一种自适应信息素改进蚁群算法①

针对基本蚁群算法容易导致早熟、停滞现象,改变其信息素释放策略,提出自适应信息素改进蚁群算法,使得信息素的更新采用了一种新的面向数据的传递方式。改进后的算法在收敛速度和解的多样性之间取得良好的平衡。通过解TSP实例试验结果表明,其比基本蚁群算法具有更好的搜索能力,且其误差率可以保持较低的水平。     

基于蚁群算法的车间作业调度问题研究

对基于蚁群算法的车间作业调度问题求解进行了研究,在分析了传统蚁群算法求解车间作业调度问题容易出现早熟、收敛于局部最优解以及搜索速度慢的缺陷,提出了一种改进的混合蚁群算法。该方法在信息素更新规则上利用信息素局部更新策略和全局更新策略来进行信息素的更新,并将领域搜索与蚁群算法相结合,从而求得问题的可行解。最后,基于benchmarks问题进行了实验仿真,实验结果证明该改进混合算法的有效性及可行性。     

基于级联信息素更新蚁群算法的多用户检测

给出了基本蚁群算法在多用户检测中的具体实现,同时针对基本蚁群算法易陷入局部最优解的缺点,提出了一种改进蚁群算法的多用户检测方法。该算法对蚁群算法的信息素更新采用串联式的多级更新策略,首先进行有选择性的信息素更新,然后引进随机扰动因子进一步修改信息素,最后采用最大门限确定信息素的范围。最终的仿真结果表明:所提出的级联信息素更新蚁群算法的多用户检测(UCP-ACO-MUD)算法具有较强的跳出局部最优解的性能,效果良好。     

基于重要解成分的信息素更新策略

蚁群优化算法通过信息素记录搜索过程中获取的知识,并基于信息素搜索新的解,因此好的信息素更新策略对蚁群优化算法至关重要。针对不同解成分的贡献不同的特点,提出了新的信息素更新策略:首先识别候选解的重要成分,然后在更新信息素时只允许重要的解成分得到加强。基于新的更新策略更新的信息素更好地反映了优质解的特点,从而加快了信息的正反馈过程。以4阶欺骗问题为例,验证了新算法的有效性。     

化学反应蚁群优化算法

针对化学反应优化对反馈信息利用不足导致后期求解效率低的问题,提出化学反应蚁群优化算法.该算法利用化学反应优化生成较优解,通过信息素转换策略将较优解转换为蚁群算法的初始信息素,最后由蚁群算法累积更新信息素得到最优解.以TSP为例进行仿真,结果表明,与化学反应优化、蚁群算法、模拟退火算法相比,所提算法具有更高的寻优能力、收敛效率和计算效率.     

求解旅行商问题的模拟退火蚁群算法

根据蚁群算法与模拟退火算法的特性,提出了求解旅行商问题的混合算法.由模拟退火算法生成信息素分布,然后由蚁群算法根据累计更新的信息素找出若干组解,再经过模拟退火算法在邻域内找另外一个解的操作,得到更有效的解.与模拟退火算法、标准遗传算法、蚁群算法和随机初始化的蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

求解旅行商问题的改进蚁群算法研究

针对蚁群算法收敛速度慢的问题,对蚁群算法信息素更新规则进行研究,提出一个基于迭代思想的信息素更新规则。对信息残留因子进行实验,确定在新的信息素更新规则下信息素挥发系数的最佳合理值。最后针对eil51问题和dantzig42问题两个例子的仿真实验对比基本蚁群算法。实验结果表明,改进的蚁群算法在收敛性和求得最优解方面都明显优于基本蚁群算法和其它人工智能算法。     

基于信息素扩散的优化蚁群算法的研究

在蚁群算法实验性分析的基础上,对算法模型改进和信息素更新机制方面,首次引入了信息素扩散的概念,在信息素更新的时候更好地考虑了先前经过的节点,以尽力避免不必要的无用搜索,同时基于信息素扩散的蚁群算法具有不断获得新的最优解的能力,使得改进蚁群算法在不断的迭代过程后,可获得全局最优解,而不易陷入局部最优解.在解决实际旅行商问题时,首先对所有节点的坐标预处理,然后采取信息素扩散机制和蚂蚁泛滥技术来对蚁群算法进行改进,力求在相同的迭代次数内可以寻找到更短及代价更小的路径.最后,通过在vc++环境下实现改进蚁群算法程序,验证了改进后的蚁群算法的可行性以及改进后的蚁群算法求解的高效性.     

