改进的蚁群算法求解带时间窗的车辆路径问题

设计了一种改进的蚁群算法,将蚁群系统(ACS)与最大最小蚂蚁系统(MMAS)相结合,在状态转移规则中引入时间窗跨度与服务等待时间因素,并在算法的不同阶段采用不同的信息素蒸发策略以防止算法陷入局部最优.使用路径内2-opt优化方法以及路径间2-opt*优化方法对每次迭代过程所得到的最优解进行局部优化.通过对相关文献实验数据的测试结果表明,该算法在求解效果及运算效率上优于遗传算法与禁忌搜索算法.     

一种快速收敛的蚁群算法

由于基本蚁群算法存在过早陷入局部最优、搜索速度慢的缺点,本文在分析产生这些缺点的基础上,对蚁群算法提出了一些改进措施。最后通过TSP仿真,表明改进算法不仅提高了算法的速度,而且提高了解得质量．     

蚁群算法原理的仿真研究

从蚁群觅食行为受到启发,意大利学者M．Dorigo等人提出了一种新型的模拟进化算法——蚁群算法,初步的研究表明该算法具有极强的鲁棒性和发现较好解的能力。该文通过直接模拟真实蚁群的觅食行为,提出了一种真实蚁群模拟算法(Real Ant Colony Simulating Algorithm,RACSA),并通过仿真实验对影响蚁群行为的因素(信息素的重要程度、信息素的蒸发系数、蚂蚁数及信息素留存量)进行了研究,其结论对蚁群算法的理论研究和算法实现具有重要的参考价值。     

元胞遗传算法的收敛性分析和收敛速度估计

元胞遗传算法是空间结构化种群的遗传算法,将遗传操作限制在相邻个体之间进行,限制优势基因的扩散速度,保持种群的多样性,改善遗传算法的性能。但是,目前有关元胞遗传算法收敛性的分析还较缺乏。文中根据元胞遗传算法的特性,建立元胞遗传算法的吸收态 Markov链模型,证明元胞遗传算法的收敛性。提出元胞遗传算法的首达最优解期望时间的估算方法,并估计标准同步元胞遗传算法首达最优解期望时间的上下界。     

多策略优化的蚁群算法求解带时间窗车辆路径问题

提出一种新的蚁群算法求解带时间窗的车辆路径问题.在状态转移规则中,引入了时间启发函数,修改Ant Cycle模型信息素增量公式,引入等待或延误时间对信息素增量的影响.为避免算法陷入早熟,通过混沌扰动适当减小随机选取的最优路径上的信息素,按照客户坐标和时间窗改变已有解的组合方式对最优解进行调整.通过对相关文献实验数据的测试并与其他启发式算法所得结果进行比较,获得了较好的效果.     

基于带时间窗口车辆路径问题的蚁群算法

带时间窗口的车辆路径问题（VRPTW）是一个NP-Complete优化问题。VRPTW的主要目标在于利用最少的车辆数以及最短的行程来服务客户,客户有固定的需求和被服务的时间限制。基于该问题提出了一种并行多蚁群算（PMACS-VRFTW）：首先利用QUICK-ACS生成初始解,然后利用ACS-VEI和ACS-TIME分别优化车辆数和行程距离。试验表明,所提出的算法基于Solomon的VRPTW基准实例获得了很好的结果。     

机器人路径规划问题的蚁群优化算法

研究了机器人在静态障碍物环境下的路径规则问题,根据问题模型的特性设计了一种蚁群优化求解算法。该算法利用前一轮选择的路径对可行解的信息素进行相应的调整,再按转移概率选择路径,经过多次迭代搜索得出最短路径．已达到对机器人的路径优化。     

基于MATLAB的混合型蚁群算法求解车辆路径问题

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出了基于M ATLAB的蚁群算法在车辆路径问题中的应用,针对蚁群算法存在的过早收敛问题,加入2-opt方法对问题求解进行了局部优化,计算机仿真结果表明,这种混合型蚁群算法对求解车辆路径问题有较好的改进效果。     

应用于卫星网络拓扑生成的快速收敛蚁群算法

针对蚁群算法生成卫星网络拓扑时存在收敛速度慢、易陷入局部最优解的问题,从卫星网络高动态以及大时空尺度的特性出发,提出一种新算法SNTG-ACA。在满足卫星节点的可见性、星间链路长度以及链路连接时间的条件下建立潜在链路,提高信息素浓度的增量使蚁群算法快速收敛,并采用归一化思想求解全局最优解。仿真结果表明,与传统蚁群算法和引入遗传因子的蚁群算法相比,该算法具有更快的收敛速度,与链路长度最短策略和链路连接时间最长策略相比,生成的卫星网络拓扑更稳定。     

