An adaptive ant colony system algorithm for continuous-space optimization problems

ＩＮＴＲＯＤＵＣＴＩＯＮＡｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｓ (Ｈｅｒｔｚ ,ｅｔａｌ.,2 0 0 0 ) ,ｉｎｖｅｓｔｉｇａｔｅｄｓｙｓｔｅｍａｔｉｃａｌｌｙａｔｆｉｒｓｔｉｎＤｏｒｉｇｏ’ｓＰｈ .Ｄ .ｄｉｓｓｅｒｔａｔｉｏｎ ( 1 992 )ａｓｔｈｅｉｍｉ ｔａｔｉｏｎｏｆｔｈｅｆｏｏｄ ｓｅｅｋｉｎｇｂｅｈａｖｉｏｒｉｎａｎｔｓｏｃｉｅｔ ｉｅｓ,ｈａｖｅａｔｔｒａｃｔｅｄｔｈｅｇｒｅａｔａｔｔｅｎｔｉｏｎｏｆｒｅ ｓｅａｒｃｈｅｒｓｉｎｃｏｍｐｒｅｈｅｎｓｉｖｅｆｉｅｌｄｓｏｆｓｙｓｔｅｍｏｐｔｉ ｍｉｚａｔ…     

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。     

求解1-PDTSP问题的改进蚁群系统

提出了一种解决同类商品集送一体化旅行商问题（1-PDTSP）的改进蚁群系统.首先,根据1-PDTSP问题的特点,对蚁群系统中的信息素初始化和更新规则进行了改进,并采用“最优替换原则”解决停止现象;然后,设计了有载重约束的变量邻域搜索算法,以提高解的质量和加快收敛速度;最后,通过实例验证该算法在求解1-PDTSP问题时的求解质量和稳定性.结果表明：该算法求解质量高,稳定性好.     

基于多目标遗传蚂蚁算法的矢量数据压缩

融合遗传算法和蚂蚁算法,解决了遗传算法由于冗余迭代而导致的压缩效率低和蚂蚁算法由于初信息素匮乏而导致的算法速度慢的缺点.在传统优化算法的基础上引入了多目标的思想,并对蚂蚁算法中信息素进行了改进,将其用于空间数据的矢量数据压缩,在同时满足压缩率高和误差小两个目标时,取得了良好的压缩效果.     

基于改进蚁群算法的物流配送路径问题研究

在蚁群算法中采用新的信息素更新方式,对中小规模的物流配送路径问题进行求解．实验证明,该改进算法具有较好的全局寻优能力,在中小规模的物流配送路径问题求解中,取得了比较理想的效果．     

基于混合算法的汽车零部件物流配送路径优化

针对汽车零部件供应物流,建立循环取货配送路径优化模型,将遗传算法与Max-Min蚁群算法融合,采用遗传算法生成初始信息素分布,利用Max-Min蚁群算法求精确解,并通过实例验证。结果表明,混合算法对于解决供应商数量多、带时间窗限制与碳排放限制的配送路径优化问题,可有效降低车辆取货频次和提高车辆装载率。     

基于改进蚁群算法的QoS约束云任务调度

在研究现有云环境下独立任务和工作流任务调度模型的基础上,提出一种满足QoS约束的部分相关任务调度模型,并改进蚁群算法为每个子群选择信息素更新方法,通过小范围局部优化从而获得整体最优解。CloudSim仿真结果表明,该调度模型具有较高的收敛性和寻优能力,适用于云环境下任务调度。     

基于改进蚁群算法的 AGV 路径规划研究

近年来,自动导引机器人（AGV）一直是研究的热点问题,其中复杂路径规划为研究重点。为了更好地规划机器人路径,提出一种改进蚁群算法,该算法在传统蚁群算法基础上充分利用了 MMAS 算法的特点。首 先,构建网格环境模型,引入算法概率函数和抑制因子,通过改变算法的启发式信息,加快算法收敛速度|其次,引入回退机制解决死锁问题,再将 MMAS 蚂蚁系统转化为局部扩散信息素,只有迭代试验的最优解才能加入到信息素更新中|最后,有效限制信息素浓度,避免发生搜索路径过早收敛现象。仿真实验结果表明,改进蚁群算法与传统蚁群算法相比,迭代次数减少 45.6%,时间缩短 46.2%,改进蚁群算法收敛速度更快、效率更高。     

