一种快速收敛的蚁群算法

由于基本蚁群算法存在过早陷入局部最优、搜索速度慢的缺点,本文在分析产生这些缺点的基础上,对蚁群算法提出了一些改进措施。最后通过TSP仿真,表明改进算法不仅提高了算法的速度,而且提高了解得质量．     

蚁群遗传混合算法

提出了一种蚁群系统与遗传算法融合的算法。将遗传算法加入到蚁群系统的每一次迭代过程中,利用遗传算法全局快速收敛的优点,来加快蚁群系统的收敛速度。并且遗传算法中的变异机制,帮助提高了蚁群系统跳出局部最优的能力。不仅阐述了新算法的原理,而且以旅行商问题为例进行了仿真实验,实验结果表明新算法在求解时间和求解质量上都取得了很好的效果     

基于混合信息素递减的蚁群算法

根据蚁群算法信息素更新的特性,提出了求解旅行商问题的混合信息素递减的蚁群算法。把基本蚁群的三种不同的信息素更新方式混合在一起,同时提出了信息素递减更新的方法。新的更新方式避免了蚂蚁在寻找最优解的过程中,由于禁忌表元素的逐渐增加而限制蚂蚁巡游路径选择的缺点,减少了巡游后期信息素对于后继蚂蚁的影响,提高了后继蚂蚁的巡游质量。仿真实验表明了该混合算法的有效性。     

一种改进的蚁群算法在TSP问题中的应用研究

蚁群算法是近几年发展起来的一种新型的拟生态启发式算法,它已经被成功地应用在旅行商(TSP)问题上.由于基本蚁群算法存在过早陷入局部最优解和收敛性较差等缺点,文中对基本蚁群算法在基于蚁群系统的基础上进行了改进,在信息素的更新和解的搜索过程中更多地关注了局部最优解的信息,以使算法尽可能地跳出局部最优,并且改进后的算法对一些关键参数更容易控制.多次实验表明改进的蚁群算法在解决TSP问题上与基本蚁群算法相比有较好的寻优能力和收敛能力.这种算法可以应用在其它组合优化问题上,有一定的工程应用价值.     

基于混合行为蚁群算法的研究

为在加快算法收敛速度的同时又能避免停滞现象,提出一种基于混合行为的蚁群算法.首先就蚂蚁行为对算法性能的影响进行了分析,在此基础上提出了该算法的模型;然后定义了蚂蚁行为,并为该算法设计了4种具体的蚂蚁行为,根据模型实现了该算法.实验结果表明,该算法在性能上远优于蚂蚁系统.     

带有单亲遗传特征的蚁群算法

蚁群算法是一种新型的模拟进化算法,具有许多优良的性质,但同时也存在着计算时间过长和易导致早熟收敛等缺点.单亲遗传算法不使用基本遗传算法常用的交叉算子,简化了遗传操作过程,且不要求初始群体具有广泛多样性,计算速度较快,不存在早熟收敛现象.将这两种算法结合,提出一种具有单亲遗传特征的蚁群算法.将蚁群算法每次搜索结果作为初始种群,进行单亲遗传优化改良,求得最短路由.在旅行商问题上的实验证明了该算法的有效性.     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

面向TSP求解的混合蚁群算法

针对蚁群算法的早熟和停滞等现象,将免疫算法机制引入蚁群算法,提出用于TSP求解的混合算法。该算法具有蚁群算法的自适应反馈机理、收敛速度快和免疫算法操作算子简单和维持种群多样性、防止种群退化等特性。从算法解的质量与效率方面与基本蚁群算法和免疫算法进行比较,结果表明融合免疫机制的蚁群算法性能显著提高,也为解决其他组合优化问题提供一个新的思路。     

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。     

基于混合行为的蚁群算法

针对基本蚁群算法易出现停滞、收敛速度慢的问题,在最大最小蚁群算法的基础上提出了一种基于混合行为的蚁群(HBAC)算法,通过引入停止蚂蚁来构造局部路线方式和增加全局调优策略,提高了算法的搜索能力和收敛速度,同时将蚂蚁所寻找的各条路径的信息素限定在一个可动态调整的范围之内,避免了算法过早陷于局部最优解.通过HBAC算法同其他蚁群算法在求解旅行商问题上的实验比较,发现该算法拥有较快的收敛速度,提高了全局最优解搜索能力,在性能上有了较大的提高.     

