基于禁忌搜索和蚁群算法的广义分配问题研究

广义分配问题是典型的组合优化问题.蚁群算法在求解该类问题时,存在着求解时间长和容易陷入局部最优的问题.为有效地解决该问题,将禁忌搜索算法作为蚁群算法的局部搜索策略,在蚁群算法求得的优化解的基础上进行局部搜索,增快算法的收敛速度,避免陷入局部最优;在解没有得到明显改善时,采取多样化操作,强迫算法采取新的解的结构,从全新方法求解.实验结果表明,该算法与其它算法相比,具有收敛速度快、不易陷入局部最优、求解精度高的特点,能够有效地解决广义分配问题.     

子旅行商问题及其蚁群求解算法

扩展旅行商问题是根据实际需要对传统旅行商问题的一种延伸和拓展,在实际问题中有许多有趣的应用。提出一种新的扩展旅行商问题(子旅行商问题),传统旅行商问题仅仅是子旅行商问题的一种特例。然后根据子旅行商问题的定义对蚁群系统算法进行改造,设计了一种有效的求解子旅行商问题的蚁群算法,并根据子旅行商问题的特点设计了一种高效的邻域局部搜索技术来提高解的质量。最后在10个TSPLIB范例上进行比较实验。结果表明:改进的蚁群算法能够有效求解提出的子旅行商问题,设计的邻域局部搜索技术是有效的。     

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。     

基于路径交换的求解TSP混合蚁群算法

将蚁群算法与局部搜索优化算法结合,可抑制蚁群算法早熟收敛问题,并能提高蚁群算法的收敛速度。通过建立有效的局部搜索优化算法的参照优化边集,提高其求解质量和效率;引入路径交换策略提高蚁群算法的收敛速度和寻优能力。实验结果表明改进的混合蚁群算法能求解规模在2000个城市以内的旅行商问题的全局最优解。     

带投资约束P-中位问题的混合蚁群算法

将投资限制引入经典约束p-中位问题,提出带投资的约束P-中位问题,该问题更适用于交通、物流等领域的设施选址。在深入分析带投资约束P-中位问题的数学模型的基础上,首先提出了适用于该问题求解的局部搜索策略;其次,将局部搜索策略与拉格朗日启发式算法和蚁群算法相结合,设计了求解该问题的拉格朗日混合蚁群算法。实验结果表明：带投资的约束P-中位问题能够根据投资金额规划不同的投资方案;且提出的混合蚁群算法较大程度上提高了蚁群算法和拉格朗日启发式算法的求解精度,具有较好的收敛性。     

基于二次分配问题的混合蚁群算法

二次分配问题是组合优化领域中经典的NP-hard问题之一,应用广泛。在对二次分配问题进行分析的基础上,提出了一种求解该问题的混合蚁群算法。该算法通过在蚁群算法中引入遗传算法的2-交换变异算子,增强了算法的局部搜索能力,提高了解的质量。实验结果表明,该算法在求解二次分配问题时优于蚁群算法和遗传算法。     

一种新型求解多序列比对问题的方法

多序列比对问题是生物信息科学中一个非常重要且具挑战性的课题,并已经被证明属于问题.为了克服以往算法中的求解速度慢的缺点,本文提出了一种基于遗传算法和蚁群算法的算法来求解的新方法,在单独使用遗传算法的基础上再使用蚁群算法来进行局部搜索以便更快速地求得解.实验结果表明,遗传-蚁群算法能有效地求解多序列比对问题.     

改进的智能蚁群算法在TSP问题中的应用

研究旅行商领域优化路径问题,解决目前蚁群算法易陷入局部最优、搜索时间长等问题.为加快算法的速度优化结果,提出了一种改进的求解TSP问题的智能蚁群优化算法.算法前期采用了一种最近节点选择策略对路径进行优化,提高了搜索效率,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛.通过改进后的蚁群算法,对TSPLIB中部分问题的仿真结果表明,在避免陷入局部最优和缩短搜索时间方面都取得了很好的效果.证明采取的优化蚁群算法,是可行有效的.     

基于混合蚁群优化的卫星地面站系统任务调度方法

卫星地面站系统任务调度是一个典型的组合优化问题, 优化过程极其复杂. 鉴于此, 提出了一种有效求解该问题的基于蚁群优化算法和导向局部搜索方法的混合优化方法. 该方法将蚁群优化和导向局部搜索有效地结合在一起, 极大地提高了优化绩效. 实例计算结果表明, 该混合方法能有效地求解卫星地面站系统任务调度问题.     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

自适应搜索半径蚁群动态路径规划算法

针对用于路径规划的蚁群算法收敛速度慢、计算量大、对环境变化适应性低的局限性,提出了一种新型的自适应搜索半径蚁群路径规划算法。该算法可以根据环境复杂程度自动改变寻优半径,进行最优局部目标点的获取,然后调用改进蚁群算法获取局部区域内的最优路径,再重复循环获取新的最优局部目标点,直到找到全局目标点。仿真结果表明,提出的算法能够根据障碍分布情况自动选择合适的搜索半径,完成路径的动态规划,体现出良好的环境适应能力和较好的综合路径优化性能。     

