微正则退火的双向蚁群优化算法

双向蚁群搜索算法可以提高算法的搜索速度,并可以选择搜索的空间;微正则退火算法具有准确度高、速度快等优点,可以实现全局路径优化搜索.结合两种算法的优点,提出了双向蚁群微正则退火算法,用来求解海量数据网络下的旅行商问题.通过实验表明:双向蚁群微正则退火算法不容易陷入局部最优解,且在寻找全局最优解和运行效率上都比其他算法更有优势.     

基于蚁群算法的一种能量高效路由算法的研究*

为了达到在信息传输路径上节能的目的,提出了一种基于蚁群算法的节能路由算法。该算法根据节点当前可用能量选择下一跳节点,按照节点经过的人工蚂蚁数选择数据汇聚节点,最终达到能量均衡使用和降低通信量的目的。经仿真计算证明该算法能合理地选择路由,节能效果明显,进一步延长了网络生存期。     

基于改进型蚁群算法的MFJSSP研究*

为了对MFJSSP进行优化,给出了改进的基于蚁群算法的MFJSSP解决方法。改进后的算法根据工件数量确定子集数量。给出了可选工作集的构建方法及在寻优过程中的邻域搜索策略,并对蚁群算法的参数选择问题进行了讨论。完成了MFJSSP中蚁群算法的改进,并将改进后的蚁群算法应用于解决4×5问题和8×8问题,取得了较理想结果。实验结果证明所提出的算法在解决MFJSSP上是一种可行、有效的解决方法。     

一种基于格的蚁群算法

针对蚁群算法容易陷入局部搜索的问题,提出了一种基于格的蚁群算法。将问题空间划分为n块格子,基于随机策略,将m只蚂蚁分别放在n块格子中,对于每个格子,再次基于随机策略,将格子内的蚂蚁放置在不同的节点上。仿真结果显示,在不影响最优解的情况下,基于格的策略加速了算法的收敛性。     

基于量子蚁群算法的片上网络映射研究*

随着片上网络的兴起和发展,针对带宽和时延约束下实现低功耗成为其设计的焦点之一。为此,提出一种基于量子蚁群映射算法的方法来解决片上网络设计中使IP核映射的通信功耗最小化问题。该算法改变蚁群算法中信息素的释放方式,采用量子优化算法中的量子概率幅代替,信息素的更新则通过使用量子相位旋转的方式,实现蚂蚁信息素的自适应更新,用以有效的降低蚁群算法容易早熟收敛的情况。通过实验对比研究,该算法在快速搜索和全局寻优能力上,均优于蚁群算法。     

基于蚁群算法的k条路径生成研究*

通过分析物流企业车辆路径选择难的问题,对现有的蚁群算法进行分析和改进,提出了多径向蚁群算法。算法中设置多径向因子、路网拓扑结构、拓扑矩阵改进蚂蚁路径选择。实验结果表明算法具有合理性、可行性和有效性,可应用于求大规模路网中的多条路径问题。     

基于蚁群算法的DSR协议研究与仿真

为了延长无线网络的生存时间,避免簇内过早的出现盲节点,提出了一种利用蚁群算法优化的DSR协议。在划分簇和选择簇头的研究过程中,动态追踪无线网络中节点的变化情况,分权衡量节点的移动速度和剩余能量,选择合适的簇首和稳定的信息传播半径,并根据信息传播半径的大小对传感器节点的地理位置进行虚拟网格划分,最终实现信息的稳定传输和能量的有效利用。仿真结果表明,与LEACH和CDSR协议相比,该算法不仅有效地提高了信息传输效率、均衡了网络节点的能量消耗、延长了网络寿命,并且有效增强了无线自组织网络的鲁棒性。     

基于蚁群算法的Hadoop资源感知调度器研究

通过研究蚁群算法,针对现有Hadoop调度器的不足,提出一个基于蚁群算法的Hadoop资源感知调度器及其具体实现方案。从而使Hadoop作业调度器可以更有效地对任务进行分配,提高整体架构的作业性能。通过实验证明,利用蚁群算法实现的资源感知调度器在同构环境中虽没有明显改善系统计算速度,但是在异构环境中可以很好提高系统处理任务的性能,降低了运算时间。     

A link prediction algorithm based on ant colony optimization

The problem of link prediction has attracted considerable recent attention from various domains such as sociology, anthropology, information science, and computer sciences. In this paper, we propose a link prediction algorithm based on ant colony optimization. By exploiting the swarm intelligence, the algorithm employs artificial ants to travel on a logical graph. Pheromone and heuristic information are assigned in the edges of the logical graph. Each ant chooses its path according to the value of the pheromone and heuristic information on the edges. The paths the ants traveled are evaluated, and the pheromone information on each edge is updated according to the quality of the path it located. The pheromone on each edge is used as the final score of the similarity between the nodes. Experimental results on a number of real networks show that the algorithm improves the prediction accuracy while maintaining low time complexity. We also extend the method to solve the link prediction problem in networks with node attributes, and the extended method also can detect the missing or incomplete attributes of data. Our experimental results show that it can obtain higher quality results on the networks with node attributes than other algorithms.     

