蚂蚁网络中后效问题的研究

蚂蚁网络算法(简称蚂蚁算法)是通讯网络的一种新型路由算法。在算法中，智能体通过使用它们在探测网络时收集的信息进行间接的、不同时的交流，来修正传输数据包所需的路由表中的信息：但是，由于网络中存在了大量的智能体且与数据包分享相同的队列，使得网络的局部信息不能更快的反映到路由表中去，不能很好的解决后效问题。本文对蚂蚁算法中智能体的优先权进行了改进，并在OMNeT 仿真平台上加以实现。仿真结果表明本文的模型通过对优先权的改进，使得网络中的信息传播更加迅速，整个网络的吞吐量得到了提高。     

蚁群算法及其在TSP中的应用

根据蚂蚁生态学提出的蚁群算法是一种新颖的用于求解复杂组合优化问题的模拟进化算法,具有典型的群体智能特征,表现出较强的学习能力和适应能力。阐述了该算法的基本原理、算法模型和在旅行商问题中的具体应用过程,并对算法进行了总结和展望。     

基于有向搜索的蚁群算法及其仿真

为了解决蚁群算法收敛速度慢和易陷入局部最优的问题,提高算法在连续空间中的寻优能力,本文提出了一种基于有向搜索的智能蚁群优化算法。该算法使转移概率较大的蚂蚁个体在解空间中进行局部有向变步长搜索,有效地避免了算法陷入局部最优,缩短了搜索时间,在寻优精确度取得了很好的效果。通过仿真验证了算法的有效性     

基于可测性测度的蚂蚁路径ATPG算法

电路集成度和复杂度的不断增加使得电路的故障诊断越来越困难。该文在蚂蚁路径ATPG算法的基础上,引入了电路设计中的可测性分析理论,以四值动态代价分析方法(FDCM)作为蚂蚁路径搜索过程中的智能引导启发函数,实现了对原型算法的加速,并通过实验验证了该算法的良好性能。     

复杂生产调度与蚁群算法

蚁群算法（Ant Colony Optimization,ACO）,又称蚂蚁算法,是一种用来在图中寻找优化路径的几率型算法。它由Marco Dorigo于1992年在他的博士论文中提出,其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。     

科学沙龙

蚂蚁的创业智能一只蚂蚁搬食物往回走时,如果碰到下一只蚂蚁,它会把食物交给它,自己再回头,碰到上游的蚂蚁时,再把食物接过来,交给下一只蚂蚁。这一模式专家们称为弹性分工。     

来自蚂蚁的灵感:无智能协作式机器人

加拿大机器人专家从蚂蚁的行为中获得灵感,并称一队无智能的机器人不进行相互通信即能完成复杂的工作。未来这样一组物美价廉的机器人既可以帮助人类在火星上建立基地,也可以帮助人们进行剪除草坪的工作。加拿大艾伯塔省的埃德蒙顿研究中心的机器人专家RonaldKube说蚂蚁在合作搬运树叶等大件食物时,会表现出无通信行为,他称其正在用一组工业机器人模仿这种分布式的智能。Kube说,如果观察某一个蚂蚁,它的行为看起来是混乱的,有时候甚至起相反的作用,但是蚂蚁做为一个群体,尽管缺乏中央控制,仍表现出一种智能的形式。机器人专家对…     

一种防震荡的机器人路径规划算法

移动机器人路径规划问题中,当机器人遇到较大障碍物时容易出现震荡现象,文章针对该问题提出一种基于栅格模型和蚁群算法的路径规划算法。当蚁群中的蚂蚁没有遇到障碍物时,优先选择离目标点最近的可行点;当蚂蚁遇到障碍物时,特别是较大障碍物时,改变蚂蚁选择下一步栅格的策略,使之能尽快绕开障碍物,朝着目的地前进。最后的仿真结果显示该算法能在一定程度上消除震荡现象。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法进行机器人路径规划时存在搜索空间大、效率低、容易陷入局部最优解、易出现死锁现象等问题,提出了一种改进的蚁群算法。在蚁群算法基础上,只对较优蚂蚁路径进行信息素浓度更新|针对U型障碍物,提出了蚂蚁回退策略,以及一些仿真实验策略改进。仿真结果表明：改进后蚁群算法能快速搜索到最优路径,有效避免死锁现象,与其它算法相比,具有良好的路径寻优能力与避障性能。     

改进蚁群算法在大学排课问题中的研究与应用

针对传统蚁群算法在处理大学排课问题时易陷入局部最优的不足,提出了一种改进蚁群算法,该算法通过引入具有混合行为的蚂蚁来扩大解搜索空间,避免早熟和停滞现象。实验结果表明,改进后的算法可以明显改善排课问题的求解质量。     

基于蚁群算法的工期-成本问题的优化

利用工程中的具体实例,阐述了蚁群算法在工程项目工期-成本问题的应用.利用MATLAB语言编制了蚁群算法程序,以一数值算例,详细说明了蚁群算法应用于工程项目工期-成本问题的具体方法.结果表明,蚁群算法具有较高的全局最优搜索能力和搜索效率,非常适用于工程网络计划的工期成本优化问题.     

