关于求解难组合优化问题的蚁群优化算法

1.引言组合优化问题在规划、调度、资源分配、决策等工程问题中有着非常广泛的应用。在问题规模较小时,可以使用分支定界法或动态规划方法等来求解。当问题规模增大时,解的数目虽然有限,但呈指数增长,要在合理时间内求得准确的最优解实际上已不可能。为此,人们设计了各种启发式算法。近年来,最重要和最有希望的一个研究领域是构造“师法自然“的启发式。它们类比社会系统、物理系统、生物系统等的运行机制,设计算法在问题的解空间中进行非确定性搜索。典型的有遗传算法(GA)、模拟退火(SA)、人工神经网络(ANN)。这些算法由于其自适应性,对难组合优化问题的求解取得了好的结果,被广泛应用于工程优化和控制中。本文将要介绍的蚁群优化算法,由于其较强的自适应性和对问题状态的学习能力,正逐步成为一种新的有潜力的优化算法。     

蚁群算法求解旅行商问题综述*

蚁群优化是一种元启发式的随机搜索技术,是目前解决组合优化问题最有效的工具之一。旅行商问题（TSP）是一个典型的组合优化问题,易于描述却难于求解。在介绍了求解旅行商问题的三种经典的蚁群算法的基本原理后,着重分析了蚁群算法的发展现状,总结出蚁群算法发展的五个方向,即基于局部优化算法的蚁群算法、对路径上的信息素更新方法进行改进、蚁群算法与其他算法的融合、对蚁群算法的控制参数进行优化和并行蚁群算法。而且这五个方向有相互融合的趋势。     

蚁群算法求解函数优化中的参数设置

蚁群算法的参数设置一直是依靠经验和实验来确定,造成实验工作量大且难以得到最优的参数组合,影响了算法的使用。从基本蚂蚁算法出发,结合实验结果,讨论了α、β及ρ的变化对实验结果的影响,提出了相应的参数改进方案。并将经此方案修正的蚂蚁算法与基本蚂蚁算法同时运用于经典函数优化问题中,对仿真结果进行了对比。     

求解自适应组合优化蚁群算法的研究

传统的组合优化蚁群算法在求解过程中要消耗大量的时间,极易陷入局部最优化求解等弊端,同时还会产生大量无用的冗余迭代码,运算效率低。对此,提出了自适应组合优化蚁群算法。通过对改变信息素的迭代、参数选择的分析和增加对信息素局部更新方式,提高了整个系统运算速度及收敛速度,扩充了优化的范围,克服了无用迭代码的产生,减少了停滞现象的出现。通过该算法对旅行商问题进行仿真实验,其结果表明了该算法的可行性和有效性。     

蚁群算法及其在求解旅行商问题中的应用

蚁群算法是一种求解组合优化问题较好的方法。在蚁群算法的基本原理基础上,以旅行商问题为例,介绍了该算法求解TSP的数学模型及具体步骤,并通过仿真实验与粒子群优化算法等方法比较分析,表明了该算法在求解组合优化问题方面具有良好的性能。     

蚁群算法及其在求解旅行商问题中的应用

蚁群算法是一种求解组合优化问题较好的方法。在蚁群算法的基本原理基础上,以旅行商问题为例,介绍了该算法求解TSP的数学模型及具体步骤,并通过仿真实验与粒子群优化算法等方法比较分析,表明了该算法在求解组合优化问题方面具有良好的性能。     

蚁群优化算法求解TSP问题研究

介绍了信息素混合更新的蚁群优化算法,并用来求解TSP问题。混合信息素更新的蚁群优化算法是在蚁群系统（ACS）的基础上改进而成的,它在演化过程中,通过改变信息素的迭代最优更新规则和全局最优更新规则的使用频率,逐渐增加全局最优更新规则的使用频率,从而提高系统收敛的速度和减少系统搜索的导向性,并以Oliver30和att48为例给出了实验结果,说明了该混合算法的有效性。     

蚁群算法在求解旅行商问题中的应用综述

旅行商问题作为组合优化研究中最具挑战的问题之一, 自被提出以来就引起了学术界的广泛关注并提出了大量的方法来解决它. 蚁群算法是求解复杂组合优化问题的一种启发式仿生进化算法, 是求解旅行商问题的有效手段. 本文分别介绍蚁群算法中几个有代表性的算法, 综述了蚁群算法的改进、融合和应用的文献研究进展, 以评价近年来不同版本的蚁群算法为解决旅行商问题的发展和研究成果, 并针对改进蚁群算法结构框架、算法参数的设置及优化、信息素优化和混合算法等方面, 对现被提出的改进算法进行了分类综述. 对蚁群算法在未来对旅行商问题及其他不同领域的研究内容和研究热点的进一步发展提供了展望和依据.     

蚁群算法在K-TSP问题中的应用

针对K-TSP(K—person Traveling Salesman Problem)问题,该文提出了一种利用蚁群算法求解该问题的新思路。该算法采用k只蚂蚁共同构造问题的一个解,并通过多组(每组k只)蚂蚁相互协作最终达到搜索最优解的目的。实验结果显示,该算法行之有效,是一种求解K-TSP问题的有效算法。     

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.     

