蚁群算法概述

蚁群算法是一种新型模拟进化算法，广泛应用于求解组合优化问题．对蚁群算法的原理、模型的建立及此算法的发展前景进行了剖析．     

蚁群算法在函数优化求解中的应用

蚁群算法是近年来新出现的一种随机搜索寻优算法,该算法为求解复杂的组合优化问题提供了一种新思路,引起了众多学者的研究兴趣。通过在函数优化问题中的应用,说明该算法能有效地避免陷入局部最优,指出了蚁群算法在优化问题中的应用前景。     

基于改进蚁群算法快速求解迷宫路径问题研究

针对传统蚁群算法收敛速度慢、搜索时间长、易陷入局部最优等缺点,在其基础上重新定义信息素更新方式。在搜索路径上进行选择优化处理,对搜索出的最短路径做平滑优化处理,使其能快速有效地搜索出最优路径。在解决迷宫路径问题上对传统蚁群算法进行了改进。仿真实验对比表明,改进后的蚁群算法在求解时间和距离上都远优于传统蚁群算法,能快速有效地求得问题的最优解,使解决二维路径问题得到进一步优化。     

改进遗传—蚁群算法求解多维0/1背包问题

针对传统启发式算法难以平衡求解收敛次数与求解精度问题,通过充分分析GA和ACO两种算法的优缺点,设计了一种改进的遗传蚁群算法。将算法分为上下两步,分别以GA和ACO为主。在GA中引入信息素更新机制连接上下两部分算法|在ACO中引入遗传变异操作尽可能扩大解的范围。同时结合两种算法各自解的继承方式,采用合适的方法分别处理这两部分产生的不可行解。获得解后,通过引入交换邻域的爬山法思想进一步尝试优化解。最终在保证求解精度的前提下,减少求解所需的迭代次数。实验结果表明,在需要保证求解精度的前提下,相比传统GA,该方法的求解效率提高了一个量级。     

蚁群算法的参数优化

分析了蚁群算法及其参数,找到了算法中蚂蚁个数与节点个数的关系,提出了两项参数改进方案--使用自适应调整q0参数和使用精英策略局部更新信息素,对蚁群算法进行优化.通过Matlab仿真试验分析,找出了参数的最佳取值范围,使得新的蚁群算法能以较快的速度找到较优的路径,提高了蚁群算法的效率.     

基于改进蚁群算法的物流配送优化研究

物流配送是物流管理的重要环节,物流配送关系到物流活动的正常开展,因此,物流配送优化成为学术界和企业界的研究热点。而传统蚁群算法由于存在着缺点,所以采用一种改进蚁群算法以改善传统算法的不足。基于改进蚁群算法,构建物流配送模型,求解最优解。通过算例,求得最优解,实现目标函数最小化。结论表明：改进蚁群算法是求解物流配送优化问题的有效方法。     

基于蚁群算法的城市各区域垃圾回收优化

就垃圾回收优化建立模型,利用Dijkstra算法预处理位置数据,再以蚁群算法实现,使模拟结果最短距离为回收真实距离,所得最优回收次序对确定回收路线有参考意义.设计的2个解决方案中,方案一证明了蚁群算法解决城市小区垃圾回收的可行性,方案二实现城市各区域垃圾回收分区回收.     

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.     

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．     

改进蚁群算法求解0/1背包问题

0/1背包问题是一类典型的组合优化问题,并且是NP完全问题。针对0/1背包问题和蚁群算法的特点,设计了一个标志表,使得蚁群算法可以应用到背包问题上。仿真结果表明,改进的蚁群算法在求解0/1背包问题上是相当出色的。     

求解带软时间窗多车场多车型车辆路径问题的一种改进蚁群算法(英文)

考虑实际生活中带多种扩展特征(如多车场、多车型、客户服务优先级、时间窗等)的车辆路径问题应用广泛,建立带软时间窗多车场多车型车辆路径问题的数学模型,并提出一种改进的蚁群优化算法(IACO)求解该模型.首先,根据就近原则将客户分组,并通过扫描算法构造初始路径;其次,通过引入遗传算子并自适应地调整交叉概率和变异概率来提高算法的全局收敛能力,且采用平滑机制来提高蚁群优化算法的性能;最后,采用3-opt策略来提高算法的局部搜索能力.将提出的算法应用在3个随机产生的实例中,仿真表明提出的IACO在收敛速度和解质量两方面都优于现有的3种算法,证明提出的算法是有效可行的,且提出的模型具有一定的实际意义.     

基于蚁群优化的多水平图划分算法

Partitioning is a fundamental problem with applications to many areas including data mining, parellel processing and Very-large-scale integration (VLSI) design. An effective multi-level algorithm for bisecting graph is proposed. During its coarsening phase, an improved matching approach based on the global information of the graph core is developed withits guidance function. During the refinement phase, the vertex gain is exploited as ant’s heuristic information and a positive feedback method based on pheromone trails is used to find the global approximate bipartitioning. It is implemented with American National Standards Institute (ANSI) C and compared to MeTiS. The experimental evaluation shows that it performs well and produces encouraging solutions on 18 different graphs benchmarks.     

Multi-group ant colony algorithm based on simulated annealing method

To overcome the default of single search tendency, the ants in the colony are divided into several sub-groups. The ants in different subgroups have different trail information and expectation coefficients. The simulated annealing method is introduced to the algorithm. Through setting the temperature changing with the iterations, after each turn of tours, the solution set obtained by the ants is taken as the candidate set. The update set is obtained by adding the solutions in the candidate set to the previous update set with the probability determined by the temperature. The solutions in the candidate set are used to update the trail information. In each turn of updating, the current best solution is also used to enhance the trail information on the current best route. The trail information is reset when the algorithm is in stagnation state. The computer experiments demonstrate that the proposed algorithm has higher stability and convergence speed.     

基于蚁群算法的医用服务机器人路径规划方法

机器人路径规划问题是机器人学的一个重要研究领域，主要研究机器人依据某个或某些优化原则，在其工作空间中找到一条从起始点到目标点的能避开障碍物的最优路径。国内外学者对此作过大量的研究，主要采用的方法有局部的人工势场法(Artificial Potential Field)和遗传算法(cene     

一种求解不等式约束优化问题的新算法

针对基本遗传算法收敛速度缓慢现象，提出了基于多父体杂交和按较差个体顺序变异的改进策略，从而加快收敛速度，提高了算法性能，通过验算表明，改进后的算法，能够迅速找到全局最优解。     

基于蚁群算法的仿生模式识别神经网络构造方法

仿生模式识别神经网络（BPRNN）同传统BP、RBF神经网络相比具有更好的模式识别能力;训练样本库变更后网络的重新训练时间更小,但该网络构造过程中样本覆盖几何体参数的选择对网络识别率和复杂度有很大影响.本文通过引入蚁群算法来构造并优化网络参数,实验证明该算法法能较好的平衡网络性能和复杂度.     

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。     

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

Ant colony algorithms comprise a novel category of evolutionary computation methods for optimization problems, especially for sequencing-type combinatorial optimization problems. An adaptive ant colony algorithm is proposed in this paper to tackle continuous-space optimization problems, using a new objective-function-based heuristic pheromone assignment approach for pheromone update to filtrate solution candidates. Global optimal solutions can be reached more rapidly by self-adjusting the path searching behaviors of the ants according to objective values. The performance of the proposed algorithm is compared with a basic ant colony algorithm and a Square Quadratic Programming approach in solving two benchmark problems with multiple extremes. The results indicated that the efficiency and reliability of the proposed algorithm were greatly improved. Project (No. 9845-005) supported by National High-Tech. Research & Development Plan, China