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。     

基于蚂蚁算法的供应链二级分销网络优化研究

在综合考虑各种费用要素的基础上，提出了供应链二级分销网络优化模型，该模型较以往模型的不同之处在于，此模型更适合于多产品、多工厂、多客户的大型网络，建立起的模型属于一类选址-分配问题，文章采用遗传算法对其进行求解，从中选出预建立的分销中心，然后采用蚂蚁算法对建立起的二级网络优化运输路线，从而使得总成本更小，文章中用具体的例子进行了仿真，验证了优化模型的正确性和算法的有效性。     

基于DWT的遗传矢量量化图像压缩编码研究

将遗传算法应用于小波变换与矢量量化技术相结合的图像压缩编码中,提出了基于DWT和遗传算法的矢量量化图象压缩编码算法.研究表明,在相同压缩比下,这种算法较其它算法能更好地改善图像的质量.     

蚂蚁算法在IP路由中的应用

在移动IP通信过程中,数据包需要经过网络中多个指定的节点,以保证节点的移动性;同时移动IP以其独有的特性和特点要求使用一种不同于固网的路由方案以保证移动节点的代理切换时延尽可能小。基于具有很强的随机性和自适应性的蚂蚁算法,将网络的容量限制、流量变化和最短距离结合起来,通过在找到的最短路径上设置障碍物来模拟网络拥塞,找到源结点。目的结点的多条最优路由序列,以便在实际中实时地、自适应地进行动态路由选择。     

基于核心路由器的蚂蚁算法在大规模网络中的应用

蚂蚁算法在大规模网络寻找最优路径速度较慢,无法对最优路径进行数据流量控制。本文提出基于核心路由器的蚂蚁算法,通过从网络的各个核心路由器出发并行寻找最优路径,可以加快寻找最优路径的速度,并且能根据网络状况自动分流数据,这样可以保证网络的服务质量。     

蚁群算法的原理及其应用

蚁群算法是优化领域中新出现的一种仿生进化算法。该算法采用分布式并行计算机制,具有较强的鲁棒性;但有搜索时间较长,易陷入局部最优解的缺点。本文首先讲述蚁群算法的来源和基本原理,然后讨论蚁群算法的几种改进策略,并简单介绍近年来蚁群算法在许多新领域中的发展应用,最后对今后进一步研究的方向作了展望。     

基于改进蚂蚁算法的IP over ATM下多路径选择

随着网络多种业务的发展,人们对服务质量(QOS)提出了很高的要求,IP over ATM技术将成为未来网络的主流,但这加大了路由选择的复杂性.传统的蚂蚁算法虽然能较快地找到一条最优路径,但是容易造成该路径上的拥塞,而且无法解决这一状况.可对多路径改进的蚂蚁算法进行改进,当最优路径处于拥塞状态时,该算法将绕过处于拥塞的节点重新搜索新的"次优"路径对原最优路径分流,这样既保证了服务质量,又达到优化路由选择的目的.     

基于改进哈夫曼编码的数据压缩方法研究

作为一种无损压缩编码方法,哈夫曼编码在数据压缩中具有重要的应用。经典的哈夫曼编码是在构造哈夫曼的基础上自下而上进行的,通过分析哈夫曼算法的思想,给出了一种改进的哈夫曼数据压缩算法。该算法利用队列结构,从哈夫曼的根节点出发,向叶子节点进行编码,在编码过程中仅将哈夫曼树的每个叶子节点进行一次扫描便可以得到各个叶子节点的哈夫曼编码。实验表明,改进算法不仅压缩率高于以往算法,而且保证了最终生成的压缩文件的安全性。     

基于遗传退火算法的关联规则挖掘

把模拟退火算法具有全局平衡的特性引入到遗传算法中来,避免了遗传算法收敛性慢以及容易陷入早熟的特点,提出了一种基于遗传退火策略的关联规则挖掘模型。实验结果表明,与遗传算法相比,改进的算法更能有效挖掘大型数据集中的关联规则。     

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。     

蚁群算法优化——基于局部信息素更新

由于常规蚁群算法容易陷入局部最优,出现停滞现象等问题,本文采用了城市选择策略,局部信息素更新策略,最优解预测策略和局部优化策略对蚁群算法进行优化改进,提出了基于局部信息素更新的思想。并通过一些TSP问题对改进的蚁群算法进行验证。实验结果表明改进后的蚁群算法在求解一些TSP问题上可以得到比目前所了解的最优解更满意的解。     

基于蚁群算法的混合属性数据集聚类分析

在现有蚁群算法的基础上,加入公式改进、半径递增、短期记忆、空间分割等策略,同时采用一种距离测度函数将数值特征与类属特征相结合,实现了混合属性数据的聚类.仿真实验表明,新算法能加快聚类速度,得到较好的聚类结果。     

蚁群算法研究综述

研究分析了基本的蚁群算法原理，主要介绍了蚁群算法的发展历史和特点，综合了近期关于蚁群算法研究。在阐述了蚁群算法的研究现状基础上，最后指出了它的优点和问题，对蚁群算法推广应用具有重要意义。     

蚁群算法的原理及其改进

蚁群算法来源于对蚂蚁群体搜索行为的追踪研究,其基于信息素的正反馈特性有助于快速找到最优解。但蚁群算法也有不足之处,主要表现在当问题规模较大时,容易陷入局部最优化从而导致算法过早停滞。本文以旅行商(TSP)问题为基准,介绍了蚁群算法的原理,然后讨论了三种改进策略,主要表现在对其关键因子———信息量增量进行调整,这些改进策略有效地改善了蚁群算法过早停滞的现象。     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想,该算法首先利用蚁群算法的较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,再进行K-均值聚类弥补蚁群算法的不足。两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的蚁群聚类算法分析。     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想。该算法首先利用蚁群算法较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,进行K-均值聚类弥补蚁群算法的不足。两者的有机结合可以寻求到具有全局分布特性的最优聚类,实现基于改进的蚁群聚类算法分析。     

基于优化蚁群算法的分类规则挖掘算法

蚁群算法已被广泛用于各种优化组合问题,优化蚁群算法动态调整信息量更新策略和路径选择概率,可在加速收敛和防止早熟、停滞现象之间取得平衡.本文将此算法应用到分类问题,提取分类规则.实验表明该算法能较好地完成分类规则的挖掘.