基于信息差异度蚁群算法的QoS路由算法

针对基本蚁群算法在求解QoS路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种基于信息差异度的蚁群算法对该问题进行求解。该算法在节点选择中嵌入路径信息素的差异度调节函数和迭代算子,动态调整节点选择策略;根据各路径上信息素的“集中”程度判断解的早熟、停滞情况,并引入路径变异和二次蚁群操作;根据最大-最小蚁群算法原理对信息素进行限制。仿真实验表明,算法全局搜索能力较强,能够跳出局部极值区间,快速收敛到全局最优解,算法是可行、有效的。     

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法.根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解.一个多极值点的连续优化问题求解实例证明了该方法的有效性     

基于拥挤度的改进蚁群算法

针对蚁群算法在求解旅行商问题时收敛时间长,且易陷入局部最优状态的缺陷,提出一种基于拥挤度的动态信息素蚁群优化策略。该算法引入静态拥挤度和动态拥挤度算子,主动提前预防停滞现象。将拥挤度与状态转移规则相结合,使蚁群状态实时跟随路径搜索情况而改变,提高蚁群自适应能力。针对蚁群路径搜索情况,加入邻域搜索优化规则,缩小搜索区域,结合2-opt局部优化策略,加快蚁群收敛速度。仿真结果表明,本算法既有较高的搜索效率又有较强的全局搜索能力。对比其他优化算法,无论是求解质量、稳定性还是收敛速度都能达到令人满意的效果。     

基于改进蚁群算法的物流配送路径求解

蚁群算法是受自然界中蚁群觅食行为启发而提出的一种智能优化算法,通过介绍蚁群搜索食物过程中基于信息素的最短路径的搜索策略.以及蚁群算法在VRP问题中的应用,给出了用于求解物流配送路径问题的蚁群算法.并针对蚁群算法在求解过程容易陷入局部最优的情况,提出了算法改进的措施.     

蚁群算法求解连续空间优化问题

借鉴蚁群算法的进化思想，提出一种求解连续空问优化问题的蚁群算法。该算法主要包括全局搜索、局部搜索和信息素强度更新规则。在全舄搜索过程中，利用信息素强度和启发式函数确定蚂蚁移动方向。在局部搜索过程中，嵌入了确定性搜索，以改善寻优性能，加快收敛速率。通过一个实例问题的求解表明了该算法的有效性。     

求解TSP问题的一种改进蚁群优化算法

针对基本蚁群算法求解TSP问题时容易出现早熟和停滞现象的缺陷,提出了一种改进的蚁群算法。算法的基本思想是,将信息素分为局部和全局二种不同的信息素,在搜索过程中。对局部和全局信息素采用不同的更新策略和动态的路径选择概率,使得在搜索的中后期能更有效地发现全局最优解。以TSPLIB的数据进行实验的结果表明．在中大型问题上有着更好的发现最优解的能力。     

混沌扰动模拟退火蚁群算法低碳物流路径优化

低碳物流是目前物流配送领域的热点研究课题,也是群体智能优化算法的重要应用方向。针对物流配送中碳排放的度量方法,以VRP问题为基本模型,以碳排放成本为目标函数,建立了低碳物流配送路径优化模型。为了避免基本蚁群算法出现停滞及早熟现象,提出了带混沌扰动的模拟退火蚁群算法来求解低碳物流配送路径优化模型。该算法将混沌系统及模拟退火机制引入基本蚁群算法,避免了算法陷入局部最优,增强了全局搜索能力,提高了求解效率。通过实验仿真及对比分析可知,带混沌扰动的模拟退火蚁群算法的求解结果明显优于基本蚁群算法,表明了该算法的有效性和合理性。     

基于信息素适量更新与变异的高效蚁群算法

为了克服基本蚁群算法求解速度慢、易于出现早熟和停滞现象的缺陷,提出了一种高效的蚁群算法（EACA）。它修改了基本蚁群算法中信息素的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,以加快收敛;另外,它采用了一种启发式变异方法对路径进行优化,以产生搅动效应,避免早熟。以TSP问题为例进行的实验结果表明：提出的算法优于ACA和ACAGA。     

用改进蚁群算法求解函数优化问题*

提出将蚁群算法用于求解函数优化问题的新方法。使用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁觅食的方式,更新搜索路径上的信息素,按照转移概率来决定搜索方向,即通过信息素来指引搜索,最后搜索收敛于各个全局最优解。给出了基于此思想的具体算法,并通过计算示例仿真说明了该算法的有效性,表明该算法可以同时快速收敛发现多个全局最优解,并保持稳定。     

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。     

基于多态蚁群优化的图像边缘检测

为了获得更好的边缘检测效果,提出了多态蚁群优化的边缘检测算法。通过侦察蚁的局部搜索标记侦察素,在搜索蚁进行全局搜索的过程中辅以侦察素的作用,提高算法的寻优能力。实验表明,算法在能够提取出弱边缘的情况下,有效地抑制了噪声和纹理信息。     

