改进的蚁群算法求解旅行Agent问题

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点。旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent 为完成用户指定任务,在不同主机间移动时的迁移策略问题。在蚁群算法的基础上,引入变异运算,并且对蚁群算法的全局和局部更新规则进行改进,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移。仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法。     

基于改进型蚁群算法求解旅行Agent问题

本文在蚁群系统的基础上,提出一种改进型蚁群算法.蚂蚁之间通过外激素进行间接交流从而达到合作的目的,在利用已有信息与探索新解并重的策略指导下给出所求解问题的最优解,并且由于遗传算子的引入及全局更新规则的修正,不再易于陷入局部极小.本文采用改进型蚁群算法求解复杂的组合优化问题-旅行Agent问题,取得了满意的效果.实验结果表明,改进型蚁群算法具有鲁棒性强、自适应、并行化、正反馈的优点.     

求解旅行Agent问题的自适应蚁群算法

针对现有的蚁群算法在求解旅行Agent问题中所存在的全局最优解的收敛速度不强和一致性欠佳等问题,在蚁群算法的基础上,利用算法的迭代次数来动态自适应地修改选择路径上的信息素的更新规则和信息素的挥发系数,从而使Agent在路径选择中这两方面的能力得到了提高。实验结果表明,相比现有的解决旅行Agent问题的蚁群算法,该算法在求解全局最优解的收敛速度和一致性方面具有更强的优势。     

改进蚁群算法求解旅行Agent问题

利用蚁群算法来求解TAP问题是解决移动Agent迁移策略的一种有效途径。旅行Agent问题是复杂的组合优化问题,蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,适合求解NP难问题。在蚁群算法的基础上,提出分泌多种信息素的改进蚁群算法来求解旅行Agent问题,动态反应了节点服务能力和网络负载的变化,使迁移更具有灵活性。实验结果表明了该文算法的可行性。     

改进的蚁群算法在求解旅行Agent问题中的应用

蚁群算法作为一种新的生物进化算法，具有并行、正反馈和启发式搜索等特点，但它与其它进化算法同样存在易于陷入局部最小点等缺陷。为了克服这些缺陷，介绍了一种改进的蚁群算法来求解旅行Agent问题，解决移动Agent为完成用户指定任务，在不同主机间移动时的迁移策略问题。实验结果表明了算法的可行性。     

改进的蚁群算法在求解旅行Agent问题中的应用

蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,但它与其它进化算法同样存在易于陷入局部最小点等缺陷。为了克服这些缺陷,介绍了一种改进的蚁群算法来求解旅行Agent问题,解决移动Agent为完成用户指定任务,在不同主机间移动时的迁移策略问题。实验结果表明了算法的可行性。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

求解TSP问题的一种改进蚁群优化算法

针对基本蚁群算法求解TSP问题时容易出现早熟和停滞现象的缺陷,提出了一种改进的蚁群算法。算法的基本思想是,将信息素分为局部和全局二种不同的信息素,在搜索过程中。对局部和全局信息素采用不同的更新策略和动态的路径选择概率,使得在搜索的中后期能更有效地发现全局最优解。以TSPLIB的数据进行实验的结果表明．在中大型问题上有着更好的发现最优解的能力。     

改进的蚁群优化算法求解旅行商问题

针对基本蚁群算法在求解旅行商问题时表现的停滞和早熟现象,提出一种带遗忘因子的蚁群优化算法。通过在人工蚂蚁中加入遗忘因子,建立新的状态转移公式,修改信息素更新策略,蚂蚁按照基本蚁群算法的搜索方式工作,结合当前解的最优值误差率,对状态转移方程进行调整,新公式可用于降低最优值误差、提高最优值跟踪能力、修正路径评价模型、计算每条路径到当前最优解的概率。对TSP实例的仿真结果表明,改进算法耗时更短,路径寻优结果更优。     

混合蚁群蜂群算法在旅行Agent问题中的应用

针对蚁群算法在解决旅行Agent问题（TAP）时存在搜索时间长和易陷入局部最优的缺点,提出一种将蜂群和蚁群算法相结合的新型算法。通过修改状态转移概率和信息素更新规则使算法更符合TAP问题的特征,引入跟随蜂思想使蚂蚁尽快搜索到问题最优解,加入阻塞度因子以避免算法陷入局部最优。仿真结果表明,该算法在解决旅行Agent问题时有效避免了蚁群算法的上述缺点,且在解的性能上优于相关算法。     

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。     

基于多样信息素的蚁群算法

根据蚁群算法信息素更新的特性,提出了求解旅行商问题的多样信息素的蚁群算法。把蚁群的三种不同的信息素更新方式混合在一起,既利用了局部信息,又考虑了整体信息,将局部搜索和全局搜索相结合,使收敛性得到提高。针对旅行商问题的仿真实验结果,表明了该混合算法的有效性。     

聚类问题的蚁群算法

文章建立了聚类分析问题模型,分析了K-均值算法、模拟退火算法和蚁群算法的优缺点,结果表明蚁群算法比较有效。     

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。     

蚁群算法在迷宫最优路径问题中的应用

该文将蚁群算法应用于迷宫最优路径问题。针对迷宫最优路径问题的特点,将蚁群分成两组,分别从迷宫的起点和终点出发,每只蚂蚁按迷宫的行走规则向前移动。对移动的蚂蚁定义了三种生命周期,只有满足特定行为的蚂蚁所走过的路径才能构成迷宫问题的可行解。对不同规模迷宫问题的实验结果显示,该算法是一种求解迷宫最优路径问题的有效算法。     

解0-1背包问题的蚁群算法

针对经典的0-1背包问题，提出一种基于解的相异度的新的蚁群优化算法，废方法引入信息量的局部更新机制，并根据解的相异程度确定解的交叉概率。数值实验计算表明，该算法加快计算速度的同时保证了解的多样性，具有较好的通用性。     

求解旅行商问题的混合量子蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优和收敛速度慢的问题,提出一种新的求解旅行商问题的混合量子蚁群算法。该算法采用量子比特的概率幅对各路径上的信息素进行编码,采用量子旋转门及蚂蚁走过的路径对信息素进行更新,设计一种新的变换邻域准则。基于TSPLIB的仿真实验结果表明了该算法具有较快的收敛速度和求解精度。     

基于粒子群优化的蚁群算法在TSP中的应用

结合粒子群算法的问题,提出用混合蚁群算法来求解著名的旅行商问题.问题的核心是应用粒子群算法对蚁群算法的控制参数:启发式因子、信息素挥发系数、随机性选择阈值进行优化,以及运用蚁群系统算法寻找最短路径.新算法对于蚂蚁算法中的参数调整大大减低,减少了大量盲目的实验,力求在开发最优解和探究搜索空间上找到平衡点.对旅行商问题的仿真实验表明,新算法的优化质量和效率都优于传统蚁群算法和遗传算法,接近理论最佳值.新算法也可推广用于其他NP问题的求解.     

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。