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。     

基于蚁群寻路的图像分割算法

文章主要是对蚁群算法做了一定的改进,将它用于图像分割,然后将分割出来的图像的边界利用腐蚀算法进行细化以达到更好的分割效果。分割算法可以看作一个组合优化问题,人工蚁群算法就是一种优化方法。因此,将人工蚁群算法引入到图像分割处理中完全可行。经过实验证明,该方法是完全可行的。     

基于改进蚁群算法对最短路径问题的分析与仿真

使用传统蚁群算法求解图的最短路径问题时,随着节点的增加会出现搜索速度变慢且易于陷入局部最优解.针对这个问题,提出一种改进的蚁群算法,通过引入搜索方向和搜索热区机制提高算法的搜索性能.仿真实验证明：改进的蚁群算法较传统的蚁群算法具有更高搜索速度且容易得到全局最优解.     

带参数信息素的蚁群算法

针对蚁群算法搜索时间长、容易陷入局部最优以及参数选择难的缺点,提出了带参数信息素的蚁群算法.该算法使用新的信息素更新机制,使得蚂蚁具有更强的全局搜索能力;同时,算法引入参数信息索,使得蚂蚁能够按概率选择较合适的参数组合,在一定程度上解决了参数选择的困难.对旅行商问题的仿真结果表明,该算法是可行有效的.     

一种改进的蚁群算法

蚁群算法是一种新的进化算法,其基本思想是模拟蚂蚁的合作行为.蚁群算法已成功地应用于许多优化问题,成为求解组合优化问题的新的进化算法.最新研究表明蚁群算法是一种基于群体的强鲁棒性的进化算法.但是,蚁群算法也有收敛速度慢,容易陷入局部最优的缺点.为了克服这些缺点,吸取微粒群算法的优点,提出了一种改进的蚁群算法.实验结果表明改进算法是有效的,与标准的蚁群算法相比,算法性能得到了明显改善.     

基于蚁群算法的PID参数优化

针对传统的PID控制器参数多采用试验加试凑的方式由人工进行优化,提出了一种新型的基于蚁群算法的PID参数优化策略.蚁群算法是近几年优化领域中新出现的一种仿生进化算法,该算法采用分布式并行计算机制.在简要介绍蚁群算法基本思想的基础上,推导了蚁群算法PID参数优化方法,并给出了新算法的具体实现步骤,最后将该优化方案应用于某型高精度飞行仿真伺服系统.仿真应用研究表明,该PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了该方案的可行性和有效性.     

体能测试问题的改进蚁群算法

采用蚁群算法实现了体能测试时间的优化安排,并对原始蚁群算法进行了改进,提出了改进的选择策略和信息素调整准则,有效地提高了算法的收敛速度和解的性能;最后用计算机对实例进行了计算,取得了较好的结果。     

基于蚁群算法的多Agent任务分配方法

针对多Agent任务分配问题,结合蚁群算法的思想,设计了基于图的任务分配数学模型,提出了基于蚁群算法的多Agent任务分配方法,并通过实验与3个经典方法进行比较和分析,探讨了蚂蚁数对求解结果的影响。实验结果表明,所提出的算法是有效的。     

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。     

一种引入信息素上下界自适应机制的蚁群算法

使用传统蚁群算法求解最优路径问题时,存在搜索速度慢且易于陷入局部最优解等缺陷．针对这个问题,提出一种改进的蚁群算法：在每次迭代结束后,根据本次迭代产生的最优解与当前最优解的比较结果,动态调整路径上信息素的上下界,使路径上信息素永远保持在一个被允许的范围内,从而避免使算法过早陷入局部最优解．仿真实验证明：改进的蚁群算法较传统的蚁群算法的搜索性能有较大的提高．     

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。     

连续函数寻优的改进量子扩展蚁群算法

针对扩展蚁群算法收敛慢,且容易陷入局部最优的缺点对扩展蚁群算法提出改进策略.引入量子比特表示蚂蚁位置以增加解的多样性;采用量子非门实现蚂蚁位置的变异以避免蚂蚁陷入局部最优;引入量子旋转门和高斯核概率密度函数结合更新蚂蚁携带的量子比特,利于在连续空间寻优;根据解的重要性改进解存储器中每个解的权值以提高解的方向性,快速获得最优解.通过对多个二维和多维连续函数的对比仿真实验验证了算法的有效性.     

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。     

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.     

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.     

基于蚁群算法的连续时间生产计划优化

针对连续时间生产计划问题，在生产速率、需求率和库存水平等都确定的前提下建立相应的数学模型，并将蚁群算法引入到连续时间生产计划的优化中，利用蚁群算法的自适应、全局优化、并行分布式处理等特性在整个生产计划的可行解中寻找最优解.通过对连续时间生产计划优化问题的计算表明：该方法比遗传算法具有更好的收敛性和更快的计算速度.     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

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.     

基于改进ACO与PSO算法的结构可靠度分析

针对基本蚁群算法的过早收敛问题,引入信息熵,通过优化参数 ,对基本蚁群算法进行改进,进而寻找结构的最短失效路径。从可靠指标的几何意义出发, 利用罚函数法, 将结构可靠指标的求解问题转化成相应的无约束优化问题,采用粒子群算法对结构可靠指标进行求解计算。以十杆桁架为例,采用响应面法、遗传算法与本算法对结构可靠指标进行对比计算,结果表明改进蚁群与粒子群算法的收敛速度快,计算精度高。