自适应调整信息素的蚁群算法

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法．基于群体的协作与学 习，该算法已经成功地解决诸如TSP问题等多种组合优化问题．本文提出了一种基于自适应 调整信息素的改进蚁群算法．该算法根据人工蚂蚁所获得解的情况，动态地调整路径上的信 息素，从而使得算法跳离局部最优解．通过仿真实验获得的结果表明，该算法对于蚁群算法 具有较好的改进效果．     

基于自适应多态免疫蚁群算法的TSP求解*

针对标准蚁群算法易于出现早熟停滞现象,提出了一种自适应多态免疫蚁群算法（adaptive polymorphic immune ant colony algorithm,PIACA）。通过设置多种状态蚁群及引入自适应多态蚁群竞争机制,PIACA算法能有效抑制收敛过程中的早熟停滞现象。将禁忌表中每只蚂蚁走过的路径视为抗体,对抗体运用局部最优搜索算法和免疫克隆选择算法进行高效优化,提高了解的质量。针对TSP实验结果表明,该算法在收敛速度及求解精度上均取得到了较好的效果。     

基于多态蚁群算法的测试用例自动生成*

提出了一种基于多态蚁群算法的测试数据自动生成方法。该方法使用二进制编码将输入数据转换为位串;然后在蚁群算法的基础上将蚁群分为三类,据其信息素的不同采用不同的移动准则,重点对侦察蚁和搜索蚁进行功能分析。将局部搜索与全局搜索结合起来,结合路径的相似度,缩小搜索空间;根据适应度函数确定最好路径,既解决局部最优化问题,又提高收敛效率。与基本蚁群算法对比,其结果显示该方法效率优于基本蚁群算法。     

基于蚁群优化算法的TSP问题研究

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,给出蚁群算法在TSP问题中的应用.针对基本蚁群算法求解速度缓慢、容易陷入局部最优等特点,提出了一种改进的蚁群算法,同时保持蚁群算法自己的收敛速度和路径的多样性.在TSP旅行商问题上的仿真验证表明它是可行性和有效性的.     

改进蚁群算法的TSP问题研究

蚁群算法是受蚂蚁觅食行为启发的智能仿生优化算法,在求解TSP这一组合优化问题时行之有效。笔者针对基本蚁群算法求解TSP时存在易于陷入局部最优解、过早停滞的缺陷,结合引入参数、分阶段迭代对基本蚁群算法做出改进,并将改进的蚁群算法与基本蚁群算法解决旅行商问题的实验结果进行对比分析,验证改进蚁群算法的效果。     

一种动态自适应蚁群算法

针对传统蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种动态自适应蚁群算法。该算法对传统的MMAS蚁群算法中的信息素进行自适应调整。实验结果表明,该算法比传统的蚁群算法和传统的MMAS蚁群算法具有更好的搜索全局最优解的能力,并具有更好的稳定性和收敛性。     

基手多态蚁群算法的测试用例自动生成

提出了一种基于多态蚁群算法的测试数据自动生成方法。该方法使用二进制编码将输入数据转换为位串;然后在蚁群算法的基础上将蚁群分为三类,据其信息素的不同采用不同的移动准则,重点对侦察蚁和搜索蚁进行功能分析。将局部搜索与全局搜索结合起来,结合路径的相似度,缩小搜索空间;根据适应度函数确定最好路径,既解决局部最优化问题,又提高收敛效率。与基本蚁群算法对比,其结果显示该方法效率优于基本蚁群算法。     

蚁群算法改进及其实现

针对蚁群算法在解决TSP问题时容易陷入局部最优,提出了一种改进信息素的算法,该方法可以扩大搜索空间,明显提高了蚁群算法的优化性能;并给出了算法的C++实现,结果表明算法可以得到更优的解。     

求解旅行商问题的改进蚁群算法研究

针对蚁群算法收敛速度慢的问题,对蚁群算法信息素更新规则进行研究,提出一个基于迭代思想的信息素更新规则。对信息残留因子进行实验,确定在新的信息素更新规则下信息素挥发系数的最佳合理值。最后针对eil51问题和dantzig42问题两个例子的仿真实验对比基本蚁群算法。实验结果表明,改进的蚁群算法在收敛性和求得最优解方面都明显优于基本蚁群算法和其它人工智能算法。     

