改进蚁群优化算法求解折扣{0-1}背包问题

折扣{0-1}背包问题（Discounted {0-1} Knapsack Problem,DKP）是一个NP-困难的组合优化问题,尽管已经存在一些求解DKP的智能优化算法,但目前尚没有用蚁群优化（Ant Colony Optimization,ACO）算法求解DKP的研究。提出了一个求解DKP的改进ACO（Modified ACO,MACO）算法。MACO算法使用整数编码以保证每组物品最多只有一个物品被选中,在MACO算法构造解的每一步,采用组内竞争选择来降低算法的时间复杂性,对计算选择概率的公式,放弃启发式信息以减少参数并简化算法参数设置,对蚂蚁构造出的解,经修复后使用基于价值密度和价值的混合贪婪优化算子来提高算法的寻优能力。在四类测试用例上对MACO算法进行了测试并与其他算法进行比较,实验结果表明MACO算法的性能明显优于其他算法。     

基于蚁群算法的城市快速路优化控制

根据城市快速路交通流的特性,以宏观稳态交通流Macro模型为基础,将快速路虚拟划分为多个路段,将车辆在快速路系统内总的服务流量最大及入口匝道车辆平均等待时间最小作为优化控制目标,设计快速路多匝道联合控制模型,并采用蚁群优化算法对设计的控制模型进行求解计算,以确定各匝道最优调节率。模拟实验结果表明,通过多匝道联合控制,能够提高城市快速路系统的运行效率,减少交通事故及交通拥堵的发生概率。     

基于蚁群算法的动态用户均衡配流

在路网中,为了使用户的出行时间降到最低,提出一个适用于多OD对的路网的动态用户均衡离散模型,并应用蚁群算法求解动态用户均衡问题.通过设计一个算例,利用仿真得出路网中的流量分配数据,并和二次规划Frank-Wolfe算法求解的流量分配数据进行比较,最后得出蚁群算法在求解动态交通用户均衡问题时具有一定的优势.     

原对偶遗传与蚁群算法的融合

原对偶遗传算法(PDGA)较好地保持了种群的多样性和较强的稳定性,改善了在搜索空间里的搜索能力,使搜索更为有效,但没有利用系统中的反馈信息,导致无为的冗余迭代,求解效率不高。而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢。通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种全局寻优性能好,稳定性强,效率高的启发式算法,通过仿真计算,表明融合算法的性能优于遗传算法,原对偶遗传算法和蚁群算法。     

结合状态预测的深度强化学习交通信号控制

深度强化学习（deep reinforcement learning,DRL）可广泛应用于城市交通信号控制领域,但在现有研究中,绝大多数的DRL智能体仅使用当前的交通状态进行决策,在交通流变化较大的情况下控制效果有限。提出一种结合状态预测的DRL信号控制算法。首先,利用独热编码设计简洁且高效的交通状态;然后,使用长短期记忆网络（long short-term memory,LSTM）预测未来的交通状态;最后,智能体根据当前状态和预测状态进行最优决策。在SUMO（simulation of urban mobility）仿真平台上的实验结果表明,在单交叉口、多交叉口的多种交通流量条件下,与三种典型的信号控制算法相比,所提算法在平均等待时间、行驶时间、燃油消耗、CO2排放等指标上都具有最好的性能。     

基于蚁群算法的IP网络流量矩阵估计

针对IP网络流量矩阵(TM)估计的高度病态性,导致很难精确估计网络流量矩阵,因此提出了一种基于蚁群优化(ACO)算法的IP网络流量矩阵估计方法。通过适当的建模,将流量矩阵估计问题转化为最优化问题,再通过蚁群算法求解模型,有效解决了网络流量矩阵估计。通过测试结果分析,与现存的方法相比,所提算法的精度比最大熵和二次规划稍差,但这两种方法复杂度太高,不适用于大规模网络,因此,在网络规模较大的情况下,算法是较优的,可提高流量矩阵估计的精度。     

Traffic video‐based intelligent traffic control system for smart cities using modified ant colony optimizer

Road traffic congestion is a serious problem in today's world and it happens because of urbanization and population growth. The traffic reduces the transport efficiency in the city, increases the waiting time and travel time, and also increases the usage of fuel and air pollution. To overcome these issues this papers propose an intelligent traffic control system using the Internet of Vehicles (IoV). The vehicles or nodes present in the IoV can communicate between themselves. This technique helps in determining the traffic intensity and the best route to reach the destination. The area of study used in this paper is Vellore city in Tamilnadu, India. The city map is separated into many segments of equal size and Ant Colony Algorithm (AOC) is applied to the separated maps to find the optimal route to reach the destination. Further, Support Vector Machine (SVM) is used to calculate the traffic density and to model the heavy traffic. The proposed algorithm performs better in finding the optimal route when compared to that of the existing path selection algorithms. From the results, it is evident that the proposed IoV‐based route selection method provides better performance.     

