基于自适应路径选择和信息素更新的蚁群算法

针对蚁群算法加速收敛和早熟、停滞现象的矛盾,提出了一种基于自适应路径选择和信息素更新的蚁群算法,以求在加速收敛和防止早熟、停滞现象之间取得很好的平衡。该算法根据优化过程中解的分布状况,自适应地调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。     

基于变异操作的蚁群算法用于连续函数优化

介绍了基本蚁群算法的数学模型,在一种新的连续空间分解方法的基础上,对信息素更新方式进行了改进,采用信息素局部更新和自适应的信息素全局更新相结合的方式,以提高算法的收敛速度。引入了进化算法中的变异操作,对寻优过程中每次迭代的最优解进行变异,增加了种群的多样性,避免算法的早熟,以提高改进后蚁群算法的全局收敛性能。实验结果表明,提出的基于变异操作的蚁群算法在连续函数寻优上有更好的收敛速度和收敛性能。     

基于免疫-蚁群算法的TSP问题研究

针对蚁群算法加速收敛和早熟停滞现象的矛盾,借鉴免疫系统的自我调节机制来保持种群的多样性的能力,提出免疫-蚁群算法。该算法根据解的微观多样性、宏观多样性和弧的浓度指标动态调整路径选择概率和信息量更新策略。以数种对称和不对称TSP问题为例进行仿真实验。结果表明,该算法比一般蚁群算法具有更好的局部求精能力、收敛性和多样性,更适合于求解大规模的TSP问题。     

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.     

基于分布均匀度的自适应蚁群算法

针对蚁群算法加速收敛和早熟停滞现象的矛盾,提出一种基于分布均匀度的自适应蚁群算法,以求在加速收敛和防止早熟、停滞现象之间取得很好的平衡.该算法根据优化过程中解的分布均匀度,自适应地调整路径选择概率的确定策略和信息量更新策略.以数种对称和不对称TSP(traveling salesman problem)问题为例所进行的计算结果表明,该方法比一般蚁群算法具有更好的收敛速度和稳定性,更适合于求解大规模的TSP问题.     

面向TSP求解的混合蚁群算法

针对蚁群算法的早熟和停滞等现象,将免疫算法机制引入蚁群算法,提出用于TSP求解的混合算法。该算法具有蚁群算法的自适应反馈机理、收敛速度快和免疫算法操作算子简单和维持种群多样性、防止种群退化等特性。从算法解的质量与效率方面与基本蚁群算法和免疫算法进行比较,结果表明融合免疫机制的蚁群算法性能显著提高,也为解决其他组合优化问题提供一个新的思路。     

结合遗传算法的混合式蚁群单点交叉口信号配时算法

交通信号灯不合理分配容易引发交通拥塞,ACA算法能够实现根据交叉口的实际情况智能分配信号灯时间。通过将遗传算法中交叉与变异思想与传统蚁群算法相结合,从而形成混合式蚁群算法能够解决ACA在收敛过程中过快收敛。相较于单纯的蚁群算法能够有效的增加解的多样性,避免过早出现局部收敛,得到更好的解。     

一种自适应信息素改进蚁群算法①

针对基本蚁群算法容易导致早熟、停滞现象,改变其信息素释放策略,提出自适应信息素改进蚁群算法,使得信息素的更新采用了一种新的面向数据的传递方式。改进后的算法在收敛速度和解的多样性之间取得良好的平衡。通过解TSP实例试验结果表明,其比基本蚁群算法具有更好的搜索能力,且其误差率可以保持较低的水平。     

一种基于路径相似度的蚁群算法

提出了路径相似度的概念,并根据较优可行解与最优解的相似度,来进行路径选择和信息素更新,以求能更快加速收敛和防止早熟、停滞现象。该算法根据截之间的相似度,自适应地调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。     

带有单亲遗传特征的蚁群算法

蚁群算法是一种新型的模拟进化算法,具有许多优良的性质,但同时也存在着计算时间过长和易导致早熟收敛等缺点.单亲遗传算法不使用基本遗传算法常用的交叉算子,简化了遗传操作过程,且不要求初始群体具有广泛多样性,计算速度较快,不存在早熟收敛现象.将这两种算法结合,提出一种具有单亲遗传特征的蚁群算法.将蚁群算法每次搜索结果作为初始种群,进行单亲遗传优化改良,求得最短路由.在旅行商问题上的实验证明了该算法的有效性.     

基于相似度的自适应异类多种群蚁群算法

针对原有的多种群蚁群算法收敛速度慢,运行时间长,容易早熟等缺陷,提出了一种新型异类多种群蚁群算法。算法由多类不同特性蚁群构成,不同蚁群具有不同特质,且优势互补,彼此间具有潜在的合作性。不同种类蚁群搜索时,通过子蚁群间的相似度,自适应选择最互补的蚁群进行信息交换,以加强不同种类蚁群间的协作,增强解的多样性,增强跳出局部最优的能力。TSP仿真结果表明,该算法在搜索速度以及搜索质量方面都有明显的提高。     

一种基于路径权重均衡的蚁群算法

为了提高基本蚁群算法的收敛速度,强化其全局搜索能力,对基本蚁群算法进行了改进,提出了一种基于路径权重均衡的蚁群算法.试验证明,算法在加速收敛和防止早熟之间取得了动态的平街,并且具有很强的发现最优解的能力、更快的进化速度.     