一种融合加权策略及分布估计的蚁群优化算法

通过对蚁群算法、加权策略、分布估算算法等进行研究和分析,首先提出将加权策略应用于蚁群算法的信息素更新,有效地提高了算法的全局收敛速度,然后将蚁群算法与分布估算算法进行融合,从而避免了由于信息素的正反馈机制而陷入局部最优的问题,仿真实验表明该算法在收敛速度及最优路径求解方面有较好的改进。     

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。     

动态调整信息素的蚁群算法

对蚁群算法提出了一种动态调整信息素的进化策略，以改善和提高算法的性能。不仅能够加快收敛速度，节省搜索时间，而且能够克服停滞行为的过早出现，有利于发现更好的解，这对于求解大规模的优化问题是十分有利的。     

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     

基于双层蚁群优化算法的城市物流配送路径规划

城市物流配送路径规划问题，是配送过程中最重要的问题之一，针对现有各种配送路径规划算法在求解复杂问题时的局限性，提出了基于双层蚁群优化算法的物流配送路径规划新算法，对带有约束条件的配送网络权重模型进行了高效求解．仿真结果验证了所设计算法的实用性和有效性．     

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。     

基于蚁群系统的网格资源分配与任务调度

为了解决基于启发式算法的资源分配和任务调度过程中由于没有考虑任务间的相互依赖关系而出现的任务死锁问题,提出了一种基于蚁群系统的改进算法.首先阐述了如何将分配调度问题映射到任务资源分配图的优化选择问题上和如何将信号量机制引入到最优任务资源分配图中来解决死锁问题.其次说明了基于蚁群系统如何利用网格信息素系统模型实现该算法,涉及任务资源分配图的构造,以及通过蚁群的正反馈和分布式并行计算机制优化任务资源分配图.最后模拟试验结果说明所提出的算法可以有效地解决网格中任务死锁问题.     

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。     

基于蚁群优化和遗传操作的混合方法

尽管蚁群优化算法（ACO）在优化计算中已得到了很多应用,但在进行大规模优化时,其收敛时间过长仍是应用该算法的一个瓶颈．为了确保资源利用完成时间最小化和完成用户指定的最终期限延迟最小化,找到一个优化的调度方法,在计算网格中针对资源分配和调度提出了基于蚁群优化和遗传操作的混合方法．     

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。     

基于改进蚁群遗传算法的排课问题研究

提出了一种以蚁群算法为主,利用遗传算法经过交叉,变异,选择后产生进化的信息素作为蚁群使用的信息素.在遗传算法多次进化效果不明显时,引入模拟退火算法进行跳变的混合算法,使各种算法取长补短,改善了蚁群算法初始阶段运行缓慢和遗传算法局部搜索能力弱的缺点.提高了运行效率,同时运用这种改进的算法对高校排课问题进行仿真,从而比较算法改进的优缺点.     

基于蚁群优化算法的传感器网络能量有效性覆盖机制

提出了一种解决无线传感器网络覆盖问题的能量有效性启发式机制.该机制在节能的前提下,实现了对目标监控区域的完全覆盖,且覆盖精度与目标的重要性级别成正比关系.机制的实现运用了蚁群优化算法,算法的设计过程采用了新颖的启发式因子构造方法和基于评价函数的全局信息素更新规则,由此,人工蚂蚁被赋予了对目标监控区域的覆盖状况和对传感器网络区域能量状况的自适应感知能力,并通过增加优化解集中节点上的信息素量,加速求取最优解的收敛过程.最后,蚁群在迭代优化的基础上构建出解决无线传感器网络覆盖问题的健壮优化解,该优化解能够在能量有效性的基础上具备良好的覆盖有效性和较长的生命周期.