基于变异操作的蚁群算法用于连续函数优化

介绍了基本蚁群算法的数学模型,在一种新的连续空间分解方法的基础上,对信息素更新方式进行了改进,采用信息素局部更新和自适应的信息素全局更新相结合的方式,以提高算法的收敛速度。引入了进化算法中的变异操作,对寻优过程中每次迭代的最优解进行变异,增加了种群的多样性,避免算法的早熟,以提高改进后蚁群算法的全局收敛性能。实验结果表明,提出的基于变异操作的蚁群算法在连续函数寻优上有更好的收敛速度和收敛性能。     

基于蚁群优化算法的网格任务映射策略

针对网格环境下实现任务最优映射的问题,提出一种基于蚁群优化算法的网格任务映射策略(ACO-GTM)。该算法通过人工蚂蚁在构建图上行走构建初始解,利用最优改进2-选择局部搜索方法对初始解进行局部优化,并采用全局信息素更新与局部信息素更新相结合的信息素更新策略。最后通过实验与其他算法进行比较,表明所提出的映射算法在最优跨度和负载平衡方面具有明显的优越性。     

基于新型信息素更新策略的蚁群算法*

深入研究了蚁群优化算法（ACO）的路径搜索及参数控制策略,分析了其存在的缺陷。为了提高ACO算法的解题能力,提出一种新型信息素更新策略（PACS）,然后将PACS算法与其他蚁群算法分别应用于旅行商问题（TSP）进行仿真实验。仿真结果表明,PACS算法具有优良的全局优化性能,可抑制算法过早收敛于次优解,有效防止了停滞现象,收敛速度也大大加快。     

Guidance-solution based ant colony optimization for satellite control resource scheduling problem

An ant colony optimization (ACO) approach for the satellite control resource scheduling problem is presented. Based on the observation that the solution space of the problem is sparse, this ACO approach is combined with a guidance solution based pheromone updating method to avoid trapping in local optima. The basic idea of this method is to change the distribution of pheromone trails by updating them with a guidance solution once the algorithm stagnates. We compare the proposed algorithm with several other heuristics. The experimental results demonstrate that our approach possesses strong competitive advantage in exploring global best solutions.     

Applying multi-objective ant colony optimization algorithm for solving the unequal area facility layout problems

The unequal area facility layout problem (UA-FLP) which deals with the layout of departments in a facility comprises of a class of extremely difficult and widely applicable multi-objective optimization problems with constraints arising in diverse areas and meeting the requirements for real-world applications. Based on the heuristic strategy, the problem is first converted into an unconstrained optimization problem. Then, we use a modified version of the multi-objective ant colony optimization (MOACO) algorithm which is a heuristic global optimization algorithm and has shown promising performances in solving many optimization problems to solve the multi-objective UA-FLP. In the modified MOACO algorithm, the ACO with heuristic layout updating strategy which is proposed to update the layouts and add the diversity of solutions is a discrete ACO algorithm, with a difference from general ACO algorithms for discrete domains which perform an incremental construction of solutions but the ACO in this paper does not. We propose a novel pheromone update method and combine the Pareto optimization based on the local pheromone communication and the global search based on the niche technology to obtain Pareto-optimal solutions of the problem. In addition, the combination of the local search based on the adaptive gradient method and the heuristic department deformation strategy is applied to deal with the non-overlapping constraint between departments so as to obtain feasible solutions. Ten benchmark instances from the literature are tested. The experimental results show that the proposed MOACO algorithm is an effective method for solving the UA-FLP.     

一类自适应蚁群算法及其收敛性分析

为了克服蚁群算法易陷入局部最小点的缺点,同时提高算法的收敛速度,提出一类自适应蚁群算法.该算法利用自适应改变信息激素的挥发系数改善传统蚁群算法的全局搜索能力和收敛速度.通过马尔科夫过程对算法的全局收敛性进行分析,得出该类蚁群算法全局收敛性条件.并构造出该类算法的一种信息激素更新策略,证明了这种算法全局收敛性.利用提出的算法对典型的TSP问题进行仿真研究,结果表明比典型蚁群算法在收敛速度和解的性能上都有较大改善.     

