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．     

基于异类蚁群的双种群蚁群算法

提出一种基于异类蚁群的双种群蚁群（Dual Population Ant Colony Algorithm Based on Heterogeneous Ant Colonies,DPACBH）算法,算法将两种信息素更新机制不同的蚁群分别独立进行进化求解,并定期交换优良解和信息来改善解的多样性,增强跳出局部最优的能力,使算法更容易收敛到全局最优解。以TSP（Travel Salesman Problem）问题为例所进行的计算表明,该算法比基本双种群蚁群算法具有更好的收敛速度和准确性。     

基于信息素扩散机制的双种群蚁群优化算法

针对基本双种群蚁群算法在进化中容易出现早熟、停滞的现象,对算法进行了改进.在双种群蚁群分别独立进化、定期进行信息交换的基础上,提出一种新的蚁群优化算法,通过建立信息素扩散模型,并在每种蚁群的局部信息素更新上采用扩散模型,使蚂蚁更好的发挥了协作能力.以旅行商(Travel Salesman Problem,TSP)问题为例的仿真实验表明,该算法比基本双种群蚁群算法具有更好的收敛速度和寻优能力.     

云计算任务调度双精英种群文化基因改进算法

云计算任务调度是一个难于精确求解的调度问题,需要兼顾考虑计算时间和资源利用率.为了最大程度地节省计算时间和提升资源利用率,论文提出了一种云计算任务调度双精英种群文化基因改进算法.首先,针对文化基因算法全局搜索能力不高的问题,通过结合遗传算法与粒子群算法,提出一种混合全局搜索策略,提高算法的种群多样性和收敛速度.其次,为...     

一种基于精英策略的改进蚁群算法及应用

针对基本蚁群算法存在求解速度慢,容易出现"早熟",导致搜索停滞的缺点,将遗传算法中排序的概念扩展到精英机制当中,以一种新的加权方法进行信息素更新,建立了改进蚁群算法模型.对30城市物流配送问题仿真结果表明:改进算法的求解速度和求解精确度都明显优于基本蚁群算法.     

自适应动态双种群蚁群算法

基本蚁群算法容易陷于局部最优解是其较为突出的缺点。针对这一问题,文章提出使用双种群蚁群同时进行搜索。在迭代过程中,若判断出算法陷入可能局部最优时,则交换不同种群对应路径上的信息素,并且同时双向动态自适应调整信息素挥发系数的改进策略。通过信息素的震荡变化和挥发系数的自适应调整,扩大搜索空间,提高算法搜索的全局性。通过实验仿真,证明了此算法改进是可行和有效的。     

一种基于双精英种群的协同进化算法研究

针对传统带精英策略的多目标进化算法种群收敛分布不够均匀,全局搜索能力不足的缺点,提出一种基于双精英种群的协同进化算法DEPEA(Double Elite Populations Co-evolutionary Algorithm)。该算法借鉴了子区间划分和非支配排序思想,将整个种群划分成两个不同级别的精英种群和一个普通种群;两个精英种群结合协同进化思想分别采用不同的进化策略实现对算法的探究和探查能力的平衡,高级别的精英种群与低级别的精英种群采用协作操作,促进更优秀的个体产生;高级别的精英种群与普通种群采用引导操作,加快普通个体向精英个体逼近。通过对五个标准的测试函数进行实验,并与传统的NSGA-II算法和最新的hybird_MOEA算法结果进行比较与分析,表明该算法不仅具有更好的全局收敛性,且能够更好地保证种群的多样性。     

基于双种群蚁群算法的AGV路径规划研究

针对蚁群算法存在的收敛速度慢、易陷入局部最优和容易死锁等问题,提出了一种用于自动引导车(Automated Guided Vehicle, AGV)路径规划的双种群蚁群算法。该算法引入差异化信息素初始值,修改启发函数并在信息素更新时对最优及最差路径进行奖惩；以改进策略为基础,引入自适应步长搜索策略,通过具有差异化步长的两个种群相互协作加强算法寻优能力和搜索效率；针对死锁问题,提出了将符合条件的单元格视为障碍物的“填充陷阱”策略。分别进行仿真实验和车间现场实验,结果表明,该算法可以为AGV规划出一条安全且综合性能较好的路径,为AGV路径规划提供了一种可行的方案。     

改进的种群分类蚁群算法及其应用

提出了一种改进的种群分类蚁群算法,该算法在种群分类的基础上,引入了蚂蚁的知觉感觉特性等。该算法能明显的防止蚁群算法可能出现早熟的问题,从而解决了传统蚁群算法加速收敛与早熟、停滞现象的矛盾。为了说明该算法的性能,将该算法应用到聚类分析算法中,设计了算法的模型以及算法步骤,并通过仿真实验证明了本算法的可行性和有效性。     

基于启发式机制的改进蚁群算法

针对蚁群算法在求解最短路径问题时收敛速度慢,容易陷入局部最优解的问题,提出基于启发式机制的改进蚁群算法.在蚁群系统（ant colony system,ACS）算法基础上通过候选节点到目标点的距离动态调整启发函数,提高收敛速度;算法陷入局部最优时,引入惩罚函数,使当前最优路径上的信息素快速下降而降低蚂蚁下一次搜索正反馈的影响,避免算法陷入局部最优.仿真实验表明,在复杂环境中,包括终点处存在凹形障碍物时,该算法在解的质量和收敛速度上都显示出了良好的性能.     

一种基于蚁群算法的分类规则挖掘算法

Parepinelli等提出了基于ACO的分类算法。文中提出了一种基于自适应蚁群算法的分类规则挖掘算法，该算法采用了与Parepinelli算法不同的启发式函数及信息素改变方法．引入了自适应机制与变异策略，从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。     

一种基于蚁群算法的分类规则挖掘算法

Parepinelli等提出了基于ACO的分类算法。文中提出了一种基于自适应蚁群算法的分类规则挖掘算法,该算法采用了与Parepinelli算法不同的启发式函数及信息素改变方法,引入了自适应机制与变异策略,从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。     

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,TS...     

求解TSP问题的一种改进蚁群算法

TSP问题是典型的NP—hard组合优化问题,用蚁群算法求解此问题存在搜索时间长,容易陷入局部最优解的不足。本文提出了一种改进的蚁群算法。该算法在蚁群算法中植入遗传算法,利用遗传算法生成信息素的分布,克服了蚁群算法中搜索时间长的缺陷。此外,在蚁群算法寻优中,采用交叉和变异的策略,改善了TSP解的质量。仿真结果显示,改进的蚁群算法是有效的。     

蚁群算法改进及其实现

针对蚁群算法在解决TSP问题时容易陷入局部最优,提出了一种改进信息素的算法,该方法可以扩大搜索空间,明显提高了蚁群算法的优化性能;并给出了算法的C++实现,结果表明算法可以得到更优的解。     

一类用于连续域寻优的蚁群算法

由真实蚁群觅食行为启发而来的经典蚁群算法,非常适合解决组合优化问题,但经典蚁群算法的离散性本质也限制了其在连续空间问题求解中的应用。为此,提出了一种用于连续域寻优的改进蚁群算法。局部搜索上基于解决离散域问题的经典蚁群优化思想,全局搜索利用类似于遗传算法的交叉、变异操作-称为Ant Diffusion和Ant Walk方法,每代寻优结束后均采用"精英策略"把本代最优个体保留到下一代中。最后,采用改进算法对几个基准函数做了寻优测试,都取得了良好的效果,证明了算法的有效性。     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用，但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈。基于这些原因，根据经济学组织交易成本理论，文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法：基于聚类的蚂蚁优化算法，并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象。