基于蚁群算法的TSP问题求解

人工蚁群算法是受到蚂蚁在觅食过程中能发现蚁巢到食物的最短路径这种搜索机制的启发而发展起来的一种群体智能算法、蚁群算汝在求解一系列困难的组合优化问题上取得成效,成为解决TSP,VRP,QAP,JSP等典型问题的一种新型的强有力算法.本文对蚁群算法的起源和发展历史、算法理论研究的主要内容和方法以及应用等进行了系统的论述.     

基于自适应蚁群算法的最短路径搜索方法研究

最短路径问题是指在一个赋权图的两个节点之间找出一条边权和最小的路径,是图论中的一个经典问题,该问题和TSP等经典的组合优化问题具有很大的相似性,也属于组合优化问题.蚁群算法是一种新型的模拟进化算法,为求解复杂的组合优化问题提供了一种新的思路.本文应用蚁群算法求解最短路径问题,对选择策略、信息素挥发系数进行白适应地调整,避免算法出现早熟和停滞现象,并能较快地收敛到全局最优解.实验结果表明,该方法能有效解决最短路径搜索问题.     

基于求解TSP问题的ACA-GA-PSO算法

为了有效求解TSP问题,提出一种融合蚁群算法、遗传算法、粒子群优化算法思想的混合算法。该算法基于最大-最小蚁群系统框架,在选择下一个城市时采用局部搜索策略避免陷入局部最优,在每次循环结束时用演化交叉策略优化得到的全局最短路径,从而提高求解TSP问题的求解精度及收敛速度。TSPLIB中不同规模的TSP问题的仿真实验结果表明了该算法的有效性与可行性。     

基于蚁群优化的协作学习模式研究

蚁群算法是一种求解复杂组合优化问题的启发式算法,但收敛速度慢且搜索时盲目性大。在协作学习模式中为了进行合理分组和提升学生的协作学习能力,提出了一种在外加信息素的干扰下改进型的蚁群算法,并实现两者的有效融合。实验结果表明,蚁群优化在学生的协作学习中表现出较强的优越性,能较好地求解非线问题,并能达到全局最优的解。     

蚁群算法在LQ最优控制逆问题中的应用

蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质．研究了一种可用于求解连续空间优化问题的蚁群算法策略，针对SISO离散时不变控制系统，在给出了加权矩阵Q与状态反馈阵K的取值范围确定方法的基础上，应用连续性空间优化问题的蚁群算法模型求解了离散LQ逆问题。仿真结果表明蚁群算法在求解控制优化问题中的有效性。     

基于改进蚁群算法的危险化学品运输路径优化

针对危险化学品运输存在的事故风险和事故成本比较大的问题,考虑危险化学品的运输特殊性,构建一个危险化学品运输的车辆路径优化模型,利用改进蚁群算法和进行模型求解。以京F公司的13个客户作为配送点,根据每个配送点的地理位置坐标、需求量、危险品运输车辆禁行路线等数据,分别采用基本蚁群算法和改进蚁群算法对运输路径进行优化,实验结果证明改进后的蚁群算法有效降低了京F公司的危险化学品运输的物流成本,保证蚁群在搜索路径时快速收敛。     

车辆路径问题的数学模型及优化算法

通过分析交通路径的特点,给出求解车辆路径问题(VRP)的改进的蚁群算法.该算法通过引入启发因子和参数自适应调整,加速了收敛效率,改善了全局搜索能力,最终数值例子表明本文所提算法是可行的、高效的.对VRP问题有较好的求解效果。     

云计算环境下基于遗传蚁群算法的任务调度

研究了云计算环境下的任务调度问题,通过构造云计算环境下的任务调度模型,提出了一种混合调度算法,该算法是蚁群算法与遗传算法的有机融合。其中的遗传算法采用间接编码方式,结合由遗传算法衍生出的优化解,对蚁群信息素的分布进行初始化处理,使遗传算法的快速搜索能力得到充分利用,并通过克服蚁群算法的起始信息素不足问题,加快了求解速度。云计算环境下的仿真实验结果表明,该混合算法是一种行之有效的任务调度算法。     

求解TSP问题的蚁群算法改进探讨

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.本文提出了一种改进蚁群算法.该算法根据人工蚂蚁所获得解的情况,应用一种选择策略,从而使得算法跳离局部最优解,并采用局部搜索,以获得更好的优化解.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.     

