区域破坏重建的蚁群优化算法

传统蚁群算法在解决旅行商问题（TSP）有较大的优势，但也存在一些不足，如收敛速度慢、易陷入局部最优等。针对这些问题，提出区域破坏重建的蚁群优化算法（RDRACO）。RDRACO应用区域破坏重建算法解决因信息素积累而陷入局部最优的问题，并将蚁群算法的信息素更新规则和全局更新策略进行了调整，使之与该算法匹配。另外在蚁群路径选择中加入2-Opt算子，加快收敛速度和提高收敛精度。实验采用TSPLIB中的20个经典TSP数据集对RDRACO进行仿真实验，仿真结果表明：RDRACO算法通过较少的迭代次数就可找出数据集较小TSP的已知最优路径，并在数据集较大TSP收敛精度上有显著的优化。RDRACO在提高收敛速度的同时具有较高的精度和较好的鲁棒性。     

基于信息素扩散的优化蚁群算法的研究

在蚁群算法实验性分析的基础上,对算法模型改进和信息素更新机制方面,首次引入了信息素扩散的概念,在信息素更新的时候更好地考虑了先前经过的节点,以尽力避免不必要的无用搜索,同时基于信息素扩散的蚁群算法具有不断获得新的最优解的能力,使得改进蚁群算法在不断的迭代过程后,可获得全局最优解,而不易陷入局部最优解.在解决实际旅行商问题时,首先对所有节点的坐标预处理,然后采取信息素扩散机制和蚂蚁泛滥技术来对蚁群算法进行改进,力求在相同的迭代次数内可以寻找到更短及代价更小的路径.最后,通过在vc++环境下实现改进蚁群算法程序,验证了改进后的蚁群算法的可行性以及改进后的蚁群算法求解的高效性.     

一种启发式动态信息素更新策略的蚁群算法

针对蚁群系统（ACS）在解决TSP问题上存在易陷入局部最优和收敛速度较慢的问题,提出了一种改进的启发式蚁群算法。在迭代前期赋予伪随机因子较小的阈值,从而使蚂蚁能以较大的概率选择轮盘赌方式完成解的构建,扩大了解的搜索范围;同时通过引入迭代最优蚂蚁进行全局信息素更新,来进一步增加了解的多样性,使算法避免陷入局部最优。在迭代后期随着伪随机因子参数值变化幅度的加快,则用至今最优蚂蚁来取代迭代最优蚂蚁,以促进搜索进程很快的向最优解附近收敛,加快了收敛的速度。实验仿真结果表明改进后的算法在前期能够有效地跳出局部最优,并且在后期能够明显提升收敛速度。     

基于自适应蚁群算法在急救车辆调度上的应用

针对基本型蚁群算法迭代次数多,搜素时间较长,收敛速度慢的缺陷,采用改进的自适应蚁群算法,根据全局最优解的分布情况自适应地进行信息素范围的更新,从而动态地调整各路径上的信息素强度,同时,建立数学模型,给出求解TSP问题的改进算法,仿真出通过改进的自适应蚁群算法得到的最优路径,应用到患者位置与急救调度站之间最优路径的选择。结果表明,该模型和算法在收敛速度和迭代次数上均优于基本型蚁群算法。     

双信息素蚁群算法及其在TSP中的应用研究

提出了一种新的蚁群算法,通过在算法中引入双信息素,很好地改进了算法在解决TSP(旅行商)问题时的收敛性和最优解的全局性.一方面通过提高全局信息素对城市路径选择的影响度,很大程度上缩短了算法寻优时间,使算法收敛性得到很大的改善;另一方面通过对接近最优解的一定范围内次优解进行局部更新,避免了算法容易收敛于局部最优解的缺点,极大地改进了最优解的全局特性.在MATLAB中构建了基于蚁群算法的TSP问题模型,仿真结果表明,独立的全局信息素使蚁群很快集中于各个次优解区域搜索,局部更新策略又使蚁群跳出局部级值寻找最优,仿真结果证明算法的改进十分有效.     