改进的智能蚁群算法在TSP问题中的应用

研究旅行商领域优化路径问题,解决目前蚁群算法易陷入局部最优、搜索时间长等问题.为加快算法的速度优化结果,提出了一种改进的求解TSP问题的智能蚁群优化算法.算法前期采用了一种最近节点选择策略对路径进行优化,提高了搜索效率,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛.通过改进后的蚁群算法,对TSPLIB中部分问题的仿真结果表明,在避免陷入局部最优和缩短搜索时间方面都取得了很好的效果.证明采取的优化蚁群算法,是可行有效的.     

基于滑动窗口和蚁群优化算法的二次路径规划算法

针对蚁群优化(ACO)算法在复杂环境下规划能力较弱的问题,提出了一种基于滑动窗口和蚁群优化算法的二次路径规划(QACO)算法.对回退蚁群优化(ACOFS)算法的回退策略进行改进,通过降低回退路径上的信息素量,减少回退次数.第一次规划中,使用改进后的ACO算法对栅格环境进行全局路径规划;第二次规划中,滑动窗口沿着全局路径滑动,通过ACO算法规划出滑动窗口中的局部路径,并使用局部路径对全局路径进行优化,直至滑动窗口中包含目标位置.仿真实验表明:相比ACO、ACOFS算法,QACO算法的平均规划时间分别下降了26.21%、52.03%,平均路径长度下降了47.82%、42.28%,因此在复杂环境下QACO算法具有将强的路径规划能力.     

基于蚁群算法的遥感影像传输资源调度方法

针对遥感影像数据量大,多用户并发请求造成服务器负载加重,使遥感影像传输效率逐渐降低的问题,提出一种在多线服务器环境下分块调度遥感影像资源的策略。该策略采用改进的蚁群优化(IACO)算法,通过引入一个线路等待因子γ动态选择当前最优的线路进行传输,从而提高传输效率。对IACO、ACO、Max-min、Min-min和Random算法进行了对比实验,IACO算法在客户端的任务完成时间和服务器端的执行时间与其他算法相比均是最少的,且随着任务数目的增加,效果更明显;同时IACO算法的线路资源的利用率也更高。仿真结果表明:多线服务器分块调度策略与改进蚁群算法相结合,使遥感影像传输速度和线路资源利用率均有一定提高。     

基于注意力机制的深度强化学习交通信号控制

深度强化学习（DRL）广泛应用于具有高度不确定性的城市交通信号控制问题中,但现有的DRL交通信号控制方法中,仅仅使用传统的深度神经网络,复杂交通场景下其感知能力有限。此外,状态作为强化学习的三要素之一,现有方法中的交通状态也需要人工精心的设计。因此,提出了一种基于注意力机制（attention mechanism）的DRL交通信号控制算法。通过引入注意力机制,使得神经网络自动地关注重要的状态分量以增强网络的感知能力,提升了信号控制效果,并减少了状态向量设计的难度。在SUMO（simulation of urban mobility）仿真平台上的实验结果表明,在单交叉口、多交叉口中,在低、高交通流量条件下,仅仅使用简单的交通状态,与三种基准信号控制算法相比,所提算法在平均等待时间、行驶时间等指标上都具有最好的性能。     

双种群改进蚁群算法

基本蚁群优化（Basic Ant Colony Optimization,BACO）算法在进化中容易出现停滞,其根源是蚁群算法中信息的正反馈．在大量蚂蚁选择相同路径后,该路径上的信息素浓度远高于其他路径,算法很难再搜索到邻域空间中的其他优良解．对此,提出一种双种群改进蚁群（Dual Population Ant Colony Optimization,DPACO）算法．借鉴遗传算法中个体多样性特点,将蚁群算法中的蚂蚁分成两个群体分别独立进行进化,并定期进行信息交换．这一方法缓解了因信息素浓度失衡而造成的局部收敛,有效改进算法的搜索性能,实验结果表明该算法有效可行．     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

基于蚁群算法的PCB布线优化

针对蚁群算法在PCB布线上的应用提出改进方案,找出蚁群优化算法闭合环路中最长支路路径,用闭合环路总长度减去这条路径得到非闭合环路最优路径的总长度,对寻优路径重新存储,用探索线段的方式完成从非闭合路径布线到开叉型非闭合路径布线的衍化。实验与仿真结果表明这种新的算法具有一定的有效性。     

