蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

蚁群算法参数分析与组合优化设置研究

文章对蚁群算法中影响算法性能的参数进行了分析、研究和仿真,通过分析与仿真得出了算法中各参数的最佳取值范围和组合优化设置,参数的组合优化设置有助于提高蚁群算法的收敛速度,缩短蚁群算法的计算时间,以达到优化算法性能的目的.     

蚁群算法的参数分析

蚁群算法（ACS）是一种新型的分布式模拟进化算法,它有较强的解搜索能力、很好的适应性和鲁棒性等,但如果算法中各参数选择不当,则会使算法的运行时间变长,或者陷于局部最优,达到停滞状态。恰当的参数选择,可以使蚁群算法有较好的性能,较快地收敛到全局较优解。以TSP问题为例,通过采用不同参数匹配进行优化的数值实验,分析了算法中参数α、β、ρ籽对算法性能的影响,给出了一定指导性的建议。     

基于蚁群算法的PID控制器参数优化研究

蚁群算法是一种新型的优化算法,具有收敛速度快、鲁棒性强的优点。在介绍蚁群算法基本原理的基础上,分析了蚁群的自组织行为,给出该行为的数学模型一蚂蚁群体优化（Ant Colony Optimization,ACO）。提出一种基于蚁群算法优化PID控制器参数的方法,并给出了新算法的具体实现步骤。仿真结果表明了该方法的可行性和有效性。     

基于蚁群神经网络的工业自动化PID参数优化

针对常规方法无法获得最优PID控制器参数的缺点,提出一种基于蚁群神经网络的PID控制器参数优化方法（ACO-RBFNN）。ACO-RBFNN将PID控制器的3个参数作为RBF神经网络的输入,系统输出为RBF神经网络期望输出,通过蚁群算法对RBF神经网络的参数进行优化,并通过RBF神经网络构造参数自学习的PID控制器,从而实现PID控制器参数在线优化。仿真实验结果表明,基于ACO-RBFNN的PID控制器可以得到令人满意的控制效果,可以应用于工业自动化控制系统的PID控制器参数优化。     

蚁群算法参数组合的博弈优化

针对蚁群优化算法参数组合选取的问题,提出了一种基于博弈论的蚁群算法参数优化模型。由于算法各个参数之间相互依赖、相互影响的关系,将各参数作为博弈论中的局中人,利用算法收敛时间与各个参数之间的数学关系,将其转化为博弈模型中参数的收益函数,求解出算法的最优参数组合。仿真结果表明,该模型能够方便有效求解出蚁群算法的最优参数组合。     

基于优化成熟度的自适应蚁群优化算法

分析了蚁群算法局部信息素更新系数与全局信息素更新系数对算法寻优能力与收敛速度的关系,定义平均路径相似度(ATS)来表征寻优过程的成熟程度,并据此自适应调整信息素更新系数,提高算法收敛速度并避免陷入局部最优.经过与典型蚁群算法在多个旅行商问题测试用例上进行比较,表明该算法效果更好.     

蚁群参数自适应调整的优化设计*

介绍了蚁群优化算法利用粗搜索及精搜索过程获得多维有约束函数优化的基本思想,分析了影响蚁群优化多维有约束函数问题的关键参数,给出了获得较好的蚁群函数优化性能必须在优化过程中动态的自适应地调整蚁群优化算法的关键参数 及 的指导性结论,且调整的规则是 与 的值由大到小的调整,而 的值将由小到大的调整。建立了 及 的模糊动态调整器,给出了3个模糊控制器的参数调整过程、控制器的执行策略及控制过程。采用起重机主梁优化实例对比验证了蚁群优化算法及蚁群参数自适应调整的优化算法。结果表明,采用蚁群参数自适应调整的优化算法具有求解精度高、优化效率高及参与优化的蚁群数量少等优点,该方法是求解复杂多峰函数优化的一种极好的优化方法。     

基于蚁群算法的支持向量机参数选择方法研究

研究支持向量参数选择优化问题,常用的支持向量机参数优化算法和遗传算法分别存在耗时长和易陷入局部最优值的缺陷,导致支持向量机的分类精度低.为了解决支持向量机参数优化问题,提出了基于蚁群算法的SVM分类器泛化方法.蚁群算法是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制,SVM参数的选取看作参数的组合优化,建立组...     

基于蚁群系统的多选择背包问题优化算法

提出了一种用蚁群系统求解多选择背包问题的优化算法。该方法利用蚂蚁算法所具有的正反馈特性，再结合变异参数，使算法既有较快的求解速度又有较高的求解精度。实验结果表明，采用此算法能快速有效地解决背包问题。     

求解VRP的蚁群算法研究

车辆路径问题是物流配送中一个至关重要的问题。由于它是一个NP-Hard问题,启发式算法成为求解VRP的主要方法。蚁群算法是近年来发展起来的一种可以用来求解VRP的启发式算法。实验证明,该方法能够很好地解决车辆路径问题。本文详细阐述了蚁群算法的基本原理和求解VRP的蚁群算法过程。     

船舶同步发电机参数蚁群算法辨识研究

以考虑饱和效应的船舶同步发电机五阶综合稳定计算模型为研究对象,建立了以电流为状态变量的五阶同步发电机的状态增量方程,由于d、q轴可以直接解耦,可以对d、q轴分开进行辨识;以现代系统辨识理论为基础,提出了一种基于蚁群算法的同步发电机参数辨识优化方法,设计了参数辨识算法的详细流程,推导了辨识过程,并证明了该方法的收敛性.利...     

