基于边缘搜索的蚁群算法

蚁群算法是根据真实蚁群的觅食原理提出的一种新兴的启发式搜索算法。算法应用于解决组合优化问题，取得了良好的效果。定义了一种新的旅行商问题，即过程旅行商问题，针对这个问题提出了一种基于边缘搜索的改进蚁群算法。该算法通过限制蚂蚁的起点城市，提高了蚁群算法的搜索效率；并通过减少蚂蚁数量加快计算速度。应用于过程旅行商问题的仿真计算表明，该算法具有相同的计算结果和更快的求解速率。     

WebGIS中基于蚁群算法的TSP问题的求解

针对旅行商问题(TSP),研究了网络地理信息系统(WebGIS)中的蚁群优化算法(ACO)在其问题上的应用.为提高蚁群优化性能,采用一种空间拓扑结构与蚁群优化算法结合,并引入了局部搜索策略2-opt.在城市数目一定的情况下,改进蚁群算法能够得到所求TSP的全局最优解,与遗传算法和模拟退火算法比较,它具有更快的收敛速度和更高的收敛精度,并可扩展到一类相关的组合优化问题之中.结果表明,改进蚁群算法对于求解TSP问题效果是很明显的.     

基于知识库的动态蚁群算法

针对蚁群算法收敛速度慢、易陷入局部极值等问题,将其与知识库结合,提出了基于知识库的动态蚁群算法.知识库包括算法知识、规则知识和案例知识,存储了定性或定量的算法参数、参数选择方法和历史数据.基于知识库和问题特性,本算法产生初始状态并动态调整参数,在运行过程中根据赌轮法选择算子并适时引入扰动,在不影响搜索过程随机性的前提下较快地收敛于全局最优值.分别用本算法和其他主流算法解决TSPLIB中的Eil51和CHN144实例,比较优化性能、时间性能和鲁棒性3个指标,结果表明本算法均有明显优势.     

用于连续函数优化的蚁群算法

为了用蚁群算法来解决连续优化问题，该算法将函数优化问题中生成解的过程转化为蚁群每前进一步就选择一个十进制数字并以此来生成一个十进制串的过程。与普通蚁群算法相同，蚁群在选择数字的过程中将一定量的信息记录在每条选择的路径上以改变下一次蚁群选择各个数字的概率。实验数据表明，文中的函数优化算法能比遗传算法以及其他用于连续优化的蚁群算法更快地找到更好的解。这种算法为蚁群算法求解连续优化问题提供了一种新的方法。     

求解TSP问题的改进蚁群算法

分析了标准蚁群算法易于出现早熟停滞现象的主要原因，在原有算法基础上引入局部信息激素、最优最差路径信息激素更新策略及变参数策略，扩大了解的搜索空间，有效抑制了收敛过程中的早熟停滞现象，大大提高了算法收敛速度；同时引入局部最优搜索策略，增大了解突变的机率，求解质量得到了极大的改善．对于典型旅行商问题库中旅行商问题的实验及与标准蚁群算法的比较实验验证了该方法的有效性．     

回归蚁群算法

针对基本蚁群算法在收敛速度和求解精度方面的不足,提出一种回归蚁群算法．通过外加牵引力使得蚂蚁按照城市的整体分布规律寻优,增加了算法的全局收敛性．并通过圈地算法,减少了局部搜索的计算量．多个旅行商问题的仿真结果验证了该方法的可行性和高效性．     

一种基于免疫蚁群混合算法的TSP求解模型

为了解决传统蚁群算法搜索速度慢、容易出现早熟、停滞的缺点,以及传统免疫算法由于反馈信息利用不足存在大量无为的冗余迭代导致求解效率低的缺点,提出了一种蚁群与免疫克隆相结合的混合算法,该算法在前期采用免疫算法来产生蚁群算法的初始信息分布,在后期根据路径浓度抑制机制调整路径上的信息量,从而保持了蚁群多样性,并将该算法用于求解旅行商问题进行计算机仿真,从实验结果可以看出,该算法具有针对性的改进,是一种收敛速度和寻优能力都较好的优化方法.     