一种带侦察子群蚁群算法的无线传感路由协议

针对无线传感器网络（WSNs）路由面临安全威胁和节点能量有限的不足,提出一种基于引入侦察子群的改进蚁群算法（SACO）路由协议。通过改进的蚁群算法构造一条数据传输链,选择其中能量最大节点为簇头,信息通过相邻节点传送。结果显示：该算法兼顾到节点的能量和路径消耗,较标准蚁群算法和贪婪算法具有高效的路由选择功能,能够使网络中节点能量消耗更加均衡,从而延长网络的使用寿命。     

双种群分子动理论优化算法

针对传统分子动理论优化算法存在寻优精度差、易陷入局部极值等不足,提出了一种双种群分子动理论优化算法。该算法将种群分为精英和普通两个子群：普通子群采用传统分子动理论优化算法搜索策略进行大范围搜索,而精英子群则通过协同合作实现精细化搜索,以提高算法收敛精度;基于个体迁移实现子群间的信息交流,两个子群通过分工合作共同完成搜索过程。实验结果表明：改进算法在收敛速度、精度和算法稳定性等方面都有明显改善。     

狼群优化的二维Otsu快速图像分割算法

传统二维Otsu算法的阈值选取大都采用穷尽搜索方式,造成算法分割时间较长、实时性差等缺点,影响图像分割效果。为提高算法的运行效率,采用狼群算法来搜索最优阈值,每匹人工狼代表一个可行的二维阈值向量,狼群通过游走、召唤、围攻这三种智能行为的不断迭代以及狼群间的信息交互来获取最佳阈值。仿真结果表明,与标准粒子群优化二维Otsu算法和传统二维Otsu算法相比,狼群优化算法降低了分割时间并提高了图像分割精度。     

基于小生境的极性PSO多目标优化研究及应用

提出一种改进粒子群算法,即将子群优化的小生境技术应用于极性粒子群算法,每个子群单独进化,内部粒子群进化增加了极性加速度,仅在边界处进行社会信息的传递.这样既保证了子群内部的有效收敛,又增加了全局多样性.将改进的粒子群算法与多目标优化相结合应用于蒸汽发生器的液位控制器参数整定,仿真结果表明,应用该算法的系统特性与使用传统...     

双目标流水线调度的动态双子群离散果蝇算法

提出了一种基于动态双子群的离散果蝇优化算法,求解以最大完工时间和机床空闲时间的最小化为目标的无等待流水线调度问题。与传统的果蝇算法不同,该算法采用基于工序的编码方式,并用改进的NEH方法进行初始化,提高初始解的质量;根据算法在进化过程中个体的进化水平,动态地将整个群体划分为先进子群和后进子群,简单但有效地插入方法在先进个体邻域内进化精细搜索,贪婪迭代进化机制用于优化后进个体,以此平衡算法的全局开发能力和局部搜索能力;为了提高算法效率,快速算法用于计算函数目标值和判断更新非支配解。仿真试验表明了所提果蝇算法的有效性和高效性。     

混合改进搜索策略的鸡群优化算法

针对鸡群算法易陷入局部最优和出现早熟收敛的情况,提出一种混合改进搜索策略的鸡群优化算法。该算法通过种内和种间竞争,确定子群规模及等级次序,子群角色通过竞争繁殖进行动态更新。种群进化寻优中引入全局最优引导策略和动态惯性策略,个体的寻食学习通过动态惯性策略进行自我调整,并同时接受子群与种群中的最优个体引导,以平衡局部搜索和全局搜索之间的关系。仿真实验结果表明,与基本鸡群算法和粒子群算法等相比,改进后的鸡群算法能有效提高算法的收敛精度和收敛速度。     

多目标优化的粒子群算法研究

本文介绍了粒子群优化算法PSO中的多目标优化的粒子群算法及其应用,并将其运用在防守对方多个前锋球员的进攻威胁,以粒子群算法随机性来适应不断变化的形势。     

一种基于灰度投影块匹配算法的电子稳像方法

针对无人侦察平台系统中的实际使用环境,提出基于灰度投影块匹配电子稳像算法;此算法是灰度投影算法和块匹配算法的合理结合,综合了灰度投影算法运算速度快和块匹配算法匹配精度高的优点。经过试验表明,该种稳像算法能够适应更广的稳像应用环境,具有较好稳像精度和稳像速度,达到实际应用中实时电子稳像效果。     

Multimodal function optimizations with multiple maximums and multiple minimums using an improved PSO algorithm

In this paper, a multimodal function optimization problem consisting of multiple maximums and multiple minimums is solved using an improved particle swarm optimization (PSO) algorithm. In the proposed scheme, the original population needs to be randomly divided into two main groups in the first stage. One group is to tackle the maximum optimization of the multimodal function and the other then focuses on the function minimum optimization. In the second stage, each group is split up into several subgroups in order to seek for function optimums simultaneously. There is no relation among subgroups and each subgroup can individually seek for one of function optimums. To achieve that, it is necessary to enroll the best particle information of each subgroup. It means that the proposed structure contains a number of best particles, not a single global best particle. The third stage is to modify the velocity updating formula of the algorithm where the global best particle is simply replaced by the best particle of each subgroup. Under the proposed scheme, multiple maxima and minima of the multimodal function can probably be solved separately and synchronously. Finally, many different kinds of multimodal function problems are illustrated to certify the applicability of the presented method, including one maximum and one minimum, two maximums and two minimums, multiple maximums and multiple minimums, and a complex engineering optimization problem with inequality conditions.