基于移动agent的改进蚁群算法

路由算法的性能直接决定网络的效率及可用性，基于移动agent的路由算法可以有效地降低网络负载，较好地适应异构环境。首先介绍了建立分布式自适应路由系统的必要性，提出了用移动agent解决路由问题，讨论了改进的蚁群算法，并对今后探讨基于移动agent的分布式路由算法问题给出了进一步的工作设想。     

基于概率选择的次优移动Agent迁移策略研究

针对原有网络结构开销较大、负载分配不均等缺点,提出一种区域核心式移动Agent服务注册模式.针对移动Agent路由选择问题提出了一种模拟蚁群算法的路由选择新算法,并给出了一种基于概率P的移动Agent迁移策略,改变了传统迁移只按照某种标准下的最优路径进行的模式,使移动Agent可以充分利用网络中的各条符合时延条件的通路进行迁移;模拟自动控制理论中的反馈思想,使移动Agent执行任务的同时,担任修正路由信息的任务,使路由表的信息始终保持次优状态.仿真实验证明,提出的移动Agent迁移体系在收敛速度、容错性、系统开销和迁移时延等方面有明显改进,并且可以有效缓解在网络负载较重的情况下出现的网络节点阻塞以致移动Agent丢失的情况.     

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．     

改进蚁群算法在并联六自由度平台优化设计中的应用

蚁群算法在解决组合优化问题上有着良好的适应性,但直接应用于求解连续优化问题难以获得理想的效果．通过对蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的改进,构成了可用于连续优化问题求解的改进蚁群算法．将该算法应用于以灵巧度为目标函数的并联六自由度平台结构设计问题中,通过与采用基本蚁群算法得到的优化结果进行比较,证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度,可以有效求解并联六自由度平台结构设计这一类连续优化问题．     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法．利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络．针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路．利用改进的蚁群算法学习神经网络．为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点．应用实例表明了该方法的有效性。提高了机器人逆运动学求解的速度和精度．     

基于改进蚁群算法的有时间窗车辆路径优化

针对物流配送中的有时间窗车辆路径问题（VRPTW）,提高优化性能,提出了一种改进的最大最小蚁群算法,并引入了局部搜索策略2-opt．在客户数目给定的情况下,本算法能够得到所求VRPTW的全局较优解,与基本蚁群算法和未改进的最大最小蚁群算法比较,具有更快的收敛速度和更高的收敛精度,并可扩展到一类相关的路径优化问题中．实验结果表明,本算法对于求解VRPTW效果很明显．     

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。     

基于云模型理论的蚁群算法改进研究

近几年优化领域中新出现的蚁群算法采用分布式并行计算机制,易于与其它方法结合,具有较强的鲁棒性。但易限于局部最优解是其最突出的缺点．云模型是一种新的实现定性概念和定量数值之间转换的有力工具,本文在介绍云模型理论的基础上,提出了一种利用云模型来有效限制蚁群算法陷入局部最优解的方法,最后将基于云模型理论的改进蚁群算法与未改进的蚁群算法分别应用于著名的CHC144 TSP进行实验．改进后的蚁群算法采用升半正态云规则进行控制,并选取了500个云滴,仿真计算结果证明了该方法的有效性和可行性．     

基于云模型的小生境MAX-MIN相遇蚁群算法

针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷,本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法;随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进,以提高改进后蚁群算法的全局收敛性能。同时,为了避免蚁群在搜索过程中易出现停滞现象,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。     

用改进蚁群算法求解分布式车间调度问题

为解决分布式制造环境下的复杂产品的调度问题,提出一种改进蚁群算法。将禁忌搜索算法与蚁群算法结合,弥补蚁群算法搜索时间长和易陷入局部最优等问题。以两个车间的分布式调度为例进行仿真研究,并与传统蚁群算法、改进遗传算法、显性基因遗传算法的仿真结果进行比较,实验表明该改进蚁群算法具有较好的收敛性和稳定性,收敛速度较快。     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

基于FA-IACS算法的车辆路径问题优化

针对传统蚁群系统算法在解决有容量约束的普适性车辆路径优化中易陷入局部最优和收敛速度慢等问题,提出了一种改进的蚁群系统算法.采用改进的距离启发函数因子调整蚂蚁状态转移概率,利用改进编码方式的萤火虫算法作为搜索机制,改善蚁群系统的全局搜索能力,应用信息素震荡程序探索新路径的信息素,避免陷入局部最优.结果表明,该算法提高了全局搜索能力,能够节约寻找最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

求解TSP问题的改进蚁群算法

分析了标准蚁群算法易于出现早熟停滞现象的主要原因，在原有算法基础上引入局部信息激素、最优最差路径信息激素更新策略及变参数策略，扩大了解的搜索空间，有效抑制了收敛过程中的早熟停滞现象，大大提高了算法收敛速度；同时引入局部最优搜索策略，增大了解突变的机率，求解质量得到了极大的改善．对于典型旅行商问题库中旅行商问题的实验及与标准蚁群算法的比较实验验证了该方法的有效性．     

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.     

基于遗传蚁群算法的Qos路由约束问题的研究

针对Qos路由约束问题（是一个NP-完全问题,即是一个多项式复杂程度的非确定问题）,设计了一种将遗传算法和蚁群算法优点融合的算法（GA_ACO）.该算法的基本思想是：用遗传算法生成蚁群算法需要的信息素初值,然后利用蚁群算法求得精解.通过NS2仿真表明遗传蚁群算法相比单一的遗传算法和蚁群算法更适合解决Qos路由约束问题.     

改进蚁群算法的云存储任务调度算法研究

由于云存储环境与云计算环境中不同,若直接将云计算环境中的任务调度算法移植到云存储环境中,必然会导致任务调度的效率下降.为解决此问题,提出了一种适用于云存储环境中的改进蚁群算法.改进蚁群算法能使云计算环境的任务调度算法更符合云存储的环境;同时,对于改进PSO算法在引入存在矩阵时,由于数据资源不存在而造成算法前期优化浪费引起效率低下的问题进行了有效解决.分析测试结果表明,提出的改进蚁群算法在云存储环境的任务调度算法在保障有效解的前提下能够拥有更快的收敛速度.     

基于双重启发式信息求解影响最大化问题的蚁群算法

针对如何利用社会个体之间的影响力来扩大信息扩散的范围,即社会网络的影响最大化问题,提出一种新颖的基于蚁群优化算法的解决方案。利用2个启发式信息来度量节点影响力:优先选择更不容易被前驱节点激活的节点;考虑后继尤其是多级后继节点对未来扩散的影响。通过节点影响力选择出能扩散最大范围的初始节点集合。试验结果表明,相较于贪心算法以及传统的蚁群算法初始节点的扩散范围增加了150个节点,效率提高了25%,本研究方法很好的改善了初始节点选择容易陷入局部最优的问题。