一种基于格的蚁群算法

针对蚁群算法容易陷入局部搜索的问题,提出了一种基于格的蚁群算法。将问题空间划分为n块格子,基于随机策略,将m只蚂蚁分别放在n块格子中,对于每个格子,再次基于随机策略,将格子内的蚂蚁放置在不同的节点上。仿真结果显示,在不影响最优解的情况下,基于格的策略加速了算法的收敛性。     

改进蚁群算法及其仿真研究

在基本蚁群算法在基于蚁群系统(ACS)的基础上进行了改进,提出了一种新的局部更新策略,使得局部更新更有效更强健,同时采用动态的α值和信息素自适应调整策略,扩大了可行解的范围,有效抑制收敛过程中的停滞现象,提高了蚁群算法的求解性能.通过对多种旅行商问题(asp)的仿真实验,并分别与ACS和最大最小蚁群算法(MMAS)进行了比较,结果表明,该算法在性能上远优于ACS和MMAS.     

一种基于路径相似度的蚁群算法

提出了路径相似度的概念,并根据较优可行解与最优解的相似度,来进行路径选择和信息素更新,以求能更快加速收敛和防止早熟、停滞现象。该算法根据截之间的相似度,自适应地调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。     

改进的蚁群算法及其在TSP中的应用

蚂蚁算法是一种元启发式优化算法,研究表明其具有较强的发现较好解的能力,但是也存在一些不足。根据蚂蚁算法的信息素更新的特性,提出了一种信息素更新的新方法,并把其应用于求解TSP问题,仿真结果表明,该方法具有很好的性能。     

求解TSP的新量子蚁群算法

鉴于蚁群算法（ACA）在求解TSP时表现出的优越性,以及量子进化算法（QEA）在求解组合优化问题时表现出的高效性,将ACA与QEA的算法思想进行融合,提出一种新的求解TSP的量子蚁群算法。该算法对各路径上的信息素进行量子比特编码,设计了一种新的信息素表示方式,即量子信息素;采用量子旋转门及最优路径对信息素进行更新,加快算法收敛速度;为了避免搜索陷入局部最优,设计了一种量子交叉策略,以改善种群信息结构。仿真实验结果表明了该算法具有较快的收敛速度和全局寻优能力,性能明显优于ACS。     

新型的双种群蚁群算法

基于对蚂蚁种群中兵蚁和工蚁在觅食过程中合作关系的仿生,提出了一种改进型蚁群算法。在该算法中同时存在着兵蚁子种群与工蚁子种群两个种群,两个子种群并行搜索,通过兵蚁的分布来影响到工蚁的移动选择,以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡。基于旅行商问题的实验证明,算法具有较好的全局搜索能力和收敛速度。     

基于云模型的模糊自适应蚁群算法研究

针对蚁群算法存在控制参数难以确定和易陷入停滞等不足,采用云模型理论对蚁群算法进行改进,将云模型作为模糊隶属函数,选择部分较优路径进行全局信息素更新,从而提高算法对路径的开发和探索,同时通过对云隶属函数的参数控制,实现算法的自适应调整策略。针对TSP问题进行仿真实验对比,结果也表明基于云模型的蚁群算法要明显优于ACS和MMAS算法。     

双链量子蚁群系统及应用

针对现有量子蚁群算法构造、更新两条信息素链,但只选择一条链进行寻优操作的问题,提出了一种双链量子蚁群系统。该算法采用余弦和正弦双链蚂蚁寻优构造解空间,针对不同链上蚂蚁的特征构造了不同的路径选择策略;定义了信息素量子比特相位角的范围和量子信息素最大最小区间,给出了基于量子旋转门的量子信息素挥发与增强策略,运用了一种信息素的平滑机制以提高算法的性能;最后结合TSP算例对算法进行验证、比较与分析,仿真结果表明双链量子蚁群系统具有算法稳定、寻优能力强的特点。     

自适应蚁群算法在求解TSP问题中的应用

围绕蚁群优化算法的理论及应用,针对蚁群算法在TSP规划中求解能力不足的难题,运用了一种基于自适应的蚂蚁算法,并对TSP规划进行了设计。为了提高路径规划的效率,将自适应与传统的蚂蚁算法相结合形成了自适应蚁群算法。仿真实验结果表明,改进后算法能够在较短时间内找到全局最优路径,相对于基本的蚁群算法在收敛速度、搜索质量和局部寻优方面都有了明显的提高。