基于自适应蚁群优化的Ad Hoc网络路由算法

针对蚁群优化固有的搜索时间长、易陷入局部最优解的缺点,提出一种改进的基于蚁群优化的AdHoc网络路由算法.通过增加自适应因子提高路由搜索能力,充分考虑节点间的时延来改进信息的更新机制,同时对路由表做出修改,提高路由算法性能,增强算法的适应能力.经过与已有路由算法DSR和AODV的仿真比较,结果表明该算法在成功传输率和平均端到端延迟上表现了较好的性能.     

基于自适应蚁群算法的QoS组播路由算法

提出一种改进的自适应蚁群优化算法,在信息素更新策略中引入全局最优系数,研究多约束条件下的QoS组播路由问题。动态更新信息素能够确保自适应地改进全局搜索能力和收敛性能,避免陷入局部最优解。仿真结果表明,该算法比蚂蚁-遗传算法在解决多约束条件下的QoS组播路由问题时更有效。     

改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在路径规划中存在易陷入局部最优与收敛速度慢等问题,提出一种改进的蚁群算法.采用初始信息素差异化分布策略,增强目标点导向区的初始信息素浓度;基于回退策略与禁忌搜索结合分块优化,利用叉积运算进行局部折点优化;引入信息素自调节加强因子,改进信息素浓度更新公式;引入随机状态转移参数,增强全局搜索能力;将改进算法...     

求解TSP的带混沌扰动的模拟退火蚁群算法

针对蚁群算法易陷入局部最优及收敛速度较慢的问题,提出一种带混沌扰动的模拟退火蚁群算法。引入模拟退火机制及混沌系统,分别对基本蚁群算法中的蚂蚁种群搜寻范围以及信息素设定与更新进行改进,提高蚁群算法全局搜索能力。使用该算法与基本蚁群算法同时求解TSP这一经典组合优化问题,对两种算法的求解性能进行对比分析。仿真结果表明,该算法的求解精度及求解效率都明显优于基本蚁群算法。     

蚁群优化算法在WSN路由中的应用研究

介绍了基本蚁群算法的原理和适用范围,总结出了基本蚁群算法在求解最优路径问题时,虽然具有很强的发现较优解的能力,但是存在容易陷入局部最优解和收敛时间过长等问题。考虑到基本蚁群算法在无线传感器网络路由上应用的不足,提出了一种改进后的蚁群算法,并将其应用到传感器网络路由中。该算法不仅在状态转移概率公式中引入罚函数和动态权重因子,而且采用局部信息素更新和全局信息素更新结合的方式更新路径信息,充分考虑到传感器节点与节点间的传输距离,并且充分考虑传感器节点的剩余能量。最后通过仿真实验,得到了基本蚁群算法和改进后的蚁群算法在传感器节点剩余能量和传输数据包时网络延迟的不同曲线,验证了改进后的蚁群算法在无线传感器网络路由选择上的高效性。     

蚁群优化算法在Ad Hoc网络路由中的应用

针对蚁群算法固有的搜索时间长、易陷入局部最优解的缺点,提出一种改进的基于蚁群算法的Ad Hoc网络路由算法。通过采取赌轮方式和扩散信息素提高路由搜索能力,绕开能量低的邻居节点均衡网络节点能量;同时对路由表做出修改,提高路由算法性能,增强算法的适应能力。经过与已有路由算法AODV的仿真比较,结果表明该算法不仅增加了路径的搜索多样性,减少了路径收敛时间,而且提高了网络的生存时间。     

移动机器人路径规划的改进蚁群优化算法

针对蚁群算法易陷入局部最优的缺点,提出了一种复杂静态环境下移动机器人路径规划的改进蚁群优化算法—差分演化混沌蚁群算法.该算法利用差分演化算法进行信息素的更新,同时对可能出现的停滞现象,在信息素更新时加入了混沌扰动因子,算法还采用了一个新的评价函数;从而增强了算法的逃逸能力,避免了路径死锁现象,也提高了最优路径的搜索效率.仿真结果表明:即使在障碍物非常复杂的环境,本算法仍能快速规划出安全的优化路径.效果令人满意.     

改进的蚁群算法在动态路径诱导中的应用研究

针对基本蚁群算法收敛速度慢和易陷入局部最优的缺点,在对信息素和启发信息进行标准化以消除量纲和取值范围影响的基础上,提出带方向的信息素更新和混沌选择策略来改进蚁群算法。将路网节点间的相对位置信息引入信息素更新,以加快搜索速度;使用混沌扰动改进选择策略,以避免出现早熟停滞现象。并将其用于城市交通动态路径诱导的研究中,以重庆市渝中半岛的路网为实例计算以最短行程时间为目标的最优路径,结果表明该算法是有效、可行的,比基本蚁群算法具有更好的全局搜索能力。     

基于改进蚁群算法的计算机网络路由优化研究

计算机网络规模的逐渐扩大使数据传输时的延时、丢包等现象日益明显.为了提高网络数据传输的稳定性,降低网络消耗,研究使用蚁群算法解决计算机网络的路由优化问题.同时,为了提高蚁群算法的性能,提出了状态转移规则和信息素更新规则的改进策略,使蚁群算法的收敛速度得到明显提升.仿真结果表明,上述改进蚁群算法可以在较短时间内计算出路由优化的结果,优化成功率较高,非常适合实际应用.     

