蚁群算法优化模糊规则

模糊控制器设计的关键是根据专家经验确定模糊规则。然而,在专家经验难以获取的情况下将无法进行设计,这就要求模糊规则能够自动优化。模糊规则的优化过程为前件选择后件的过程,是一个组合优化问题,本文应用蚁群算法对其进行优化。蚁群算法是一种新型的模拟进化算法,已被广泛且有效的应用到求解复杂的组合优化问题中。仿真结果显示了蚁群算法应用于优化模糊规则的可行性和有效性,扩大了蚁群算法的应用范围,也为模糊控制器的设计提供了新的思路。     

基于蚁群算法的分类规则挖掘算法

提出了一种基于蚁群算法的分类规则挖掘算法。算法实质上是一种序列覆盖算法:蚁群搜索一个规则,移去它覆盖的样例,再重复这一过程,从而得到共同覆盖样例的一组规则。针对蚁群算法计算时间长的缺点,提出了一种变异算子。对两个公用数据的实验及其与C4.5和Ant-Miner的对比表明,算法能够发现更好的分类规则,包括预测能力更强,有更少规则的规则集,以及形式更简单的规则。实验同时显示变异算子有效节省了计算时间。     

基于改进蚁群算法的深海集矿机轨迹规划

针对提高集矿机的集矿效率,实现优化轨迹的目标,建立了到达目的点时集矿机所需时间最短、耗能最少的多目标优化模型。并通过对子目标加权将多目标优化转换成单目标优化,提出了改进的蚁群优化算法,对集矿机作业轨迹优化控制,在实现高集矿覆盖率和集矿效率的同时,提高集矿机整机作业效率。仿真实验表明,改进蚁群算法用于集矿机轨迹优化控制是可行和有效的。     

基于优胜劣汰规则的异类多种群蚁群算法

提出一种基于优胜劣汰规则的异类多种群蚁群算法,该算法由多类不同特性的蚁群构成,彼此间具有潜在的合作性和对抗性。根据蚁群间定期信息交换的结果,引入自然界优胜劣汰准则,设定蚁群间的合作规则、竞争规则、裂变规则。以旅行商问题为例进行相关实验和比较。通过多个种群间的相互合作与竞争,保留优势种群,淘汰劣势种群,提高求解效率,改善解的多样性,使算法更容易收敛到全局最优解。     

基于蚁群算法的集合覆盖问题

蚁群算法是一种基于群体智能原理的优化模型,用于解决组合优化问题。集合覆盖问题是NP完全问题中应用面最广的问题之一,它在模式识别、机器学习等领域中具有重要的应用。以SCHF[1]启发函数作为启发信息,用蚁群算法求得集合覆盖问题的优化解。通过几种算法的仿真结果对照表明,用蚁群算法求解集合覆盖问题是有效的,蚁群算法得到的解是比较理想的。     

改进的蚁群算法网络节点覆盖优化研究

研究无线网络节点覆盖优化问题,由于传感器网络节点冗余和供电能量限制,影响网络的生命周期.针对当前传感器网络存在的热区问题,导致求解困难,提出一种将蚁群算法运用到无线传感器网络节点最优覆盖问题上.充分利用了蚁群优化算法的优点,算法首先对网络中的节点进行非均匀部署,将信息素放置在传感器网络节点上,每个节点赋予两个信息素,分别指示该节点两个不同的信息量.在算法中设置了有效的启发式信息以引导蚂蚁的搜索行为.蚂蚁将根据信息素和启发式信息决定使用哪些节点进行覆盖,进行建立求解模型,将模型变为简单的线性规划问题.仿真结果表明,当前经典的网络节点覆盖算法相比,算法提高网络覆盖率、降低了网络能耗,并对优化网络节点覆盖.     

基于改进蚁群算法的软件回归测试用例集优化方法

为控制测试用例集合的冗余数据量,引进改进蚁群算法,设计针对软件回归测试的用例集优化方法。首先,建立测试用例集覆盖模型,掌握测试用例集数据信息的覆盖情况;其次,根据事件发生概率模型,以测试用例集的用例个数最小为优化目标,建立用例集优化目标函数;最后,在保证用例集满足要求的条件下,逐步缩小用例集信息的覆盖度,实现对测试用例集冗余信息的优化处理。实验结果证明,该方法可在最短迭代次数下使测试用例集达到最优,降低优化处理后测试用例集的冗余数据量。     

基于二元蚁群优化算法的分类规则挖掘

提出一种基于二元蚁群算法的分类规则挖掘算法.针对蚁群算法计算时间长的缺点,引入一种变异算子,同时为了避免蚁群算法陷入局部最优,又引入灾变算子.通过对美国加州大学机器学习数据集中的测试集进行测试表明,该算法的预测准确率能较大提高.实验同时显示引入变异算子和灾变算子能有效节省计算时间和防止陷入局部最优.     

基于关联规则的蚁群算法在交叉销售中的应用研究

基于关联规则的数据挖掘技术对交叉销售的策略制定有着重要作用.针对关联规则算法需多次扫描数据库和可能产生庞大的候选集等问题,提出了一种新的基于关联规则的蚁群算法,利用蚁群算法中的信息素因子得到最强关联规则,从而找到具有商业价值的最大频繁项集.实验结果表明新算法充分发挥了蚁群算法自组织,多样性,并行性等优点,不仅增加了频繁项集的生成数量,而且较大的提高了它的生成效率.     