应用捕食搜索策略的改进多态蚁群算法

结合捕食搜索策略对多态蚁群算法进行改良。该算法引入以下机制：在人工蚁选择路径阶段，设置侦查素路径为优先，为非侦查素路径设置惩罚因子；利用权值在侦查素和非侦查素路径都施加信息素，通过该机制避免多态蚁群算法陷入停滞；在每轮人工蚁最优结果的邻域应用捕食搜索策略，并通过竞争机制选择最优解更新信息素。通过TSP的仿真实验结果表明，提出的融合算法可以有目的地指导信息素分布，加快算法向最优解的收敛速度及提高最优解质量，克服传统多态蚁群算法的缺陷。     

蚁群算法解决TSP问题的浅析

介绍了一种求解复杂组合优化问题的新的拟生态算法—蚁群算法。阐述了该算法的基本原理,以及蚁群算法在TSP问题上的应用,并提出了改进算法,使得算法有更好的全局性。     

基于改进蚁群算法的无人飞行器航迹规划

无人飞行器航迹规划是现代战争中实施远程精确打击,提高飞行器实际作战效能的关键技术。蚁群算法作为一种启发式仿生优化算法,能够有效应用于航迹规划中。针对基本蚁群算法在应用中容易过早陷入局部最优解这一缺点,提出自适应动态双种群蚁群算法的改进策略,通过信息素的震荡变化和挥发系数的自适应调整,扩大搜索空间,提高算法搜索的全局性。并将改进后的算法应用于无人飞行器航迹规划,通过实验仿真,证明了此改进算法在航迹规划应用中的可行性和有效性。     

蚂蚁算法与免疫算法结合求解TSP问题

针对传统蚂蚁算法存在的加速收敛与早熟、停滞现象之间的矛盾,通过接种疫苗和免疫选择两个步骤完成免疫过程,并与蚂蚁算法相结合,设计出新颖的免疫蚂蚁算法,并将其应用于求解复杂的TSP问题.数值模拟表明,该算法可以有效地克服基本蚁群算法容易出现停滞现象的缺陷,具有更好的全局搜索能力和稳定性.     

蚁群算法的研究及应用进展

蚁群算法是优化领域新出现的一种启发式仿生类并行智能进化系统,该算法采用分布式计算和正反馈机制,易于和其他算法结合,目前已得到了广泛的应用。本文在介绍基本蚁群算法的基础上,介绍了蚁群算法目前的一些研究情况,然后例举了蚁群算法的一些应用,最后对蚁群算法今后的研究方向作了分析和展望。     

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。     

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。     

蚁群算法优化策略及其仿真研究

蚁群算法广泛应用于求解组合优化问题,但基本蚁群算法与其他模拟进化算法存在进化速度慢并易于陷入局部最小等缺陷。论文应用蚁群算法求解最短路径问题,从信息量的更新方式、局部搜索策略及参数选择等方面提出相应的改进策略。通过TSP问题的仿真表明,改进算法能够加快收敛速度,节省搜索时间,而且能够克服停滞行为的过早出现。     

基于蚁群算法的动态信任模型研究

信任度在分布式环境中具有不确定性,而传统的信任模型都将信任度定义为布尔型变量,这种信任度无法量化地描述实体间的信任强度。提出将信任度定义为一个非布尔型变量,并使信任度关联于时间和交互事件,引入信任矩阵和信任信息素的概念构造一种新的动态信任模型,同时对模型进行了描述并给出算法的关键步骤。该模型不仅可以实时度量实体间的信任关系以及实体的信任度,而且在分布式环境中具有较好的可扩展性,具有一定的理论价值和应用价值。     

一种改进的自适应蚁群算法求解TSP问题

文章提出了一种改进的蚁群算法,其核心是限制单步路径上的蚂蚁数目,当该路径上的信息素达到一定浓度时,人为的迫使蚂蚁改换路径,从而更好的全局寻优,避免算法陷入局部极优,并使用2-Opt方法对路径进行优化。对旅行商问题（TSP）的实验结果表明：新算法的优化结果和效率都优于基本蚁群算法。