TSP问题的蚁群算法求解

群集智能是近年来人工智能领域研究的一个新的热点课题,本文介绍了蚁群算法的原理及求解TSP问题的具体实现步骤。     

一种求解TSP问题的分段交换蚁群算法

介绍了一种求解TSP问题的分段交换蚁群算法。分段交换蚁群算法把小窗口、随机分段优化求解、模拟退火充分交换的思想引入蚁群算法,把蚁群算法和模拟退火算法融合。该算法在蚁群算法陷入局部最优解的情况下,能改进其局部最优解,并可减少迭代次数。仿真实验表明取得了较好的效果。     

基于蚁群算法的TSP的改进求解算法

基于一种已有的用于连续空间问题的蚁群算法,将其修改为可以应用于TSP问题的算法,并付诸于试验当中。     

求解TSP问题的一种改进蚁群算法

TSP问题是典型的NP—hard组合优化问题,用蚁群算法求解此问题存在搜索时间长,容易陷入局部最优解的不足。本文提出了一种改进的蚁群算法。该算法在蚁群算法中植入遗传算法,利用遗传算法生成信息素的分布,克服了蚁群算法中搜索时间长的缺陷。此外,在蚁群算法寻优中,采用交叉和变异的策略,改善了TSP解的质量。仿真结果显示,改进的蚁群算法是有效的。     

求解旅行商问题的改进蚁群算法研究

针对蚁群算法收敛速度慢的问题,对蚁群算法信息素更新规则进行研究,提出一个基于迭代思想的信息素更新规则。对信息残留因子进行实验,确定在新的信息素更新规则下信息素挥发系数的最佳合理值。最后针对eil51问题和dantzig42问题两个例子的仿真实验对比基本蚁群算法。实验结果表明,改进的蚁群算法在收敛性和求得最优解方面都明显优于基本蚁群算法和其它人工智能算法。     

具有分段和变异特性的蚁群算法求解TSP问题

常规蚁群算法具有搜索时间较长,易于过早地收敛于非最优解的缺陷。为了提高蚂蚁一次周游的质量,采用具有轮盘赌方式的最大最小蚁群算法（MMAS＋RW）,即在依据概率选择下一个城市时采用轮盘赌的方式。提出一种具有分段和变异特性的蚁群算法。该算法融合了分段的分而治之思想和遗传算法中的变异,有利于保持群体多样性的特性,是在采用轮盘赌方式的最大最小蚁群算法陷入局部最优解的情况下,引入随机分段和遗传算法的变异操作来优化当前最优解,改善解的质量,改进蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验表明取得了较好的效果。     

求解旅行商问题的改进型量子蚁群算法

针对传统量子蚁群算法在求解TSP时容易陷入局部最优以及收敛速度较慢,提出了一种求解旅行商问题的改进型量子蚁群算法（IQACA）。该算法设计了一种新信息素挥发因子的自适应动态更新策略,对信息素进行动态更新;并采用一种新的量子旋转门对量子概率幅值的收敛趋势进行改变。通过三个基本函数极值优化仿真与传统量子蚁群算法进行对比,证明算法性能较优。基于TSPLIB的仿真实验与其他几种算法进行比较,结果表明,算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。     

一种求解TSP问题的蚁群遗传混合算法

提出了一种蚁群算法与遗传算法相混合的算法。将遗传算法加入到蚁群算法的每一次迭代的过程中,利用遗传算法全局快速收敛的特点,来加快蚁群算法的收敛速度。并且遗传算法中的变异机制,帮助提高了蚁群算法取不到局部最优解的能力。不仅阐述了新算法的原理,而且以TSP问题的求解为例进行了相关的实验,实验结果表明新算法即蚁群遗传混合算法(ACGA)在求解时间和求解质量上都取得了很好的效果。     

基于最大最小蚁群算法的TSP问题求解

TSP问题是一类经典的组合优化问题,为典型的NP-Hard问题.本文考虑574城市的TSP问题求解,采用最大最小蚁群算法,蚁群算法在求解路径优化问题方面较其他智能优化算法显示了优越性.由于基本蚁群算法容易陷入局部最优和早熟现象,本文采用最大最小蚁群算法进行求解.由于问题规模过大,最大最小蚁群算法在进化后期,也陷入了局部最优中.为了克服均不最优,在进化的后期需要进行随机扰动,提高求解的质量和效率.     