基于自适应更新策略的蚁群算法在TSP上的应用

针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法（Adaptive Update-Ant Colony System,AU-ACS）,有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题（Travelling Salesman Problem,TSP）中对比表明,改进后算法求解的精度更高、稳定性增强。     

改进蚁群算法求解最短路径问题

针对蚁群算法在求解最短路径问题时存在容易陷入局部最优解的问题,对经典蚁群算法提出三方面改进。首先,在初始化信息素浓度时加入方向引导,加快初始搜索速度;其次,在局部信息素浓度更新过程中采用信息素重分配思想,避免由路径信息素衰减过程导致的最优路径信息素浓度过分减少;最后,在全局信息素更新过程中引入动态因子,使其自适应地更新较优路径信息素浓度,以提高全局搜索能力。仿真实验结果表明,该改进算法可以保证收敛速度,并提高算法搜索到最优路径的几率。     

信息素增量动态更新的改进蚁群算法

蚁群算法是一种优秀的拟生态启发式算法,具有较强的鲁棒性,易与其它拟生态算法结合等特点.不过,它也存在着容易陷入局部最优、收敛速度慢等问题.通过分析蚁群算法的运行机制,得出了蚁群算法易陷入局部最优、收敛速度慢等不足产生的原因,针对这些不足,通过侈改基本蚁群算法中信息素的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,以加快收敛;同时引进了路径信息素平滑机制以平衡路径上的信息量.对TSP问题的仿真实验结果表明,改进后的算法加快了收敛速度,提高了全局搜索能力.     

基于异构双种群全局视野蚁群算法的移动机器人路径规划研究

针对蚁群算法中存在的算法收敛速度慢、逼近最优解能力不足等问题,提出一种基于异构双种群全局视野的蚁群算法,并将其应用于移动机器人路径规划领域。首先,研究基于异构蚁群的并行结构,通过差异化种群的相互协作提高蚁群算法的收敛速度和规划最优路径的能力;然后,研究具有全局视野的自适应步长,解决蚁群算法因局部视野导致无法搜索到最优步长的问题;最后,研究信息素初始化以及信息素更新方式,改进传统蚁群算法运行初期搜索无序性以及信息素更新不合理等问题。实验结果表明,该算法在逼近最优解能力和提高收敛速度等方面较对比方法有着显著提高,在测试的几种仿真地图中,平均路径长度优化了12%,平均迭代次数和平均运行时间分别减少了67%和82%。     

一种改进的智能蚁群优化算法

为了提高基本蚁群算法（Ant Colony Algorithm）的全局求解能力,对基本蚁群算法进行了改进,提出了一种高效的智能蚁群优化算法。它修改了基本蚁群算法中信息素、挥发因子的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,有效地避免陷入局部最优,以加快收敛;另外,采用了一种最近节点选择策略使之适应大规模问题求解,对路径进行优化,提高搜索效率。通过对TSP问题的仿真结果表明,改进后的蚁群算法在求解最优解和收敛性能方面都取得了很好的效果。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

求解旅行商问题的改进局部搜索混沌离散粒子群优化算法

针对基本离散粒子群优化(DPSO)算法收敛速度慢、易于陷入局部最优等问题,提出了一种基于优秀系数的局部搜索混沌离散粒子群优化(ILCDPSO)算法并用于求解旅行商问题(TSP)。基于轮盘赌选择原理,给每段路径设定一个合理的优秀系数,以提高短边被选择的概率,从而有利于提高算法的寻优能力和收敛速度;为了进一步提高解的精确性,在算法机制中添加了局部搜索策略,通过调整每个城市在给定邻域内的城市路径,提高算法的局部搜索能力;另外,在算法的迭代公式中加入了混沌序列来提高粒子的随机性和多样性,增强了算法的全局搜索能力。最后用国际通用的TSP数据库(TSPLIB)中的若干经典实例对算法进行了测试,并与粒子群优化(PSO)算法、改进的PSO(IPSO)算法和混沌PSO(CPSO)算法等进行了比较。实验数据显示,在相同的实验条件下,与其他算法相比,ILCDPSO算法获得最优解的平均迭代次数较少且获得最优解的次数比例最高。研究结果表明,加入优秀系数后,ILCDPSO算法在收敛速度、全局寻优能力以及稳定性方面均优于其他算法。     

一种面向对象的多角色蚁群算法及其TSP 问题求解

蚁群算法的改进大多从算法本身入手或与其他算法相结合,未充分利用待解决问题所包含的信息,提升效果较为有限.对此,提出一种面向对象的多角色蚁群算法.该算法充分利用旅行商问题(TSP)对象的空间信息,采用k-均值聚类将城市划分为不同类别;同时,对蚁群进行角色划分,不同角色的蚁群针对城市类别关系执行各自不同的搜索策略,增强了蚁群的搜索能力,较大幅度地提高了求解质量.每进行一次迭代,仅各角色最优个体进行信息素更新,防止算法退化为随机的贪婪搜索.将精英策略与跳出局部最优相结合可避免算法的停滞.50个经典TSP实例仿真实验表明:所提出的算法可以在较少的迭代次数内获得或非常接近于问题的已知最优解;对于大规模TSP问题所得结果也远超所对比的算法.     