基于改进型蚁群算法求解车辆路径优化问题的研究

针对蚁群算法在求解路径优化问题中存在收敛速度慢、易陷于局部最优路径等缺点进行了局部改进和优化,通过建立最近邻配送点矩阵来降低蚁群搜索空间,提高收敛速度。实验结果表明,改进型蚁群算法性能显著提高,能在较短时间内求得车辆路径问题较为满意的最优解。     

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。     

基于交互式的并行蚁群优化算法

传统蚁群优化算法研究已经取得了很多重要的成果,但是在解决大规模组合优化问题时仍存在早熟收敛,搜索时间长等缺点.为此,将邻域搜索技术与蚁群优化算法进行融合,提出一种新的并行蚁群优化算法,实验结果表明,在解决大规模TSP问题时,该算法求解质量和稳定性更好,在短时间内即可得到较高质量的解.     

基于蚁群算法的聚类优化

为解决大型网络中的最短路径问题,基于蚁群算法进行聚类优化研究。结合蚁群算法和聚类算法,将网络分割成若干个小网络后进行处理并合成,同时在过程中直接简化网络,透明化无意义的点。实验结果表明,优化后的算法能准确获得所要求的最优解,具有较快的收敛速度。     

蚁群优化算法求解TSP问题研究

介绍了信息素混合更新的蚁群优化算法,并用来求解TSP问题。混合信息素更新的蚁群优化算法是在蚁群系统（ACS）的基础上改进而成的,它在演化过程中,通过改变信息素的迭代最优更新规则和全局最优更新规则的使用频率,逐渐增加全局最优更新规则的使用频率,从而提高系统收敛的速度和减少系统搜索的导向性,并以Oliver30和att48为例给出了实验结果,说明了该混合算法的有效性。     

改进蚁群算法在AGV路径规划中的应用

针对传统蚁群算法在路径规划时,易陷入局部最优、前期路径有效性差等问题,对传统蚁群算法进行改进并应用到AGV（Automated Guided Vehicle）路径规划上。采用栅格地图建立小车工作空间模型,利用改进的头尾搜索机制,提高并加快了算法的全局搜索能力和前期收敛速度;引入奖惩因子与信息素最大最小阈值,对每代最优路径上的信息素进行奖励,最差路径上的进行惩罚,提高全局搜索能力;引入遗传算法变异因子,使算法跳出局部最优能力加强;采用遗传算法对改进的蚁群算法进行参数优化,减少参数对算法的影响。在VS2017和MATLAB软件平台上进行算法仿真。结果表明了该算法在避免局部最优和加快收敛速度方面有很大改进。     

蚁群混沌混合优化算法

为了克服混沌搜索的盲目性,提出了一种蚁群算法和混沌优化算法相结合的混合优化算法,该算法利用蚁群算法中信息素正反馈的思想指导当前混沌搜索的区域。工作蚁群按照信息素的浓度高低,分别按照不同的概率搜索不同的搜索区域,从而可减少混沌盲目搜索的次数。仿真结果表明,该方法能够明显提高混沌优化算法的寻优效率,同时算法的通用性将有所提高。另外,对于含有多个全局最优解的函数,在一次寻优过程中,该算法可以找到全部最优解,这是通常混沌搜索算法所不具备的。     

基于蚁群算法优化的路由频率动态择径的研究

常规的路由频率动态择径方法设置的避障规则存在缺失,导致得到的路由传输路径不是最优,择径时间较长。因此基于蚁群算法,优化设计路由频率动态择径方法。采用栅格模拟传输环境,设置关键信息选取规则;根据路由频率变化规律输入引导因子,实现对路由移动规则的设置;统筹全局,根据蚁群算法计算蚂蚁感知能力,在设置局部区域避障规则的基础上,设置全局避障规则;计算初始信息素与蚂蚁搜索过程中信息素之间的差异,通过补偿信息素浓度得出路由传输路径的最优解。实验结果表明,与常规的择径方法相比,所提择径方法兼顾全局,得到的路由路径优于常规方法且择径时间最短。由此可见,基于蚁群算法的择径方法实现了此次研究目的。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。