蚁群算法及其连续优化算法初析

通过对TSP问题的蚁群算法介绍，初步分析了构造一个通用的、应用于连续空间的蚁群算法的几个关键问题，并提出了构造该算法的基本框架.     

改进蚁群算法及其应用

将文献报道的两种蚁群算法融合,得到一种新的改进蚁群优化算法。在启发函数中加入下一个节点与最终节点的距离;在信息素更新时,根据最优解和最差解,相应增加或减少信息素浓度,提高算法性能。将改进的蚁群算法应用于机器人路径规划中,在栅格障碍环境下,让机器人找到一条从起点到终点无碰撞的最短路径。实验发现,改进蚁群算法仅需在第3次迭代后就可以找到最优路径。改进蚁群算法不仅提高了收敛速度,还增强了解的精确度。     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。     

一种改进蚁群算法在配电网络规划中的应用

在基本蚁群算法的基础上,将蚂蚁经过路径上各路段的次数与信息素更新机制相关联,改进了信息素更新方式,旨在提高蚁群算法的寻优能力和收敛到最优解的速度。将改进算法应用于只考虑过负荷约束和网络辐射型约束、以网络年综合费用和过负荷惩罚费用之和最小为目标函数的配电网规划问题中。通过一个10 kV配电网络规划问题的算例验证表明,改进算法在寻优能力和收敛速度方面均有所提高。     

免疫蚁群算法在电力系统无功优化中的应用

将人工免疫算法和蚁群算法相结合形成免疫蚁群算法,运用免疫机理提取疫苗获得初始解,通过免疫操作加快算法收敛速度,并用基于浓度的选择机制抑制算法的＂早熟＂.将该算法用于求解电力系统无功优化问题进行仿真,结果表明它的收敛速度和计算精度都有较大提高.     

改进蚁群算法在并联六自由度平台优化设计中的应用

蚁群算法在解决组合优化问题上有着良好的适应性,但直接应用于求解连续优化问题难以获得理想的效果．通过对蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的改进,构成了可用于连续优化问题求解的改进蚁群算法．将该算法应用于以灵巧度为目标函数的并联六自由度平台结构设计问题中,通过与采用基本蚁群算法得到的优化结果进行比较,证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度,可以有效求解并联六自由度平台结构设计这一类连续优化问题．     

蚁群算法在TSP中的仿真应用及最优参数选择研究

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性。论文阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响。仿真研究表明蚁群算法中的参数对于TSP的求解有较大的影响,通过最优参数的正确选取,能使得算法取得更优的值。     

蚁群优化算法在TSP中的应用

提出了一种求解TSP问题的有效算法———蚁群优化算法。该算法通过模拟蚁群搜索食物的过程,求解TSP问题。算法的主要特点是,正反馈、分布式计算、与某种启发式算法相结合。并给出了算法原理及流程;最后用计算机仿真得出结果,证明了该算法的有效性。     

基于MATLAB的改进型基本蚁群算法

蚁群算法是一种新型的模拟进化算法。是继GA、SA、TS等算法之后求解组合优化问题的一种新思路。人工蚁群算法通过模拟蚁群搜索食物的行为，采用正反馈结构、分布式计算与某种启发式算子相结合的方法，能够很快地发现较好解。本给出一种基于MATLAB的改进型基本蚁群算法，有效地降低了算法的复杂度，缩短了搜索时间，具有较强发现最好解的能力。     

基于集群的蚁群算法在TSP中的应用研究

围绕TSP问题研究了基本蚁群算法.在此基础上,研究了串行蚁群算法的并行策略,使用C++语言调用MPI接口函数实现了并行蚁群算法.最后,分析研究了影响并行蚁群算法的因素,采用了更高效的信息素更新和变参数机制对并行蚁群算法进行了改进.通过仿真实验分析表明,改进的并行蚁群算法有较广泛的适用性,与基本蚁群算法相比,具有更高的精度和更短的收敛时间.     