一种基于变异蚁群算法的分类规则挖掘算法

Parepinelli等人提出了基于ACO的分类算法。算法实质上是一种序列覆盖算法：蚁群搜索一个规则,移去它覆盖的样例,再重复这一过程．从而得到共同覆盖样例的一组规则。针对蚁群算法计算时间长的缺点,文章采用了新的启发函数及信息素更斯方法,并引入了精英群交叉变异策略。对两个功用数据的实验及其和Ant—Miner的对比表明,该算法有更强的预测分析能力,能够发现更好的分类规则集？以及形式更简单的规则。实验同时显示该算法有效节约了时间。     

基于模糊集的蚁群空间聚类方法研究

定义了对象间的平均距离,并将平均距离作为对象相似性的论域。通过隶属函数将对象间的相似性映射为论域上的一个模糊子集。由给定的置信水平λ,将模糊集分离为普通集,对蚂蚁是否拾起还是放下对象作出决策,实现对空间数据的聚类。并以矿山实际测量数据为空间数据源,采用基本的蚁群聚类算法和模糊蚁群空间聚类算法分别对其进行聚类。通过对这两种算法的实验结果进行分析比较,证明改进后的算法提高了聚类效果。     

基于局部禁忌搜索策略的连续空间蚁群算法

针对蚁群算法容易陷入局部最优解及搜索时间长等不足,引入一种基于连续空间的禁忌搜索算法,并将其与蚁群算法相结合,提出了一种引入禁忌搜索策略的蚁群算法,以求解连续对象优化问题。经测试验证了该算法不仅跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,表明算法的有效性。     

基于局部优化策略求解TSP的蚁群算法*

为了克服基本蚁群算法收敛速度慢、易于停滞的缺陷,提出了一种基于局部优化策略的蚁群算法（LOACA）。该算法根据TSP的特点,采用了三种局部优化算子来交换搜索路径中城市的位置,以改进解的质量。以TSP为例进行的实验结果表明,该算法优于ACA和ACAGA。     

基于改进蚁群算法的协作学习分组研究

协作学习中根据学习者的特征进行有效分组对于提高学习者的学习效率具有重要的作用。基于学习者的学习能力、兴趣爱好和理解水平,在基于蚁群算法的协作学习分组中,以学习者特征相似度值作为启发信息,并针对蚁群算法可能出现的早熟收敛和停滞现象,分别在初期加入判断回退机制和在中后期对启发因子及期望因子进行动态调节以保证分组结果的准确性。模拟实验结果表明该算法在分组性能及准确性上均优于传统算法。     

基于蚂蚁优化算法的分层强化学习

自主系统中,agent通过与环境交互来执行分配给他们的任务,采用分层强化学习技术有助于agent在大型、复杂的环境中提高学习效率。提出一种新方法,利用蚂蚁系统优化算法来识别分层边界发现子目标状态,蚂蚁遍历过程中留下信息素,利用信息素的变化率定义了粗糙度,用粗糙度界定子目标;agent使用发现的子目标创建抽象,能够更有效地探索。在出租车环境下验证算法的性能,实验结果表明该方法可以显著提高agent的学习效率。     

用于求解函数优化的蚁群算法设计

为了求解一般的函数优化,在对标准蚁群算法研究的基础上,将遗传算法的编码方式引入蚁群算法,对蚁群算法的信息素更新进行改进,并提出一种搜索矩阵表达方式,减少了搜索矩阵的规模,从而提高了搜索效率。通过对几个经典测试函数的求解,证明了算法的有效性。     

蚁群算法求解函数优化中的参数设置

蚁群算法的参数设置一直是依靠经验和实验来确定,造成实验工作量大且难以得到最优的参数组合,影响了算法的使用。从基本蚂蚁算法出发,结合实验结果,讨论了α、β及ρ的变化对实验结果的影响,提出了相应的参数改进方案。并将经此方案修正的蚂蚁算法与基本蚂蚁算法同时运用于经典函数优化问题中,对仿真结果进行了对比。     

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.     

基于混合信息素递减的蚁群算法

根据蚁群算法信息素更新的特性,提出了求解旅行商问题的混合信息素递减的蚁群算法。把基本蚁群的三种不同的信息素更新方式混合在一起,同时提出了信息素递减更新的方法。新的更新方式避免了蚂蚁在寻找最优解的过程中,由于禁忌表元素的逐渐增加而限制蚂蚁巡游路径选择的缺点,减少了巡游后期信息素对于后继蚂蚁的影响,提高了后继蚂蚁的巡游质量。仿真实验表明了该混合算法的有效性。     

基于蚁群算法的航班网络座位优化研究

座位优化是航空公司增加收益的有效方法,航班网络座位优化是目前主要的研究方向。针对起始地 目的地 舱位票价（ODF）和座位数组合的复杂性,传统的优化模型由于决策变量数多,难以用于实际计算;改进的线性规划方法在一定程度上改善了模型的实用性,但在求解大规模的网络问题时,计算时间长,复杂度高。采用蚁群算法求解网络座位优化问题能克服以上不足。实验结果表明,蚁群算法能快速得到令人满意的解;同时,蚁群算法简化了问题复杂度,思想简单,易于实现。