探讨惠州智能网在SCP 平台上的实现

本文利用智能网的原理结构, 对惠州市通信网络状况的实际情况进行了系统分析,并基于SCP 平台进行了设计, 提出了比较优化的设计模型及实例.     

经典人工智能算法综述

人工智能算法繁多,但经得起实践考验的经典算法有限,常见的有朴素贝叶斯、决策树、逻辑回归、支持向量机、深度学习、强化学习、遗传算法、蚁群算法、元学习等。依据人工智能算法理论基础知识,如概率统计、集合论、空间几何、图论、矩阵论等加以分类,并对相应经典人工智能算法概念和主要应用领域进行概述,去除结构细化和公式展开所带来的复杂感,揭开人工智能的神秘面纱,让算法整体轮廓得以更清晰地呈现。     

改进的蚂蚁遗传混合算法及应用

车间作业调度问题是一个典型的NP-hard问题。分析了蚂蚁算法和遗传算法的特点,就遗传算子、交叉概率和变异概率上对传统遗传算法进行了改进;同时为了加速蚂蚁的搜索效率、减少迭代次数,重构了传统蚂蚁算法的下一个结点选择策略、信息素的局部更新策略,并将改进后的两个算法进行混合求车间作业调度的最优解。试验表明,算法的改进和混合提高了搜索效率及搜索结果的准确性。     

改进蚁群算法在解决TSP问题中的应用

在已知静态环境的条件下,提出一种改进蚁群算法,用以解决基本蚁群算法的收敛速度慢、效率低、易陷入局部最优解等问题。在传统蚁群算法的基础上,首先通过自适应改变挥发系数来使初始时刻的蚁群搜索能力加强、范围扩大,避免陷入局部最优解;其次将轮盘赌算子利用到状态转移规则中,有效地提高了解的质量和算法的收敛速度;最后通过精英选择操作,有效地提高了算法的全局搜索效率和收敛速度。通过对不同TSP实例仿真结果表明:改进后的蚁群算法在较少的迭代次数下得到的解非常接近问题的最优解,验证了该算法的可行性和有效性。     

浅谈旅行商问题与蚁群算法

蚁群算法是继模拟退火算法、遗传算法、禁忌搜索算法、人工神经网络算法等启发式搜索算法之后的又一种应用于组合优化问题的算法。根据蚁群算法的特性,求解旅行商问题,利用仿真实验程序对蚁群求解旅行商问题进行模拟。     

群智能算法及其应用

群智能算法是一种新兴的演化计算技术,它已经成功地被运用于许多领域。实践证明,群智能方法是一种能够解决许多全局优化问题的有效方法。本文介绍了群智能理论的产生和发展过程,并着力阐述群智能理论中的两个主要算法（粒子群算法和蚁群算法）的算法思想以及研究现状。     

论计算智能在证券投资组合中的作用

首先介绍了Markowitz的证券组合理论,其次,介绍了计算智能的主要研究对象,包括人工神经网络、遗传算法、模糊逻辑的特点及在证券投资组合中的应用,提出来将三者结合起来,从而实现优势互补.     

A new algorithm based on metaheuristics for data clustering

This paper presents a new algorithm for clustering a large amount of data.We improved the ant colony clustering algorithm that uses an ant’s swarm intelligence,and tried to overcome the weakness of the classical cluster analysis methods.In our proposed algorithm,improvements in the efficiency of an agent operation were achieved,and a new function "cluster condensation" was added.Our proposed algorithm is a processing method by which a cluster size is reduced by uniting similar objects and incorporating them into the cluster condensation.Compared with classical cluster analysis methods,the number of steps required to complete the clustering can be suppressed to 1% or less by performing this procedure,and the dispersion of the result can also be reduced.Moreover,our clustering algorithm has the advantage of being possible even in a small-field cluster condensation.In addition,the number of objects that exist in the field decreases because the cluster condenses;therefore,it becomes possible to add an object to a space that has become empty.In other words,first,the majority of data is put on standby.They are then clustered,gradually adding parts of the standby data to the clustering data.The method can be adopted for a large amount of data.Numerical experiments confirmed that our proposed algorithm can theoretically applied to an unrestricted volume of data.