Improved ant colony algorithm for the optimal-quality-path routing problem with multi-constraints

As the traffic congestion becomes more and more serious, the public evaluation standard for the road quality during driving changes greatly. How to avoid congestion to find the best way to travel has become an important scientific issue and social issue urgent to address in the context of building a smart city. Thus this paper first defines the novel concept of optimal path with multi-constraints and models it. Then, in order to solve the proposed model more efficiently, we improve the state transition rules of the heuristic function and pheromone update operator based on the classical ant colony algorithm by increasing the path optimization algorithm's awareness of real-time path quality information, such as traffic conditions, resulting in the strong dynamic adjustment ability of our proposed path optimization algorithm to path information. Simulation results show that our proposed ant colony algorithm can find the optimal path with multi-constraints more accurately and more quickly than other ant colony algorithms.     

基于改进蚁群算法的移动机器人路径规划

针对大多数路径规划方法所忽视的路径尖峰,以及传统蚁群算法(ACA)易出现的早熟、陷入局部最优等问题,提出一种改进ACA以用于路径规划.首先,在ACA中融入遗传算子,利用交叉与变异操作来扩大解的搜索空间,提升解的全局性.然后,引入简化与平滑操作优化算子,对所寻路径做进一步处理,消除路径中不必要的尖峰,提高其平滑性.栅格环境下的机器人路径规划仿真结果表明,与A*以及传统ACA相比,所提算法能够得到更为平滑的最短路径.     

求解TSP问题的改进蚁群算法

分析了标准蚁群算法易于出现早熟停滞现象的主要原因，在原有算法基础上引入局部信息激素、最优最差路径信息激素更新策略及变参数策略，扩大了解的搜索空间，有效抑制了收敛过程中的早熟停滞现象，大大提高了算法收敛速度；同时引入局部最优搜索策略，增大了解突变的机率，求解质量得到了极大的改善．对于典型旅行商问题库中旅行商问题的实验及与标准蚁群算法的比较实验验证了该方法的有效性．     

求解连续空间优化问题的Powell蚁群算法

针对连续空间函数优化问题,提出了Powell蚁群算法.该算法把Powell方法嵌入蚁群算法的局部搜索,提高蚁群算法的搜索精度和收敛效率.全局搜索过程中,把传统蚁群算法中的信息素更新和蚂蚁的转移规则拓展到连续空间中,定义了相应的求解算法.通过对二维多极值非线性函数的寻优实例进行仿真,并与Powell方法的求解结果进行比较,证明该方法的有效性.     

蚁群算法在城市交通系统中的应用

根据城市交通的实际情况,介绍了用蚁群算法求解城市交通行驶中车辆最优路径的方法,帮助车辆找到最优路径,从而选择车流量较少的路径行驶。     

基于博弈论的量子蚁群算法

针对量子蚁群算法求解组合优化问题时易陷入局部最优和收敛速度慢的问题,提出一种基于博弈论的量子蚁群算法(quantum ant colony algorithm based on the game theory, GQACA)。算法采用重复博弈模型,在重复博弈中产生一个博弈序列,使得每次博弈都能够产生最大效益,并得到相应博弈过程的纳什均衡。利用典型的5个标准测试函数对GQACA算法寻优性能进行试验测试。试验结果表明: GQACA算法的收敛精度和稳定性均要优于量子蚁群算法(quantum ant colony algorithm, QACA)和蚁群算法(ant colony algorithm, ACA)。     

基于蚁群算法的产品虚拟设计方法

为了更有效地解决产品优化问题,建立了基于相关矩阵的多目标产品优化虚拟设计模型,提出了一种基于蚁群算法的产品虚拟设计方法,并在C++环境下进行了仿真实验.实验结果证明,该方法有效地解决了产品虚拟设计中的优化求解问题,实验结果准确可靠.     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

连续蚁群优化算法的研究

针对蚁群优化（ACO）只适用于离散问题的局限性，提出了连续蚁群优化算法（CACO）,保留
了连续问题可行解的原有形式，并融入演化算法（EA）的种群与操作功能。CACO将蚁群分工为全局和局部
蚂蚁，分别引领个体执行全局探索式搜优与局部挖掘式搜优，并释放信息素，由个体承载，实现信息共享
，形成相互激励的正反馈机制，加速搜优进程。实例测试表明，CACO适用于连续问题，全局寻优性能良好
，尤其对复杂的高维问题，更能反映其相对优势。最后讨论了局部寻优方法、全局蚂蚁配比、挥发因子和
种群规模等因素对CACO寻优性能的影响。