基于改进蚁群算法服装运输车辆路径优化研究

蚁群算法是已经成功应用到TSP等多种组合优化案例中,但算法存在容易早熟、收敛速度慢等缺点.以服装运输车辆路径规划问题为研究对象,结合服装时效性强的特点,对传统蚁群算法信息素更新规则及信息素挥发系数进行相应改进,旨在优化配送路线,降低配送成本、增加企业效益.     

用改进的蚁群算法求解TSP新探

通过分析蚂蚁在觅食过程中对最短路径的搜索策略,给出蚁群算法在求解旅行商问题（TSP）中的应用,并使用3—opt方法对所求问题的解进行局部优化,实验结果证明了该解决方案的有效性．     

基于聚类和分段优化的蚁群算法

针对蚁群算法在求解大规模旅行商问题(TSP)时精度和时间方面的不足,提出了一种新的算法,该算法采用多阶段的蚁群寻优策略.算法的复杂度分析及在大规模TSP问题上的实验表明:该算法在保证获得较好解的前提下收敛速度得到了较大的改进.     

蚁群算法中基于知识引导的信息素控制策略

针对蚁群算法在求解旅行商问题性能方面的不足,提出了一种基于知识引导的信息素控制策略.该策略利用问题先验知识初始化信息素,旨在提高算法运行初期信息素对蚂蚁搜索的启发能力;采用群知识引导信息素更新,加强信息素对蚂蚁搜索的引导能力,增强蚂蚁搜索的目的性.实验结果表明,基于这种信息素控制策略的蚁群算法的总体性能明显优于当前最先进的蚁群算法.     

一种快速收敛的自适应蚁群算法

针对蚁群算法收敛速度慢、参数选择难的不足,通过分析各参数对算法的影响和比较多种参数寻优方法,采用粒子群算法对蚁群算法进行参数寻优,并提出了一种快速收敛的自适应蚁群算法。针对旅行商问题的仿真试验表明,该算法是可行且有效的。     

基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。     

基于拓展性和魔方变换的自适应蚁群算法

针对传统蚁群算法在求解过程中搜索时间过长、易于出现早熟停滞的缺陷,提出一种具有拓展性的自适应蚁群算法.蚁群综合启发式信息、信息素轨迹和拓展性信息自适应地调整状态转移规则,并采用全局信息素非均匀更新策略,有效增强了蚁群的全局搜索能力.同时,受魔方变换的启发,提出了一种新颖的魔方变异策略,以加快对迭代最优解进行局部优化的速度.旅行商问题仿真验证了文中改进蚁群算法的有效性,其收敛速度、稳定性远高于传统蚁群算法.     

基于蚁群优化算法的TSP问题求解

蚁群优化算法是受蚂蚁觅食的通行机制的启发而提出的一种群集智能算法．介绍了蚁群优化算法的基本原理,在此基础上实现了蚁群优化算法,应用到TSP问题求解中,并根据启发函数、信息素进行算法性能优化,提高了算法的收敛速度．实验结果表明蚁群算法具有极强的鲁棒性和求最优解的能力,取到了很好的效果．     

蚁群算法在离散型车间派工中的应用

车间派工问题是学术界和实践界的关注热点,合理的派工方案可以缩短生产周期、有效利用资源、提高生产系统的响应能力．蚁群算法非常适合这类问题的处理,利用5个城市旅行商问题研究信息启发式因子、期望启发式因子、信息素挥发系数以及信息素强度这四个参数与迭代次数之间的关系,得出求解小规模问题的蚁群算法参数推荐值;建立车间派工问题的析取图模型,使其成为适合蚁群算法的一个自然表达;给出基于蚁群算法的车间派工问题实现步骤,以一个3＊3问题为例在JBuilderX中得出总完工时间最短的派工方案,验证了蚁群算法在车间派工问题中的可行性和有效性．     

基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低。根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略：为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中。利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量。为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的。