268A;A002_68冉

化问题张璐;张庆祥;延安大学数学与计算机科学院,延安大学数学与计算机科学院 陕西延安716000,陕西延安716000优化;;分层蚁群算法;;全局最优提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。A Hierarchic Ant Colony Algorithm for OptimizationZHANG Lu,ZHANG Qing-xiang (Dept.Mathematics and Computer Science,Yan'an Uuiversity,Yan'an,Shannxi 716000)Ant Colony Algorithm(ACA) is brand-new bionic simulated evolutionary algorithm,which has been applied to many fields.Ant Col     

蚁群算法及其在组合优化问题中的应用

介绍了一种求解复杂组合优化问题的新型的模拟进化算法——蚁群算法。阐述了该算法的基本原理、模型以及实现过程,并且介绍了蚁群算法在TSP问题、二次分配问题、车间作业调度问题、大规模集成电路综合布线以及车辆路径问题等组合优化问题中的应用思路。     

一种优化的蚁群算法

蚁群算法是一种新型的启发式算法,它具有许多优良性质,被广泛用于求解组合优化问题,但基本蚁群算法也存在诸多不足。为使蚊群算法对应TSP问题的解更加优良,提出了一种改进的蚁群算法并对它进行了试验,结果表明改进算法是有效的,这也为蚁群算法的优化提供了一个新的途径。     

蚁群算法求解多选择整数背包问题

本文针对一维、二维多选择整数背包问题的教学模型,采用动态规划和蚁群算法对其进行求解,并对蚁群算法作了适当的改进.随机数据实验表明,随着问题规模的扩大,动态规划算法的计算复杂度将急剧增大,造成求解困难,而基本蚁群算法及改进蚁群算法能够快速有效地求得问题近优解,且改进蚁群算法解的质量比原算法平均提高了2.8%.     

配送中心选址蚁群算法的求解性能优化

配送中心在选址的过程中可能会出现性能不好的现象,本文针对基本蚁群算法应用与多配送中心选址策略,提出改进建议,并以基本蚁群算法为基础限制了蚂蚁的搜索行为,并借助于信息素自适应调节机制对蚂蚁把各个配送点分配到配送中心的能力进行了改善,从而在根本上实现了基本蚁群算法性能的提高。通过仿真试验,本文的改进方法可以提高配送中心选址问题,并提高其求解性能。     

TSP问题的蚁群算法模型及仿真研究

蚁群算法是一种新型高效的启发式优化算法,在解决优化组合问题特别是TSP求解问题上具有很高效率.本文在分析了蚁群算法的基本原理和工作机制的基础上,从信息素的更新改进实现对节点重复率的控制,并通过仿真实验实现相关参数的最优选择.实验证明,改进算法可以有效地减少蚂蚁行走的盲目性,提高了蚁群算法在迭代过程中更新TSP最优解的能力.     

基于蚁群优化神经网络的图书馆读者服务评价研究

在提出采用全局搜索策略——蚁群优化算法作为图书馆读者服务评价的神经网络模型的学习算法的基础上,阐述了蚁群优化神经网络模型的设计思想和实现过程,并结合实例分析验证了所提方法的可行性和有效性。     

蚁群算法优化和路径规划问题的应用研究

基于智能仿生计算的蚁群优化算法在路径规划问题中具有较好的应用前景,通过蚁群算法优化,实现机器人路径规划和应急救援的路径规划等。传统的基于蚁群算法的路径规划在信息素转换中容易导致信息丢失,产生局部收敛,提出一种基于信息素多目标Pareto支配的蚁群优化算法实现路径规划,利用信息素多目标Pareto集合序列的均匀遍历特性和逻辑差分变尺度特征,进行变尺度搜索,根据蚁群优化算法一次次地更新搜索空间,结合负反馈机制,通过蚂蚁的信息素转化进行路径分析,采用Pareto支配集记录下最优的食物源,蚁群在寻找食物过程中,避免了局部寻优和局部收敛,仿真结果表明,采用该算法进行蚁群优化后的路径规划避障效果较好,以较快的收敛速度和较少的迭代次数找到最优路径,收敛性好。     

基于蚁群算法的物流配送路径优化

物流配送路径优化是个复杂的强约束优化问题,该问题的解决对降低配送成本有重要意义。本文将近年新出现的蚁群算法应用于物流配送的路径优化问题,设计了求解物流配送路径优化问题的蚁群算法。通过对应用实例的仿真计算,结果表明该方法对物流配送路径优化是实用和有效的。为解决物流配送路径优化问题提供了一种新的随机搜索寻优的有力手段。     

基于蚁群和粒子群优化的混合算法求解TSP问题

提出了一种基于蚁群和柱子群优化的混合算法用来求解TSP问题。利用柱子群优化对基本蚁群算法中启发式因子α及β进行改造和随机搜索,从而得到两个参数的最佳组合值,实现TSP问题的求解。模拟实验结果得到了最优路径的解,达到了预期的效果,具有很好的推广应用价值。     

基于人工免疫-蚁群混合算法的WSN路径优化研究

人工免疫算法（AIA）是借鉴人体免疫机制提出的一种智能算法,它具有快速随机的全局搜索能力,但不能有效利用系统的正反馈信息,往往会做大量的冗余迭代,降低了求解效率;而蚁群算法具有分布式并行全局搜索能力,但由于初期信息素匮乏,求解速度低。基于这两种智能算法的优劣势,提出的AIAC算法充分利用了AIA的快速性和全局收敛性产生初始解,再利用蚁群算法提高求解效率,在Matlab上取得了较好的仿真效果。