A novel coordinated path planning method using k-degree smoothing for multi-UAVs

Coordinated path planning for multiple unmanned aerial vehicles (multi-UAVs) is a highly significant problem encountered in their coordinated control. In the interests of completing mission securely and efficiently, the advanced multi-UAVs control technology requires a universal smoothing method as well as a precise coordination strategy. In this paper, we propose a novel multi-UAVs coordinated path planning method based on the k-degree smoothing, a more complex environment consists of multiple threat sources of which is constructed. By employing the Improved Ant Colony Optimization algorithm, a k-degree smoothing method is also presented aiming at obtaining a more flyable path. Additionally, the multi-UAVs coordination algorithm is induced by k-degree smoothing, allowing the UAVs to arrive at the destination simultaneously or in an acceptable time interval. Finally, simulations of the comparison between the Improved Ant Colony Optimization and classic algorithm, the detailed smoothing method, and the coordination are respectively conducted to validate that the proposed approach is feasible and effective in multi-UAVs coordinated path planning problems.     

基于深度强化学习的交通信号控制方法

交通信号的智能控制是智能交通研究中的热点问题。为更加及时有效地自适应协调交通,文中提出了一种基于分布式深度强化学习的交通信号控制模型,采用深度神经网络框架,利用目标网络、双Q网络、价值分布提升模型表现。将交叉路口的高维实时交通信息离散化建模并与相应车道上的等待时间、队列长度、延迟时间、相位信息等整合作为状态输入,在对相位序列及动作、奖励做出恰当定义的基础上,在线学习交通信号的控制策略,实现交通信号Agent的自适应控制。为验证所提算法,在SUMO(Simulation of Urban Mobility)中相同设置下,将其与3种典型的深度强化学习算法进行对比。实验结果表明,基于分布式的深度强化学习算法在交通信号Agent的控制中具有更好的效率和鲁棒性,且在交叉路口车辆的平均延迟、行驶时间、队列长度、等待时间等方面具有更好的性能表现。     

基于蚁群优化算法的旋转货架拣选路径规划

给出自动化立体仓库单拣选台分层水平旋转货架系统的数学模型,提出一种改进的蚁群优化算法,用于解决货物拣选路径规划问题。该算法能快速找到最优货物拣选路径,得到的解质量较高且计算时间短。仿真结果表明,该方法适用于求解中小规模货物拣选路径的规划问题,可以提高自动存储作业效率。     

密集MANET下MPR的改进蚁群优化算法研究

针对传统多点中继（MPR）机制因使用贪心算法而导致求解集合冗余的问题,通过将蚁群优化算法与MPR机制相结合,提出一种基于状态信息的动态更新蚁群优化（DUACO）算法。与传统状态更新机制相比,该算法添加了信息素的动态更新机制和补偿-惩罚规则,考虑到节点移动性将会影响求解集合的精确度,重新定义蚁群算法中的路径选择函数,并将节点移动状态信息加入计算过程。实验结果表明,DUACO算法不仅能够有效降低MPR集合冗余以及提高网络性能,而且还可解决启发式蚁群算法易陷入局部最优解的问题。     

Fuzzy Based Ant Colony Optimization Scheduling in Cloud Computing

Cloud computing is an Information Technology deployment model established on virtualization. Task scheduling states the set of rules for task allocations to an exact virtual machine in the cloud computing environment. However, task scheduling challenges such as optimal task scheduling performance solutions, are addressed in cloud computing. First, the cloud computing performance due to task scheduling is improved by proposing a Dynamic Weighted Round-Robin algorithm. This recommended DWRR algorithm improves the task scheduling performance by considering resource competencies, task priorities, and length. Second, a heuristic algorithm called Hybrid Particle Swarm Parallel Ant Colony Optimization is proposed to solve the task execution delay problem in DWRR based task scheduling. In the end, a fuzzy logic system is designed for HPSPACO that expands task scheduling in the cloud environment. A fuzzy method is proposed for the inertia weight update of the PSO and pheromone trails update of the PACO. Thus, the proposed Fuzzy Hybrid Particle Swarm Parallel Ant Colony Optimization on cloud computing achieves improved task scheduling by minimizing the execution and waiting time, system throughput, and maximizing resource utilization.     

结合B样条优化的UAV多区域路径规划融合算法

为解决无人机(UAV,unmanned aerial vehicle)在多个目标区域之间快速找到最佳遍历路径的类旅行商问题(TSP,travelling salesman problem),设计一种基于蚁群算法、A*算法以及三次B样条优化的融合规划算法;尽管蚁群算法相对其他优化算法在解决TSP问题上有较为良好的表现,但其规划路径处理时间长、生成路径转折多、路径质量和安全性较差;算法首先改进传统A*算法的节点扩展方式,快速生成两两目标区之间的局部路径,然后将蚁群算法和改进A*算法融合使用进行全局路径规划,最后结合改进三次B样条对路径进行平滑处理;基于栅格地图的仿真结果证明了该算法相比传统算法具有更好的高效性和稳定性。