一种基于粒子群参数优化的改进蚁群算法

蚁群算法是一种应用广泛、性能优良的智能优化算法,其求解效果与参数选取息息相关.鉴于此,针对现有基于粒子群参数优化的改进蚁群算法耗时较大的问题,提出一种新的解决方案.该方案给出一种全局异步与精英策略相结合的信息素更新方式,且通过大量统计实验可以在较大程度上减少蚁群算法被粒子群算法调用一次所需的迭代代数.仿真实验表明,所提出算法在求解较大规模旅行商问题时具有明显的速度优势.     

基于转角约束的改进蚁群优化算法路径规划

针对传统蚁群优化（ACO）算法搜索路径时易陷入局部最优、路径过长、转弯角度过大等问题,提出一种基于转弯角度约束的改进ACO算法。首先,增加起始点与目标点之间区域的初始信息素浓度,以避免初期盲目搜索;然后,在启发函数中加入A^*算法的估价函数和转弯角度因子,以便在下一步选择路径长度和转角次数综合最优的节点;最后,在信息素更新部分引入狼群算法的分配原则,来加强优质种群的影响力,同时借鉴最大最小蚁群（MMAS）算法进行信息素浓度的限制,从而避免算法陷入局部最优。Matlab仿真结果表明,改进算法与传统ACO算法相比,规划出的路径长度缩短了13.7%,转弯次数减小了64.3%,累计转弯角度减少了76.7%。实验结果表明,所提改进算法能有效解决全局路径规划问题,避免了移动机器人过多的能耗损失。     

时间依赖型车辆路径问题的一种改进蚁群算法

时间依赖型车辆路径规划问题(TDVRP),是研究路段行程时间随出发时刻变化的路网环境下的车辆路径优化.传统车辆路径问题(VRP)已被证明是NP-hard问题,因此,考虑交通状况时变特征的TDVRP问题求解更为困难.本文设计了一种TDVRP问题的改进蚁群算法,采用基于最小成本的最邻近法(NNC算法)生成蚁群算法的初始可行解,通过局部搜索操作提高可行解的质量,采用最大--最小蚂蚁系统信息素更新策略.测试结果表明,与最邻近算法和遗传算法相比,改进蚁群算法具有更高的效率,能够得到更优的结果;对于大规模TDVRP问题,改进蚁群算法也表现出良好的性能,即使客户节点数量达到1000,算法的优化时间依然在可接受的范围内.     

用于函数优化和特征选择的翻筋斗觅食海鸥优化算法

针对基本海鸥优化算法（SOA）在处理复杂优化问题中存在低精度、慢收敛和易陷入局部最优的不足,提出了一种基于翻筋斗觅食策略的SOA算法（SFSOA）。该算法首先采用基于倒S型函数的控制参数A非线性递减策略更新海鸥个体的位置,以改善个体的质量和加快收敛速度;引入一种基于翻筋斗觅食策略的学习机制以增加海鸥个体位置的多样性,避免算法在搜索后期陷入局部最优值。选取八个基准函数优化问题进行数值实验,并与基本SOA、灰狼优化算法和改进SOA进行比较,结果表明,所提算法具有较高的解精度、较快的收敛速度和较强的全局搜索能力,能有效地处理复杂函数优化问题。最后,将SFSOA用于求解特征选择问题,获得了满意的结果。     

一种改进的蚁群算法在工艺规划与车间调度集成优化中的应用

改进标准蚁群算法的执行策略,可提高工艺规划和调度集成问题的求解 质量和效率。通过节点集、有向弧/无向弧集、AND/OR 关系,建立了基于AND/OR 图的工 艺规划和调度集成优化模型。提出一种求解工艺规划与车间调度集成问题的改进蚁群优化算 法,采用了信息素动态更新策略避免收敛过慢和局部收敛,利用多目标优化策略提高求解质 量。仿真结果证明了该算法的有效性。