基于路径交换的求解TSP混合蚁群算法

将蚁群算法与局部搜索优化算法结合,可抑制蚁群算法早熟收敛问题,并能提高蚁群算法的收敛速度。通过建立有效的局部搜索优化算法的参照优化边集,提高其求解质量和效率;引入路径交换策略提高蚁群算法的收敛速度和寻优能力。实验结果表明改进的混合蚁群算法能求解规模在2000个城市以内的旅行商问题的全局最优解。     

改进蚁群算法求解两地间时间最优路径

研究两地间时间最优路径的问题。针对基本蚁群算法搜索的盲目性,迭代时间长,易陷局部最优解的问题,造成寻找最优路径困难。为提高寻优效率,提出一种改进的蚁群算法来求解问题。在方案中引入阀值排序算法对搜索路径进行优化,解决了蚁群算法前期搜索路径的盲目性问题。改进的蚁群算法加快了收敛速度,并提高了稳定性。经仿真证明:改进蚁群算法性在减少算法的迭代次数和提高解的稳定性方面有了较大的提高,并且能很好的用于求解路径时间最优问题。     

改进蚁群算法FENA2O解决TSP问题研究

为了解决传统蚁群算法解决TSP问题时收敛速度慢、易陷入局部最优的问题,提出了一种名为FENA2O的改进蚁群算法。通过寻找并更新精英蚂蚁行走路径来提高收敛速度,通过规定蚂蚁数量来降低陷入局部最优的可能,配合2-Opt算法进一步优化所得路径。实验结果表明,算法改进后的收敛速度得到了较大提高,并能够有效解决局部最优。     

改进蚁群算法FENA2O解决TSP问题研究扈

为了解决传统蚁群算法解决TSP问题时收敛速度慢、易陷入局部最优的问题,提出了一种名为FENA2O的改进蚁群算法。通过寻找并更新精英蚂蚁行走路径来提高收敛速度,通过规定蚂蚁数量来降低陷入局部最优的可能,配合2- Opt算法进一步优化所得路径。实验结果表明,算法改进后的收敛速度得到了较大提高,并能够有效解决局部最优。     

基于改进蚁群算法的车辆路径仿真研究

针对基本蚁群算法收敛速度慢、易陷于局部最优等缺陷,提出了一种改进蚁群算法.通过车辆的满载率调整搜索路径上的启发信息强度变化,对有效路径采取信息素的局部更新和全局更新策略,并对子可行解进行3-opt优化,在实现局部最优的基础上保证可行解的全局最优.通过对22城市车辆路径实例的仿真,仿真结果表明,改进型算法性能更优,同基本蚁群相比该算法的收敛速度提高近50%,效果显著,该算法能在更短时间内求得大规模车辆路径问题满意最优解,说明其具有较好的收敛速度和稳定性.     

基于DNA-蚁群算法的车辆路径优化问题求解

蚁群算法在解决车辆路径问题(VRP)时存在过早收敛于局部最优解、收敛速度慢等问题,并且由于蚁群算法的参数选择没有严格规定,如果参数选择不当,将影响其寻找最优解的效率。为解决上述问题,将DNA算法中的交叉变异思想应用于基本蚁群算法中,提出一种新的DNA-蚁群算法,将基本蚁群算法中的参数进行DNA交叉变异,有效控制蚁群算法的参数选择,从而得到一组最优参数来求解VRP模型。实验结果表明,DNA-蚁群算法能有效解决车辆路径优化问题,更快寻找到全局最优解或较优解,提高了基本蚁群算法的寻优能力和效率。     

改进蚁群算法在机器人路径规划中的应用

针对传统蚁群算法在移动机器人路径规划问题中存在的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。根据起点到终点距离和地图参数构建全局优选区域,提高该区域内初始信息素浓度,避免算法初期盲目搜素;利用局部分块优化策略分别对各个子区域进行寻优并更新区域内最优路径信息素,增强局部搜索能力,加快收敛速度;对全局路径进行寻优,更新全局最优路径信息素。在信息素更新公式中引入信息素增强因子,加强最优路径信息素含量,应用反向学习优化信息素,改进状态选择概率,提高算法寻优能力。实验结果表明,改进后的算法明显提高了收敛速度,同时寻优能力更强。     

改进A~*蚁群算法求解机器人路径规划问题

针对蚁群算法收敛速度慢、效率低以及易陷入局部最优的一系列问题,提出改进的A~*蚁群算法。为降低蚁群死锁、停滞的概率,先将栅格地图进行处理。其次为了提高蚁群的效率,引进A~*算法确定蚁群的初始信息素,同时改进蚁群信息素更新方式,从而提高算法的收敛速度;针对局部最优的问题,提出将蚁群中的启发函数进行改进,不仅考虑到可行栅格中的最短距离,还考虑到目标点的位置,并且引入简化算子对蚁群的路径进行优化。通过4组仿真对比,改进的A~*蚁群算法效果显著。     

改进蚁群算法的局部信息动态路径规划

针对传统蚁群算法收敛速度慢、对动态路径变化适应性低的局限性,提出了一种基于局部信息获取策略的动态改进型蚁群算法。该算法利用局部信息获取策略,进行最优局部目标点的获取,然后调用改进蚁群算法获取局部区域内的最优路径,再重复循环获取新的最优局部目标点,直到找到全局目标点;与此同时,将提出的改进型蚁群算法应用于动态路径规划中的路径寻优与避障,仿真结果表明:提出的算法在具有与传统蚁群算法相当的路径优化效果的同时,能够有效适应障碍变化、大大提高了路径规划的收敛速度。     