基于蚁群算法的最优路径选择问题的研究

交通网络中最优路径的选择尤为重要,各国学者在这方面做了大量的研究和改进.提出了一种基于蚁群算法的最优路径选择问题的新方法.在最优路径的选择过程中采用蚁群算法并对其进行建模,能够发挥算法并行性、正反馈、协作性等特点,使各蚂蚁个体之间相互协作,在较短的时间内发现较优解.研究及模拟实验结果表明,蚁群算法是一种鲁棒性较强的新型模拟仿生算法,具有较好的发展前景.     

基于蚁群算法的情感模型研究

情感是人类智能中的一个重要表现形式,在人类决策过程中起着重要的作用.从情感的特征出发,抽取影响情感产生的载体因子,引入蚁群算法思想,将携带载体因子的蚂蚁,采用串行的方式,通过反应强度值的不断更新,完成寻找最优情感状态的任务,以此来考察人类的情感变化.通过和隐马尔可夫情感模型相比较,可以看出基于蚁群算法思想的情感模型实现过程简单,并反映了情感状态的变化过程.仿真结果表明了该模型与实际相符合,对研究计算机情感表达有较好的作用.     

基于群体分类的自适应蚁群算法

针对基本蚁群算法在求解能力方面的不足,提出一种基于群体分类的自适应蚁群算法.该算法在智能蚁群的基础上引入随机蚁群以便扩大搜索空间,不同蚁群实行各自不同的搜索前进策略和信息更新机制,并可通过调节随机蚁群与智能蚁群的比例来控制收敛速度.多个旅行商问题的仿真实验证明,相比ACS、MMAX算法,该算法的求解能力得到了改进.     

基于蚁群优化的路由算法

针对移动自组网提出了一种基于蚁群优化的路由算法,该算法很好地利用了蚁群算法的自适应性,能有效地承载移动自组网的负载。在NS-2平台下的算法仿真表明,该算法在移动自组网环境下表现了较好的性能,从吞吐量、平均延迟、传送率三个指标比较来看,比AODV和DSR的性能都要好。     

基于改进蚁群算法的图像边缘检测研究

传统的蚁群算法应用于图像边缘检测时,会出现边缘不够平滑、受噪声影响大、易收敛于局部等问题。为了提高边缘检测的效果,将灰度梯度与区域灰度均值方法相结合,确定蚂蚁的初始位置和启发矩阵;引入权重因子定义新的概率转移函数,并通过混沌算法和自适应参数进行信息素矩阵的更新,避免过早陷入局部最优。实验结果表明,改进的蚁群算法可以有效减少噪声对边缘检测的影响,并获得更加完整和清晰的图像边缘,取得较好的效果。     

一种基于ACO的K-medoids聚类算法

K-medoids算法作为聚类算法的一种,不易受极端数据的影响,适应性广泛,但是K-medoids聚类算法的精确度不稳定,平均准确率较低,用于实际的聚类分析时效果较差.ACO是一种仿生优化算法,其具有很强的健壮性,容易与其他方法相结合,求解效率高等特点.在K-medoids聚类算法的基础上,借鉴ACO算法的优点,提出了一种新的聚类算法,它提高了聚类的准确率,算法的稳定性也比较高.通过仿真实验,验证了算法的可行性和先进性.     

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.     

基于异类蚁群的双种群蚁群算法

提出一种基于异类蚁群的双种群蚁群（Dual Population Ant Colony Algorithm Based on Heterogeneous Ant Colonies,DPACBH）算法,算法将两种信息素更新机制不同的蚁群分别独立进行进化求解,并定期交换优良解和信息来改善解的多样性,增强跳出局部最优的能力,使算法更容易收敛到全局最优解。以TSP（Travel Salesman Problem）问题为例所进行的计算表明,该算法比基本双种群蚁群算法具有更好的收敛速度和准确性。     

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。     

改进型蚁群算法的多处理机任务调度研究

蚁群算法是一种新型的模拟进化算法,具有正反馈、分布式计算等特点,是一种解决组合优化问题的有效算法。在介绍蚁群算法基本原理以及探讨该算法的缺陷基础上,针对多处理器任务调度问题,提出了一种基于改进型蚁群算法的调度策略。仿真研究表明,该算法具有优良的全局优化性能,效果令人满意。     

一种基于自适应蚁群算法的数据关联方法

针对跟踪中多目标数据关联问题,在蚁群数据关联(ACDA)算法的基础上,提出了一种自适应蚁群数据关联方法,通过对转移概率和信息素持续度的自适应调整,改进了全局信息素更新,有效地避免了陷入局部最优问题。仿真实验证明:该算法在解决多目标数据关联问题上是行之有效的。