种有效途径。旅行Agent问题是复杂的组合优化问题,蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,适合求解NP难问题。在蚁群算法的基础上,提出分泌多种信息素的改进蚁群算法来求解旅行Agent问题,动态反应了节点服务能力和网络负载的变化,使迁移更具有灵活性。实验结果表明了该文算法的可行性。     

基于禁忌搜索和蚁群算法的广义分配问题研究

广义分配问题是典型的组合优化问题.蚁群算法在求解该类问题时,存在着求解时间长和容易陷入局部最优的问题.为有效地解决该问题,将禁忌搜索算法作为蚁群算法的局部搜索策略,在蚁群算法求得的优化解的基础上进行局部搜索,增快算法的收敛速度,避免陷入局部最优;在解没有得到明显改善时,采取多样化操作,强迫算法采取新的解的结构,从全新方法求解.实验结果表明,该算法与其它算法相比,具有收敛速度快、不易陷入局部最优、求解精度高的特点,能够有效地解决广义分配问题.     

蚁群算法的优化及在TSP问题上的应用

蚁群算法是一种模仿真实蚂蚁群集体行为的全局启发式随机搜索算法,目前蚁群算法存在易陷入局部最优、搜索时间长等问题。提出一种改进的蚁群算法,加入扰动策略、挥发因子动态调整策略以避免算法陷入局部最优值,采用奖励策略提高搜索效率。通过在旅行商问题上验证得知,改进后的算法可以获得已知最优值,与最大最小蚁群算法相比,解的平均值、出现最优值的概率都有提高。     

蚁群算法的优化及在TSP问题上的应用

蚁群算法是一种模仿真实蚂蚁群集体行为的全局启发式随机搜索算法．目前蚁群算法存在易陷入局部最优、搜索时间长等问题。提出一种改进的蚁群算法,加入扰动策略、挥发因子动态调整策略以避免算法陷入局部最优值．采用奖励策略提高搜索效率。通过在旅行商问题上验证得知,改进后的算法可以获得已知最优值,与最大最小蚁群算法相比,解的平均值、出现最优值的概率都有提高。     

基于种群熵的改进自适应蚁群算法

针对标准蚁群算法(ACO)在求解旅行商问题(TSP)时出现的早熟收敛、易陷入局部极值点的缺点,提出了基于种群熵的改进自适应蚁群算法求解方法.通过种群熵来衡量算法是否陷入局部最优,直接交换部分边上的信息素以增加解的多样性.通过对解TSP的实验仿真表明,改进后的算法提高了搜索效率和全局收敛性能,该算法是可行和有效的.     

改进的智能蚁群算法在TSP问题中的应用

研究旅行商领域优化路径问题,解决目前蚁群算法易陷入局部最优、搜索时间长等问题.为加快算法的速度优化结果,提出了一种改进的求解TSP问题的智能蚁群优化算法.算法前期采用了一种最近节点选择策略对路径进行优化,提高了搜索效率,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛.通过改进后的蚁群算法,对TSPLIB中部分问题的仿真结果表明,在避免陷入局部最优和缩短搜索时间方面都取得了很好的效果.证明采取的优化蚁群算法,是可行有效的.     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

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。     

基于自适应蚁群聚类的入侵检测

针对蚁群聚类算法在聚类结果中出现部分数据划分不够准确的问题,提出一种基于信息熵调整的自适应混沌蚁群聚类改进算法。该算法通过优化过程中种群的信息熵来衡量演化的程度,自适应地调整信息素更新策略。每一次迭代结束时,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,从而得到更好的聚类结果。使用KDD Cup 1999入侵检测数据集所作的仿真实验结果表明,聚类效果改进明显,并能有效提高入侵检测的检测率、降低误检率。     

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。     

改进型蚁群算法参数优化研究

研究在不使用局部搜索情况下参数组合对改进型蚁群算法的影响。以带时间窗的车辆路径问题为例,针对基于最大最小蚁群算法的改进蚁群算法中的五个参数,运用均匀设计法对最优参数配置问题进行了研究。仿真实验表明改进的蚁群算法效果明显,能有效解决Solomon数据集中的R类和RC类问题,且具有较强的鲁棒性。对最优参数的局部调整没有明显提高算法获取最优解能力的问题,分析了其可能的原因。     

带投资约束P-中位问题的混合蚁群算法

将投资限制引入经典约束p-中位问题,提出带投资的约束P-中位问题,该问题更适用于交通、物流等领域的设施选址。在深入分析带投资约束P-中位问题的数学模型的基础上,首先提出了适用于该问题求解的局部搜索策略;其次,将局部搜索策略与拉格朗日启发式算法和蚁群算法相结合,设计了求解该问题的拉格朗日混合蚁群算法。实验结果表明：带投资的约束P-中位问题能够根据投资金额规划不同的投资方案;且提出的混合蚁群算法较大程度上提高了蚁群算法和拉格朗日启发式算法的求解精度,具有较好的收敛性。     

蜂群—蚁群自适应优化算法*

为了解决蚁群算法在求解连续函数优化问题时,存在局部搜索能力较差的缺陷,提出一种新颖的自适应蜂群—蚁群优化算法。新算法在蚁群优化算法的基础上,设计了一种参数q的自适应机制,进而减少了参数个数,提高了其鲁棒性;根据蜂群算法基本思想,利用雇佣蜂和观察蜂设计了高效的局部搜索算子,从而提升了算法的局部能力。针对五个标准测试函数的仿真实验结果表明:与蚁群优化算法相比,新算法的全局和局部寻优能力均得到了极大的提升。     

基于混合行为的蚁群算法

针对基本蚁群算法易出现停滞、收敛速度慢的问题,在最大最小蚁群算法的基础上提出了一种基于混合行为的蚁群(HBAC)算法,通过引入停止蚂蚁来构造局部路线方式和增加全局调优策略,提高了算法的搜索能力和收敛速度,同时将蚂蚁所寻找的各条路径的信息素限定在一个可动态调整的范围之内,避免了算法过早陷于局部最优解.通过HBAC算法同其他蚁群算法在求解旅行商问题上的实验比较,发现该算法拥有较快的收敛速度,提高了全局最优解搜索能力,在性能上有了较大的提高.     

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。     

基于二次分配问题的混合蚁群算法

二次分配问题是组合优化领域中经典的NP-hard问题之一,应用广泛。在对二次分配问题进行分析的基础上,提出了一种求解该问题的混合蚁群算法。该算法通过在蚁群算法中引入遗传算法的2-交换变异算子,增强了算法的局部搜索能力,提高了解的质量。实验结果表明,该算法在求解二次分配问题时优于蚁群算法和遗传算法。     

一种启发式动态信息素更新策略的蚁群算法

针对蚁群系统（ACS）在解决TSP问题上存在易陷入局部最优和收敛速度较慢的问题,提出了一种改进的启发式蚁群算法。在迭代前期赋予伪随机因子较小的阈值,从而使蚂蚁能以较大的概率选择轮盘赌方式完成解的构建,扩大了解的搜索范围;同时通过引入迭代最优蚂蚁进行全局信息素更新,来进一步增加了解的多样性,使算法避免陷入局部最优。在迭代后期随着伪随机因子参数值变化幅度的加快,则用至今最优蚂蚁来取代迭代最优蚂蚁,以促进搜索进程很快的向最优解附近收敛,加快了收敛的速度。实验仿真结果表明改进后的算法在前期能够有效地跳出局部最优,并且在后期能够明显提升收敛速度。