分组教学蚁群算法改进及其在机器人路径规划中应用

针对蚁群算法收敛速度慢、易陷入局部最优问题,提出一种基于分组教学优化改进蚁群算法。该算法从3个角度对蚁群算法进行改进。首先,利用分组教学优化算法改进蚁群算法适应度函数,提高算法全局求解能力。同时,引进一种新的回退策略,通过该策略处理U型障碍死锁问题,确保算法求解可行性。其次,采用一种新的动态信息素更新策略,滚动更新每轮迭代后路径信息素值,避免算法陷入局部最优。最后,引入路径简化算子,将冗余角简化为直线路径,缩短路径长度。仿真实验证明改进算法能有效提高移动机器人路径规划收敛速度和精度。     

物流配送车辆路径问题的优化研究

物流中的车辆路径问题(VRP)是目前组合优化领域的研究热点问题,VRP为NP-hard问题。本文在对VRP分析的基础上,建立数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。提出的优化算法首先采用蚁群算法在局部阶段产生最好解,然后利用遗传算法的优良基因在全局阶段对优化解进一步优化,以获取最好路径解。实验结果表明,提出的融合算法能高效解决VRP问题,且优化效果比单算法好。     

基于车辆路径问题的蚁群遗传融合优化算法

在对车辆路径问题（VRP）分析的基础上,为之建立了数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。该算法首先采用蚁群算法产生阶段最优解,然后利用遗传算法的变异算子对阶段最优解进一步优化。仿真结果表明,该算法能高效解决VRP,并且优化效果较好。     

交叉变异蚁群算法在VRP问题中的应用研究

提出一种改进的蚁群算法,新算法利用遗传算法对蚁群算法的参数进行优化,然后利用新的蚁群算法求解基本的车辆路径问题。改进的蚁群算法具有全局搜索能力强的特点,仿真结果表明,新算法的优化质量和效率都优于传统蚁群算法。     

改进型蚁群算法求解运输调度问题

运输调度问题是一类复杂的组合优化问题，是近年来物流控制优化中的研究热点。通过对基本蚁群算法中的选择策略和信息素挥发速度的改进，提出了一种新的蚁群算法，克服了基本蚁群算法搜索时间长、易陷入局部最优解等缺陷，将其用于求解一类运输调度问题，实验发现算法有效，并且对于规模越大的问题，相对其它算法有更优的解。     

基于混合行为的蚁群双序列比对方法

针对基本蚁群算法在双序列比对中存在的易陷入局部最优解及收敛慢的问题,提出了一种新的基于混合行为的蚁群双序列比对算法,该算法通过增加蚂蚁行为模式来增大搜索空间,并且通过改变信息素更新策略来加快收敛速度。实验表明,该算法得到的解的全局性和收敛速度相对基本蚁群算法都有较大提高。     

运输调度问题的蚁群算法研究

蚁群算法是一种用于求解复杂组合优化的较新的启发式算法.本文简述了蚁群算法的基本原理及算法模型,通过分析研究现状指出了蚁群算法在实际应用中的局限性,最后给出解决一般运输调度问题的蚁群算法,并分析了其今后的发展方向.     

蚁群算法和遗传算法融合及其在有时间窗的车辆路径问题中的应用

针对基本蚁群算法搜索时间长、易陷入局部最优的缺点,提出了一种蚁群算法和遗传算法相融合的混合算法.该算法利用遗传算法全局快速收敛的优点,将遗传算法融入到蚁群算法的每一次迭代中,以加快算法的收敛速度,提高求解效率.实例运行结果验证了算法的有效性.     

时变路网条件下车辆路径问题的自适应蚁群算法

考虑实际生活中道路路况影响运输成本及油耗率与运载量相关的因素,处理跨多时段的问题,建立时变路网条件下的车辆路径问题数学模型。通过聚类算法和节约算法构造初始解,提高求解速度;自适应地改变启发式因子和期望启发式因子,提高算法全局收敛能力;结合油耗率,将油耗率转化成信息素挥发因子,自适应更新信息素,保证其收敛速度;通过3-opt策略,提高算法的局部搜索能力。基于以上方法构造自适应蚁群算法,对8个客户规模的实例进行仿真表明提出的算法在收敛速度和寻优结果两方面略优于自适应遗传算法和蚁群算法,且因为考虑了不同运载量的油耗,为准确估计运输成本提供了方法。     

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。     

基于细菌觅食的改进蚁群算法

蚁群算法是模仿蚂蚁觅食行为的一种新的仿生学智能优化算法。针对其收敛速度慢和易陷入局部最优的不足,将细菌觅食算法和蚁群算法相结合,提出一种细菌觅食 蚁群算法。在蚁群算法迭代过程中,引入细菌觅食算法的复制操作,以加快算法的收敛速度;引入细菌觅食算法的趋向操作,以增强算法的全局搜索能力。通过经典的旅行商问题和函数优化问题测试表明,细菌觅食 蚁群算法在寻优能力、可靠性、收敛效率和稳定性方面均优于基本蚁群算法及两种改进蚁群算法。