基于文化的连续蚂蚁优化算法的研究*

针对蚂蚁优化算法在求解连续空间问题方面的缺陷,提出一种基于文化的连续蚂蚁优化算法。该算法将蚂蚁优化算法纳入文化算法的框架,组成基于蚂蚁优化算法的主群体和信念的两大空间。在知识和群体层面使用双重进化机制支持问题的求解和知识的提取,从而充分利用精英蚂蚁所携带的特征信息,在很大程度上提高了收敛速度,增强了搜索的多样性。实验结果表明,该算法求解速度快、寻优成功率高,是一种提高蚂蚁优化算法性能的有效算法。     

奖惩蚁群算法

由于传统蚁群算法所采用的是随机概率搜索策略,收敛速度慢是其主要问题。为了提高算法的收敛速度,这里提出一种带奖惩策略的蚁群算法（PPACO）。新算法中,每次循环中发现的较优解都被挑选出来加以奖励,而普通解则被惩罚,这样就加快了较优路径和普通路径上信息素的差异;另外,为了不使这种差异对算法产生过多的影响,所有路径上的信息素都被限制在一定的范围[τmin,τmax]内,同时,信息素的挥发系数被设为相对较高值。通过典型模拟实验证明,新算法对解决复杂组合优化问题非常有效。     

基于多态蚁群优化的图像边缘检测

为了获得更好的边缘检测效果,提出了多态蚁群优化的边缘检测算法。通过侦察蚁的局部搜索标记侦察素,在搜索蚁进行全局搜索的过程中辅以侦察素的作用,提高算法的寻优能力。实验表明,算法在能够提取出弱边缘的情况下,有效地抑制了噪声和纹理信息。     

基于自适应蚁群优化的Ad Hoc网络路由算法

针对蚁群优化固有的搜索时间长、易陷入局部最优解的缺点,提出一种改进的基于蚁群优化的AdHoc网络路由算法.通过增加自适应因子提高路由搜索能力,充分考虑节点间的时延来改进信息的更新机制,同时对路由表做出修改,提高路由算法性能,增强算法的适应能力.经过与已有路由算法DSR和AODV的仿真比较,结果表明该算法在成功传输率和平均端到端延迟上表现了较好的性能.     

一个蚁群优化模型的期望性能分析

用蚁群优化求解组合优化问题时, 信息素模型及其规则可能使问题的各组件之间的竞争失衡, 从而有可能使蚁群搜索停滞在最差解。 研究了蚁群优化求解k-最小生成树问题时的信息素模型及其更新规则对性能的影响,对原有的信息素模型作出了新的解释:直接表示k-最小生成树问题的边被选择的概率。基于新的信息素模型设计了一种新的解的构造过程,这种过程不仅产生可行解, 也产生不可行解;同时研究了使用可行解和全部解更新信息素模型时算法的迭代期望质量随时间的增减情况,其结果表明, 只使用可行解时迭代期望质量随时间连续降低, 而使用全     

混沌蚁群组合优化算法实现盲信号检测

根据混沌映射的伪随机性、遍历性以及规律性等特点提出一种新的算法,基于混沌-蚁群组合优化盲检测算法,即在信息素初始化时采用混沌初始化,并且在信息素更新时加入混沌扰动。仿真实验分别采用了4种不同的混沌映射：经典的Logistic映射、两种阶数不同的切比雪夫映射和改进的H映射。仿真结果表明,提出的基于混沌蚁群组合优化盲检测算法（CACO）可以提高计算效率,表现出了优于文献算法的良好性能。     

New combinatorial direction stochastic approximation algorithms

The stochastic approximation problem is to find some roots or minimizers of a nonlinear function whose expression is unknown and whose evaluations are contaminated with noise. In order to accelerate the classical RM algorithm, this paper proposes a new three-term combinatorial direction stochastic approximation algorithm and its general framework which employ a weighted combination of the current noisy gradient and several previous noisy gradients as the iterative direction. Both the almost sure convergence and the asymptotic rate of convergence of the new algorithms are established. Numerical experiments show that the new algorithm outperforms the RM algorithm and another existing combined direction algorithm.     

蚁群算法中信息素增量和扩散模型的研究

文章提出一种新的基于信息素增量和扩散模型的蚁群算法。首先,基于能量守恒与转换定律对信息素的增量模型进行修正,以体现蚂蚁在不同路径上行走时所产生的信息量差异;其次,以蚂蚁经过的路径(直线段)作为信息素扩散浓度场的信源,改善了信息素扩散模型,强化了蚂蚁间的协作和交流。大量TSP(Traveling Salesman Problem)问题的实验表明:该算法不仅能获得更好的解,而且能加快算法的收敛速度。     

基于蚁群算法的航线配船

通过对比航线配船问题与TSP问题的异同,成功将蚁群算法（ACA）用于航线配船,为求解大规模非线性整数规划问题提供了一条新的途径。