遗传算法和蚁群算法在求解TSP问题上的对比分析

遗传算法(Generation Algorithm, GA)和蚁群算法(Ant Colony Optimization, ACO)都是解决组合优化问题的强有力算法。特别是近几年的研究表明,蚁群算法具有极强的鲁棒性和求最优解的能力。本文在分析这两种算法的特点基础上,通过实例验证它们在解决TSP问题上各自的优缺点,并给出做进一步研究的建议。     

一种求解TSP问题的相遇蚁群算法

蚁群算法是由意大利学者M．Dorigo等人首先提出的一种新型的仿生算法。蚁群算法与其他算法同样存在搜索速度慢,易于陷于局部最优。该文提出一种改进的相遇算法克服了以上的缺陷。通过对TSP问题的仿真结果表明,提出的相遇算法与基本蚁群算法相比搜索速度和性能都有一定的提高。     

基于信息素递减的蚁群算法的WTA问题求解

武器目标分配(weapon target assignment,WTA)问题是一个典型的优化问题,需将武器根据迎击目标进行合理分配,使我方损失最小.结合WTA问题的特点,采用求解复杂优化问题的蚁群算法求解该问题.针对WTA问题求解规模大,精度高,实时性强的需求,在基本蚁群算法的基础上,采用基于信息素递减的改进蚁群算法.给出了求解WTA问题改进算法的详细步骤,通过仿真试验验证了算法的有效性.同时,对于大规模WTA问题,改进蚁群算法与基本蚁群算法进行了比较,结果表明改进算法求解精度更高,收敛速度更快,能适应现代军事应用的要求.     

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。     

基于TSP问题的蚁群算法综述

蚁群算法是受现实蚂蚁群体行为启发而得出的一类仿生算法。本文以解决TSP问题为基础,系统地介绍了蚁群算法从诞生到成熟过程中几个代表性的算法。在阐述算法基本思想的前提下,着重论述算法的创新之处。     

动态跃迁转移蚁群算法

给出了一种改进的蚁群算法,该算法对蚂蚁初始位置选择上进行优化,能较大地提高进化速度,并且还通过动态地调整跃迁转移概率,减少了停滞,加快了收敛速度,实验表明对于某些TSP问题,实验结果优于国外最新的成果。     

基于混合蚁群遗传算法的Agent联盟求解

针对混合蚁群遗传算法容易融合时机过早或过晚、种群进化经历的代数过多、效率低等问题,首先改进了蚁群算法,并将改进的蚁群算法和遗传算法结合,应用于Agent联盟求解.提出了基于混合蚁群遗传算法的Agent联盟求解算法(Hybrid Ant Colony and Genetic Algorithm,HAGA),算法的核心是动态寻找两个算法的衔接点,在该点左侧使用遗传算法,右侧使用蚁群算法.与其他传统算法的实验比较,证明了该算法在求解联盟的最优解的时问和精度上都有较高的效果.把HAGA应用于RoboCup 2D龙队客户端程序中,使用比赛分析工具软件SoccerDoctor对比赛结果进行了统计分析,结果显示龙队在诸多技术参数方面均占有明显优势.     

小窗口蚁群算法

在蚁群算法的基础上，提出了小窗口蚁群算法。通过对旅行商问题解集的分析，找到其最优解的特点，通过限定蚂蚁每次只向距离最近的几个城市移动，大大缩小其搜索范围，减少对算法中主要参数的依赖，提高其搜索精度并减少搜索时间。实验结果表明该算法有较好的效果。     

基于改进蚁群算法求解最短路径和TSP问题

为了能高效地求饵最短路径和TSP问题,利用速度恒定的蚂蚁群,行走最短路径的蚂蚁首先达到终点这个基本原理,提出了一种改进的蚁群算法。因为只要有一个蚂蚁达到终点,算法停止,所以该算法避免了蚂蚁往返爬行所消耗的时间。针对一定规模的最短路径和TSP问题,设置足够量的蚂蚁群,通过该算法能较快地求出全局最优解或者能很好逼近最优解的近似解,算法的时间复径杂度是线性级的,迭代次数较少,而且该算法是并行处理的。通过实验仿真,结果表明算法是可行有效的。     

武器-目标分配问题的蚁群算法

文章建立了武器-目标优化模型,分析了各种优化方法的优缺点。采用蚁群算法解决了此问题,并通过实例给出了算法,并与匈牙利法做了比较,结果表明该方法比较有效。