不确定近似骨架蚁群聚类算法在滑坡危险性预测中的研究与应用

受不确定因素降雨难以准确处理的制约以及蚁群聚类算法在搜索空间容易陷入局部最优解和搜索速度慢的特征影响,为了提高滑坡危险性预测的精度,提出一种不确定近似骨架蚁群聚类算法。首先采用Gauss点概率模型来描述不确定数据,对不确定数据进行相似性度量;其次引入信息素重分配和自适应动态变量实现蚁群聚类算法局部信息素和全局信息素更新,提高蚁群聚类算法搜索速度,加载遗传算法避免蚁群聚类算法过早陷入局部最优;最后结合近似骨架理论,构建不确定近似骨架蚁群聚类算法模型,缩减迭代次数,快速搜索出聚类结果。在UCI真实数据集和延安宝塔区滑坡实验数据集上的实验结果显示,不确定近似骨架蚁群聚类 算法具有较高的聚类质量,预测精度达到93.3%,验证了算法在滑坡危险性预测中的可行性。     

ACOCS:一种云环境下资源调度混合算法

蚁群算法在优化组合问题中有着重要的意义,传统的蚁群调度算法搜索速度慢、容易陷入局部最优。针对这种情况,结合布谷鸟搜索算法,提出一种基于蚁群算法与布谷鸟搜索算法的混合算法(ACOCS),用于云环境下的资源调度。该方法有效保留了蚁群算法求解精度高和鲁棒性的特性,并融入了布谷鸟搜索具有快速全局搜索能力的优势。仿真实验结果表明,提出的ACOCS调度算法有效减少了调度所需的响应时间,也在一定程度上提高了系统资源利用率。     

结合ABC算法动态分级的双蚁态蚁群算法

针对蚁群算法收敛速度慢、易陷入局部最优等问题，结合人工蜂群算法的分级思想，提出动态分级的双蚁态蚁群算法。根据适应度不同，将蚁群划分为寻优蚁和侦查蚁，并执行不同加权系数的动态信息素更新策略：寻优蚁负责较优路径的搜索，执行较大权重的信息素更新策略，以增强其导向性，提高算法收敛速度。侦查蚁则负责探索非较优路径，发现其他更优解，以保证算法多样性。然后，每次迭代结束则两类蚂蚁进行优良解交换，以提高解的质量。以旅行商问题为例，将其与经典蚁群算法、最新蚁群改进算法以及其他最新优化算法进行对比，其表现皆更优。     

改进的蚁群算法求解旅行Agent问题

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点。旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent 为完成用户指定任务,在不同主机间移动时的迁移策略问题。在蚁群算法的基础上,引入变异运算,并且对蚁群算法的全局和局部更新规则进行改进,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移。仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法。     

基于凸策略优胜劣汰蚁群算法的机器人路径规划

针对机器人在已知静态工作环境中运动路径的快速选择和判优, 提出一种改进蚁群优化算法. 该算法首先对机器人的静态工作空间进行凸策略处理, 从环境上降低了搜索的盲目性和落入陷阱的可能性, 并在此基础上加入一种优胜劣汰策略, 进一步提高了算法的时间性能、最佳性能和鲁棒性. 实验结果表明改进的蚁群优化算法不仅克服了易于陷入局部最优解及运算量大的缺陷, 而且也大幅度提高了算法的运算效率.     

基于参数动态变化和变异的蚁群算法

针对蚁群算法存在求解速度慢、容易出现早熟和停滞现象,提出一种基于参数动态变化和变异的自适应蚁群算法(PDMACS)。将参数分为全局参数和局部参数,对参数的功能进行讨论,设计局部参数q0随蚂蚁求解质量动态变化和全局参数?随平均节点分支数自适应调整的方法提高算法全局搜索能力,并采用一种简单高效的变异算法加快收敛速度。用TSPLIB中的范例进行比较实验,结果表明,与传统算法相比,该算法的求解质量、稳定性以及收敛速度都有所提高。     

解决二次分配问题的改进蚁群算法

现有的解决二次分配问题的蚁群算法大都与局部搜索过程相结合,文章对其中的局部搜索过程做了修改:一方面结合利用包含全局信息的信息素来指导局部搜索,避免了快速陷入局部最优;另一方面加入了一个二次机会策略,充分搜索解邻域,增强了算法的搜索能力。运用该文给出的算法,针对QAPLIB(二次分配基准问题库)中的问题进行了计算,并将结果与原有蚁群算法进行了比较。实验结果表明该文提出的算法具有更优的性能。     

基于改进蚁群算法的无人飞行器航迹规划

无人飞行器航迹规划是现代战争中实施远程精确打击,提高飞行器实际作战效能的关键技术。蚁群算法作为一种启发式仿生优化算法,能够有效应用于航迹规划中。针对基本蚁群算法在应用中容易过早陷入局部最优解这一缺点,提出自适应动态双种群蚁群算法的改进策略,通过信息素的震荡变化和挥发系数的自适应调整,扩大搜索空间,提高算法搜索的全局性。并将改进后的算法应用于无人飞行器航迹规划,通过实验仿真,证明了此改进算法在航迹规划应用中的可行性和有效性。