一种自适应最大最小蚁群算法

介绍蚁群算法结构、原理,分析其优点和不足,回顾它的几个重要的改进模型.为了改进它的不足,在最大最小蚂蚁系统的基础上,提出一种自适应改进模型.对其权重系数、状态转移规则及信息素增量方式等进行改进,实现自适应调整,提高算法性能.为了验证改进算法的性能,进行数值实验,结果显示本文所提改进算法的有效性.     

基于最好最差蚂蚁路径差异的奖惩蚁群算法

基于路径优劣差异源于组成路径的路段不同的认识,该文提出一种最优最差蚂蚁路径差异奖惩的信息素更新策略。通过最优最差蚂蚁的路径比对,突出不同路段对路径的差异贡献,实施信息素的区分性奖惩,以增强信息素释放的针对性,加强对最优解附近区域的搜索引导,加速解的收敛。选取旅行商问题数据进行了算法性能测试,结果表明该文算法求得解的质量和收敛速度均优于最大最小蚂蚁系统,证实了算法的有效性。     

进化策略与蚁群算法融合的求解旅行商问题

针对进化策略收敛速度快但容易陷入早熟收敛以及最大最小蚂蚁系统求解能力强但收敛速度较慢的特点,将进化策略与最大最小蚂蚁系统融合,并利用最大最小蚂蚁系统求出每一步迭代的最优解,再对迭代出最优解进行进化策略中的变异操作来加快解的收敛速度.将所提出的算法应用到中国旅行商问题(CTSP)的实际应用中,其结果显示出优越性.     

优化型蚁群算法在旅行商问题中的应用研究

针对基本蚁群算法的搜索时间长和局部收敛等现象,提出一种用于求解旅行商问题（TSP）的优化型蚁群算法,该算法有效地将最大最小蚁群算法（MMAS）和遗传算法（GA）相结合,一方面在很大程度上缩短了算法的寻优时间;另一方面有效地避免了算法的早熟停滞现象。利用MATLAB对多种TSP问题进行仿真研究,实验结果证明了优化型蚁群算法在性能上优于MMAS和GA。     

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.     

基于信息素变异的蚁群算法的应用研究

针对基本蚁群算法的不能更好地模拟真实蚂蚁觅食和局部收敛等现象,提出一种用于求解旅行商问题（TSP）的改进蚁群算法,该算法将信息素的更新与挥发算法做了改进,从而能够更好的模拟真实蚂蚁,并且有效的提高了搜索效率。仿真结果证明了该算法的有效性和可行性。     

求解TSP问题的自适应模拟退火蚁群算法

针对蚁群算法易陷入局部最优,收敛速度较慢的问题,在最大-最小蚁群算法的基础上,提出一种自适应模拟退火蚁群算法。在高温阶段以一定概率接受次优解,优化每次迭代后的路径,增加算法的全局搜索能力,并采用一种自适应的信息素更新策略,前期增加算法的全局搜索能力,后期加快算法的收敛速度;在低温阶段通过降温系数的取值,加快算法收敛速度,在温度机制上采用了回火机制,避免局部最优,使解的质量得到了提高。同时在算法中结合了3opt进一步优化了算法解的质量。实验结果表明该算法的收敛速度以及求解质量得到了一定程度的改善,较好地平衡了种群多样性以及收敛速度的关系。     

智能蚂蚁算法--蚁群算法的改进

蚁群算法是一种解决组合优化问题的有效算法。在蚁群算法的基础上,提出了一种新的启发式搜索方法——智能蚂蚁算法。智能蚂蚁算法与蚁群算法相比,主要在以下四点进行了改进：第一,取消了外激素;第二,自动调整选择最优路径的比例;第三,目标城市的选择方法不同;第四,引入扰动以避免陷入局部优化。实验结果表明,智能蚂蚁算法可以在减少计算量的同时,取得更好的搜索结果。     

基于可变天气因素的MMAS改进算法

针对最大最小蚂蚁系统(MMAS)容易导致算法快速陷入局部最优的问题,提出一种基于可变天气因素的MMAS改进算法(variable weather MAX-MIN ant system,VW-MMAS)。通过由天气变化影响信息素的变化来改善MMAS的寻优过程,具体引入以下机制:在信息素挥发机制方面,参考天气变化因素对蚂蚁觅食的影响,设置信息素挥发系数和蚁群数量;在算法陷入局部最优时,综合考虑TSP问题中城市间的距离,增强不是最优路径的信息素,扩大蚂蚁的搜索范围。应用该算法解决TSP问题,将仿真结果与其它算法进行比较,验证了该算法的有效性,提高了解的质量。     

带个体差异的蚁群算法的应用*

基本蚁群算法在大规模优化问题的处理上,算法的执行效率很低。为此改进的算法引入了蚂蚁个体差异,并将不同蚂蚁选路策略混合应用,使改进后的蚁群算法在加快收敛速度和提高解的质量的同时,避免了过早停滞现象。实验表明,该算法在性能上远优于基本蚁群算法。     

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。     

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.     

求解VRP问题的改进蚁群算法

由于基本VRP算法收敛速度慢,易于陷于局部最优等缺点,现对VRP进行了一些改进,在每次循环中所有蚂蚁都是从起点出发结束于终点,同时在原始的蚁群算法上增加了节点信息素更新策略以及对所有节点改进使得每个节点都有记忆功能,提出了一种基于基本蚁群算法的有节点信息素更新和记忆功能的算法模型.仿真结果表明,基于改进的蚁群算法模型在寻找最优解时表现出很高的效率,优于现有的启发式算法的解,是一种有效的算法,该算法也适用于并行计算和应用.     

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.     

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。     

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.     

基于群体分类的自适应蚁群算法

针对基本蚁群算法在求解能力方面的不足,提出一种基于群体分类的自适应蚁群算法.该算法在智能蚁群的基础上引入随机蚁群以便扩大搜索空间,不同蚁群实行各自不同的搜索前进策略和信息更新机制,并可通过调节随机蚁群与智能蚁群的比例来控制收敛速度.多个旅行商问题的仿真实验证明,相比ACS、MMAX算法,该算法的求解能力得到了改进.