改进的蚁群算法在QoS网络路由中的应用

基本蚁群算法求解多约束的QoS网络路由时速度慢,容易出现早熟收敛和停滞现象,将信息素适量更新与变异的蚁群算法应用到网络路由问题中,使得每轮搜索后信息素的增量更好地反映了解的质量,实验仿真表明该思想的引入加快了收敛速度,在很大程度上弥补了基本蚁群算法在解决网络路由优化问题时出现的不足。     

若干新型智能优化算法对比分析研究

智能优化算法(IOA)指的是一类以自然界的生物生存进化过程或物理现象为算法原理,用于解决最优化问题的算法,较为知名的智能优化算法有遗传算法、粒子群算法、模拟退火算法等。智能优化算法属于启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路。随着科学技术的进步和应用场景的改变,传统的智能优化算法在收敛速度、求解精度等方面已无法满足日益复杂的优化问题,因此不断有新的更高效的智能优化算法被提出。选取了近几年国内外提出的几种新型智能优化算法:蝴蝶优化算法(BOA)、飞蛾扑火算法(MFO)、正弦余弦优化算法(SCA)、蝗虫优化算法(GOA)、哈里斯鹰优化算法(HHO)、麻雀搜索算法(SSA)。阐述了各算法的基本原理、算法步骤、相关的改进策略及存在的优缺点。为客观对比各算法性能,进一步通过3种类型共21个测试函数及6个指标评价各算法性能,最后归纳总结各算法的特点并对智能优化算法的发展前景进行展望。     

一种新的融合粒子群算法的混合蟑螂群算法

针对连续蟑螂算法存在初始解质量不高和算法评价次数过多的问题,提出了一种融合了粒子群算法的混合蟑螂群算法并应用于函数优化问题.首先由基本粒子群算法快速收敛到解空间内一个相对优的解,然后由一种改进的蟑螂算法完成全局寻优.仿真结果显示:混合蟑螂算法具有收敛速度快、求解精度高的特点,其算法整体性能优于已存在的连续蟑螂算法.     

三种混合粒子群算法比较

混合粒子群算法是融合其它算法或技术特性来针对性地对基本粒子群算法进行改进的一类算法.文中对其中有代表性的三种:交叉粒子群、免疫粒子群、混沌粒子群展开了比较研究,分别从混合目的、混合基本方式、混合算法实现的关键步骤、混合算法的优化性能等多个方面对这三种混合算法进行了比较.通过这些比较,总结出了三种混合算法基本的混合方式及...     

一种基于模式搜索算子的人工萤火虫优化算法

人工萤火虫算法是群智能领域近年出现的一个新的研究方向,该算法已在复杂函数优化方面取得了成功,但也存在着易陷入局部极小且进化后期收敛速度慢等问题.而模式搜索具有很强的搜索能力,但其搜索结果的好坏在很大程度上依赖于初始点的选择.结合两者的优缺点,提出一种基于搜索算子的人工萤火虫算法.该算法在人工萤火虫算法全局搜索过程中融入模式搜索法,改进人工萤火虫算法全局搜索和局部搜索能力.仿真实验结果表明,该算法收敛速度和解的精度显著地提高,是求解函数优化问题的一种可行和有效的方法.     

基于一种自适应选择机制的混合优化算法

针对于微分进化(DE)和粒子群优化(PSO)算法收敛精度较低和收敛速度慢的缺点,提出了基于这两种算法的混合优化算法DEPSO。该算法引入了两个新的变量指标,即在迭代过程中种群个体适应值有所优化的概率及种群的全局最优值的变化情况,通过采用这两个变量所形成的一个二维合理的选择机制,实现下一个迭代过程中关于算法的选择迭代问题。该算法一方面参数较少,实现简单;另一方面,利用新引入的第二个变量指标避免种群陷入早熟。对几种典型的测试函数进行数值模拟实验,结果表明与传统的算法比较,新的算法具有收敛精度高和收敛速度快的特点,同时对于高维的问题依然表现出较好的效果。     

具有分工策略的量子粒子群优化算法

基于量子行为的粒子群优化算法是一种随机的全局优化搜索新方法.介绍了PSO算法和QPSO算法,在对QPSO算法和基于分工策略的PSO算法分析的基础上,提出了基于分工策略的QPSO算法,然后对新算法进行实验.实验结果表明,新算法在收敛性和取得最优值方面优于基于分工策略的PSO算法.     

Intel Knights Corner的结点级内存访问优化

传统编程优化(Traditional Programming Optimization,TPO)在Intel Knights Corner(KNC)上收效甚微,因此提出内存访问优化(Memory Access Optimization,MAO)。将MAO应用到已经过TPO的程序Diffusion 3D上,发现其性能仍然提高了39.1%。主要有2个贡献:1)提出MAO,认为TPO+MAO有助于在KNC上获取最优化性能;2)发现对于stencil代码,基于intrinsic的MAO比基于编译器的MAO更高效。这些发现对于在KNC上优化大规模应用有启发意义。     

Ecogeography-based optimization: Enhancing biogeography-based optimization with ecogeographic barriers and differentiations

Biogeography-based optimization (BBO) is a bio-inspired metaheuristic based on the mathematics of island biogeography. The paper proposes a new variation of BBO, named ecogeography-based optimization (EBO), which regards the population of islands (solutions) as an ecological system with a local topology. Two novel migration operators are designed to perform effective exploration and exploitation in the solution space, mimicking the species dispersal under ecogeographic barriers and differentiations. Experimental results show that the EBO outperforms the basic BBO and several other popular evolutionary algorithms (EAs) on a set of well-known benchmark problems. We also present a real-world application of the proposed EBO to an emergency airlift problem in the 2013 Ya׳an–Lushan Earthquake, China.