基于混沌扰动和邻域交换的蚁群算法求解车辆路径问题

为求解车辆路径问题,提出一种新的基于混沌扰动和邻域交换的蚁群算法。针对标准蚁群算法存在搜索时间长,容易出现早熟收敛,得到的解不是最优解等缺点,新算法利用混沌的随机性、遍历性及规律性,在算法陷入早熟时,对小部分路径的信息素采用混沌扰动策略进行调整;针对标准蚁群算法的贪心规则随机性缺点,新算法采用邻域交换策略对最优解进行调整。在用于求解不同规模车辆路径问题的仿真结果表明,新算法比标准蚁群算法和遗传算法具有更好的效果。     

基于自适应多态免疫蚁群算法的TSP求解*

针对标准蚁群算法易于出现早熟停滞现象,提出了一种自适应多态免疫蚁群算法（adaptive polymorphic immune ant colony algorithm,PIACA）。通过设置多种状态蚁群及引入自适应多态蚁群竞争机制,PIACA算法能有效抑制收敛过程中的早熟停滞现象。将禁忌表中每只蚂蚁走过的路径视为抗体,对抗体运用局部最优搜索算法和免疫克隆选择算法进行高效优化,提高了解的质量。针对TSP实验结果表明,该算法在收敛速度及求解精度上均取得到了较好的效果。     

一种新的求解多维背包问题的分散算法

为了避免蚁群算法在优化搜索过程中易陷入局部最优和早熟收敛,提出一种求解多维背包问题的新型分散搜索算法。该算法是把蚁群算法的构解方法引入到分散搜索算法中,在搜索过程中,既考虑解的质量,又考虑解的分散性。同时,该分散算法还采用了动态更新参考集与阈值接收算法的阈值参数,以控制搜索空间来加快收敛速度。通过选取国际通用MDKP实例库中的多个实例进行测试表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,其结果优于其他现有的方法,并获得了较好的结果。     

基于种群相似度的自适应改进蚁群算法及应用

针对蚁群算法收敛速度较慢、易陷入局部最优的问题,提出了一种基于种群相似度的自适应改进蚁群算法。利用种群相似度对种群内个体的多样性进行度量并根据优化过程中种群相似度的变化情况自适应地调整蚁群算法的参数和信息素更新策略,提升算法的优化性能。该算法用于求解旅行商问题（Traveling Salesman Problem,TSP）问题,并与经典的蚁群系统（Ant Colony System,ACS）及最大最小蚂蚁系统（MAX-MIN Ant System,MMAS）算法进行比较,实验结果表明改进算法在解的质量与算法稳定性方面得到显著提升,有效地平衡了种群多样性与收敛速度之间的矛盾。     

一种求解TSP的混合遗传蚁群算法

结合遗传算法和蚁群算法,提出了一种求解TSP的基于启发式遗传信息的蚁群遗传算法。该算法由蚁群遗传算法和基于启发式遗传信息的蚁群算法两部分组成。蚁群遗传算法将蚁群算法和遗传算法结合起来,提高了遗传算法的种群的多样性;基于启发式遗传信息的蚁群算法是将启发式遗传信息加入到蚁群算法中,防止蚁群算法对信息素过分依赖,缩小最优解的搜索空间。HGI ACGA算法是将启发式遗传信息加入到蚁群遗传算法中,可以提高蚁群算法的收敛速度和寻优能力。实验结果表明,HGI ACGA算法在收敛速度和收敛精度上均优于ACGA和ACA算法。     

LO型曲线的自适应遗传算法研究

标准的遗传算法在设置交叉算子和变异算子时使用固定的值,这样在求解复杂的优化问题时会存在解的多样性差和早熟的缺点。传统的自适应算法在收敛速度和解的多样性上是有效的,但是在算子调整的过程中,对算法演化过程中不同阶段的侧重不够(搜索空间、搜索精度、优秀模式的保存及进化动力),这样会使算法的收敛速度变慢并且减少优良解的多样性。提出一种改进的自适应调整算法来提高收敛速度及优良解的多样性,用Logistics曲线按照个体的适应度对交叉和变异算子的大小进行非线性调整,使得算子在演化的过程中满足不同阶段对搜索空间和搜索精度的要求。通过实验验证,新算法在收敛速度、稳定性及优良解的多样性上比传统的自适应遗传算法有优势。     

基于改进蚁群算法的机器人路径规划问题研究

针对蚁群算法收敛速度慢,容易陷入局部最优的问题,结合A*算法和蚁群算法提出了一种解决机器人路径规划问题的改进蚁群算法。自适应调整启发函数,在路径的后程借鉴启发式A*算法的估价函数,在ACS算法的启发函数中引入方向信息,提高算法的搜索效率,同时动态调整权重系数改变目标点的方向信息在蚂蚁移动过程中的影响,以平衡ACS算法解的多样性和收敛速度慢之间的关系。仿真实验表明,该算法不但可以提高收敛速度,而且在改善解的质量方面也取得了较好的效果。     

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。