基于合成邻域的蚁群算法求解无委托板坯匹配问题

无委托板坯是指炼钢工序剩余的暂时没有合同对象的板坯. 无委托板坯匹配问题是研究如何将这些板坯合理分配给热轧计划中的合同. 针对实际问题, 建立了多目标优化的0-1整数规划模型. 鉴于其NP-hard特性, 采用蚁群算法(Ant colony optimization, ACO)获得近似解. 根据问题特点, 提出钢级分解策略, 并加入随机扰动策略, 构造了合成邻域以改进算法性能. 目前, 以该算法为核心的决策支持系统已在企业通过应用验证, 与人工匹配相比, 日匹配板坯量平均提高了52.42%, 百吨板坯匹配切损量平均降低了11.36%.     

基于蚁群算法和特征融合的空间目标分类

针对支持向量机核参数和误差惩罚因子较难选择以及采用单一特征分类效果较差的问题,提出了一种基于蚁群算法与特征融合的空间目标分类算法,克服了以往反复试验以确定其参数的缺点,优化了特征。该方法分类正确率达90%左右,与采用单一特征分类的结果相比,效果较好。验证了方法的有效性。     

蚁群算法在求解旅行商问题中的应用综述

旅行商问题作为组合优化研究中最具挑战的问题之一, 自被提出以来就引起了学术界的广泛关注并提出了大量的方法来解决它. 蚁群算法是求解复杂组合优化问题的一种启发式仿生进化算法, 是求解旅行商问题的有效手段. 本文分别介绍蚁群算法中几个有代表性的算法, 综述了蚁群算法的改进、融合和应用的文献研究进展, 以评价近年来不同版本的蚁群算法为解决旅行商问题的发展和研究成果, 并针对改进蚁群算法结构框架、算法参数的设置及优化、信息素优化和混合算法等方面, 对现被提出的改进算法进行了分类综述. 对蚁群算法在未来对旅行商问题及其他不同领域的研究内容和研究热点的进一步发展提供了展望和依据.     

基于多蚁群的并行ACO算法

通过改变蚁群优化(ACO)算法行为,提出一种新的ACO并行化策略——并行多蚁群ACO算法。针对蚁群算法存在停滞现象的缺点,改进选择策略,实现具有自适应并行机制的选择和搜索策略,以加强其全局搜索能力。并行处理采用数据并行的手段,能减少处理器间的通信时间并获得更好的解。以对称TSP测试集为对象进行比较实验,结果表明,该算法相对于串行算法及现有的并行算法具有一定的优势。     

基于ACO的测试用例预优化及参数影响分析

测试用例预优化是一种先进的软件回归测试用例集优化技术。相比测试用例选择和测试用例集约简技术,它具有更好的灵活性,更容易适应实际软件回归测试过程中的迭代与变化。基于多目标的测试用例预优化技术是当前研究的热点,针对选定的多个优化目标,算法是多目标测试用例集优化的关键。提出了一种基于蚁群优化算法（ant colony optimization,ACO）的多目标测试用例预优化方法,针对平均语句覆盖率和有效执行时间两个优化目标,实现了测试用例集的预优化,并针对多目标解集优劣评价方法进行了改进。同时对蚁群优化算法中的信息素挥发因子ρ、启发因子α和β、蚁群规模m等相关参数对多目标测试用例预优化结果的影响进行了实验分析。实验中使用的被测程序既包括广泛使用的软件测试样本库SIR（software-artifact infrastructure repository）中的程序,也包括Google发布的大规模开源程序JavaScript引擎V8。实验结果表明,当参数α=1,4β6,ρ=0.1时,针对小规模程序,蚁群规模m=32时,算法求得较优解;针对较大规模程序flex和V8,则需要适当增大蚁群的规模以获得较优解集。     

An ACO algorithm for a dynamic regional nurse-scheduling problem in Austria

To the best of our knowledge, this paper describes the first ant colony optimization (ACO) approach applied to nurse scheduling, analyzing a dynamic regional problem which is currently under discussion at the Vienna hospital compound. Each day, pool nurses have to be assigned for the following days to public hospitals while taking into account a variety of soft and hard constraints regarding working date and time, working patterns, nurses qualifications, nurses’ and hospitals’ preferences, as well as costs. Extensive computational experiments based on a four week simulation period were used to evaluate three different scenarios varying the number of nurses and hospitals for six different hospitals’ demand intensities. The results of our simulations and optimizations reveal that the proposed ACO algorithm achieves highly significant improvements compared to a greedy assignment algorithm.     

基于蚁群优化解决传感器网络中的能量洞问题

基于多跳的无线传感器网络,越靠近sink的传感器节点因需要转发更多的数据,其能量消耗就越快,从而在sink周围形成了一种称为“能量洞”的现象.“能量洞”问题会导致整个网络由于内部节点能量过早耗尽而结束寿命,同时,网络中离sink较远的节点仍有大量能量剩余.研究“能量洞”现象,基于改进的分级环模型,总结出调节各环内节点的数据传输距离是实现网络节能的有效方法.证明搜索各区域最优的传输距离是一个多目标优化问题,即是NP难问题.从而提出一种基于蚁群优化的分布式算法,各区域根据其节点分布情况自适应地探索近似最优的传输距离,延长网络寿命.模拟实验结果表明,该算法在较短的时间内能够收敛到合理的解,并且得到的网络寿命接近于理想情况下的最优时间,与现有的类似算法相比,该算法提供了更长的网络寿命,并能适用于非均匀节点分布情况.     

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。