基于拥挤度的改进蚁群算法

针对蚁群算法在求解旅行商问题时收敛时间长,且易陷入局部最优状态的缺陷,提出一种基于拥挤度的动态信息素蚁群优化策略。该算法引入静态拥挤度和动态拥挤度算子,主动提前预防停滞现象。将拥挤度与状态转移规则相结合,使蚁群状态实时跟随路径搜索情况而改变,提高蚁群自适应能力。针对蚁群路径搜索情况,加入邻域搜索优化规则,缩小搜索区域,结合2-opt局部优化策略,加快蚁群收敛速度。仿真结果表明,本算法既有较高的搜索效率又有较强的全局搜索能力。对比其他优化算法,无论是求解质量、稳定性还是收敛速度都能达到令人满意的效果。     

改进蚁群优化方法求解立体表面TSP问题

给出立体表面TSP问题的数学模型,提出一种改进的蚁群优化算法,用于解决立体表面TSP问题。该算法能快速找到最优路径或近似最优路径,得到的解质量较高且计算时间短。实验方法表明,改进后的蚁群算法在TSP的求解中,收敛速度和全局寻优能力均得到较大的提高。     

一种改进的蚁群算法在TSP问题中的应用研究

蚁群算法是近几年发展起来的一种新型的拟生态启发式算法,它已经被成功地应用在旅行商(TSP)问题上.由于基本蚁群算法存在过早陷入局部最优解和收敛性较差等缺点,文中对基本蚁群算法在基于蚁群系统的基础上进行了改进,在信息素的更新和解的搜索过程中更多地关注了局部最优解的信息,以使算法尽可能地跳出局部最优,并且改进后的算法对一些关键参数更容易控制.多次实验表明改进的蚁群算法在解决TSP问题上与基本蚁群算法相比有较好的寻优能力和收敛能力.这种算法可以应用在其它组合优化问题上,有一定的工程应用价值.     

一种动态划分的混合连续域蚁群优化算法

连续域蚁群优化算法在处理高维问题时易陷入局部最优,而且收敛速度较慢。针对这些问题,提出了一种改进的连续域蚁群优化算法。该算法将解划分为优解和劣解两部分,并在迭代过程中动态调整优解和劣解的数目。对于优解,利用全局搜索策略进行预处理,这样能提高算法的收敛速度和收敛精度。对于劣解,则利用随机搜索策略进行预处理,这样能扩大搜索范围,增强搜索能力。通过标准测试函数对所提算法进行测试,结果表明改进策略能够有效提高连续域蚁群优化算法的收敛速度并改善解的质量。     

一种应用于旅行商问题的莱维飞行转移规则蚁群优化算法

针对旅行商问题（traveling salesman problem,TSP）提出了一种基于莱维飞行转移规则的蚁群优化算法。该算法结合了基于莱维飞行的转移规则和蚁群系统（ant colony system,ACS）算法的转移规则,形成了一种动态权重的混合转移规则,该策略能够有效地帮助算法跳出局部最优,增强全局搜索能力。此外,随机多路径优化3-opt策略通过随机抽取部分路径与当前最优路径组合,增加算法的多样性。当算法陷入停滞时,采用信息素平均随机重置策略重置路径上的信息素浓度,有助于算法跳出局部最优。实验结果显示,算法在处理多个不同规模的TSP实例时,与最优解的误差保持在3%以内,证明了该算法在TSP中具备出色的收敛性和避免陷入局部最优解的能力。     

求解TSP的自适应优秀系数粒子群优化算法

针对基本离散粒子群优化（PSO）算法求解旅行售货商问题（TSP）时容易陷入局部最优解和早熟收敛的问题,提出了一种基于自适应优秀系数的粒子群（SECPSO）算法。为了提高算法的全局搜索能力,在已有工作的基础上,进一步利用启发式信息对静态的路径优秀系数进行修改,使之可根据解的搜索过程进行自适应动态调整;另外,为了进一步提高解的精确性和算法的收敛速度,添加了3-opt搜索机制,提高算法的局部搜索能力。利用Matlab进行了实验仿真,用国际通用的TSP数据库（TSPLIB）中的若干经典实例对算法性能进行了测试。实验结果表明,与其他几种算法相比,SECPSO算法在全局寻优能力和更快的收敛速度方面表现更优,是求解TSP问题的一种有潜力的智能算法。