遗传算法和蚁群算法融合求解TSP

文章将遗传算法和蚁群算法融合为一体,在此基础上,分别对遗传算法和蚁群算法中的遗传算法中的交叉长度发生变化、种群更新、蚁群算法信息素保留率和信息素自动更新进行了改进。同时给出一种信息素更新模型,最后通过对TSP的51个城市的仿真计算,表明将遗传算法和蚁群算法融合为一体效果较好。     

基于蚁群-BFS算法的复杂环境下农业机器人全区域覆盖研究

目的 以路径重复率为优化目标解决农业机器人在数字生态农场中的全区域覆盖问题。方法 首先,将栅格地图中的障碍物进行膨胀处理,在此基础上进行矩形分区以及分区合并操作;然后,通过改进的蚁群算法规划分区间的遍历顺序、通过改进的广度优先搜索(Breadth first search, BFS)算法规划分区间终点与起点的衔接路径,从而实现机器人全区域覆盖。2种算法的具体改进方案为：分别通过人工免疫算法与粒子群算法改进遗传算法的选择与交叉算子,并将改进后的选择算子、交叉算子、原遗传算法变异算子与蚁群算法相结合改进传统蚁群算法信息素更新方法;建立动态函数以简化BFS算法规划的路径。结果 仿真结果表明,改进蚁群算法收敛时的迭代次数较传统蚁群算法减少了83.1%,路径长度相比减少了4.8%;由改进的蚁群算法与改进的BFS算法规划的机器人遍历路径重复率是传统蚁群算法和BFS算法的56%,且农业机器人能实现对农田区域的100%覆盖。结论 本研究提供了一种农业机器人在复杂环境的数字生态循环农场中进行全遍历覆盖的解决方案。     

一种用于连续寻优的蚁群爬山算法

针对蚁群算法在连续寻优过程初期信息素匮乏、搜索时间长、收敛慢的弱点,对蚁群算法进行改进,并结合爬山算法提出了一种新的蚁群爬山算法.将新的蚁群爬山算法用于求解连续全局优化问题,数值实验证明该算法是可行的、有效的,并且精度和效率优于蚁群算法.     

知识约简的多族蚁群算法

Rough集理论中知识约简是个NP-hard问题，已有的方法都有不同的局限性。受蚁群算法的启发，通过将条件属性集映射到有向图结构，并采用两族群蚂蚁协作共同完成求解，提出了知识约简的多族蚁群算法。采用多族群蚂蚁协作后，改善了一般蚁群算法收敛速度较慢的问题，提高了求解速度。通过实验验证，它是一种非常有效的方法。     

多功能农用机器人路径规划的多种优化算法

针对多功能农用机器人路径规划问题,提出禁忌搜索算法(TSA)、模拟退火算法(SAA)、遗传算法(GA)、蚁群算法(ACO)等4种路径搜索方法。为测试算法实际效果,以4种不同规格环境模型为研究背景,以距离最短、程序耗时最少、收敛代数最小为评价指标,运用Matlab软件对算法规划路径过程进行仿真测试。结果表明,4种算法均能为农用机器人规划出距离最短的优化路径;在作物种植区节点规模较小环境下,与其他3种算法相比,蚁群算法具有较强的全局搜索能力,且不易陷入局部最优;在作物种植区节点规模较大环境下,遗传算法全局搜索能力优于其他算法,可通过增大种群数量和增加收敛代数获取最优路径。     

指派问题的改进蚁群算法研究

指派问题是组合优化问题的一个分支，也是生活中常见的问题。根据指派问题的特点，将效率矩阵的行标看成旅行商问题的城市，提出了一种改进的蚁群算法，仿真试验结果和其他文献结果比较，证明了该改进算法的可行性。     

基于改进型蚁群算法的网格资源分配的研究

通过对基于标准蚁群算法和MMAS蚁群算法的网格资源分配算法的比较和分析,提出了另一种自适应的蚁群算法。通过计算机仿真实验证明,自适应改进型蚁群算法相比于基于标准蚁群算法和MMAS蚁群算法的网格资源分配算法具有更强的搜索全局最优解的能力,同时还具有更好的稳定性和收敛性。     

人工鱼群算法与遗传算法融合求解聚类问题研究

人工鱼群算法(AFSA)是一种新提出的新型仿生优化算法。遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。聚类在数据挖掘、统计学和机器学习等很多领域都有广泛应用。聚类问题实质是一个全局优化问题。将遗传算法中的选择和变异融合到人工鱼群算法,提出一种人工鱼群算法与遗传算法的融合算法,并应用于求解聚类问题,结果该算法保持了AFSA算法简单、易实现的特点,仿真试验取得了较好的效果。     

一种蚁群算法的并行实现

蚁群算法具有较强的鲁棒性和发现较好解的能力,但在求解问题规模较大时,存在收敛速度较慢等缺点。提出了一种蚁群算法的并行实现策略,利用MPI函数库,采用C 语言编程实现,并在曙光4000超级计算机上成功运行。结果表明,并行蚁群算法能明显加快算法的收敛速度。     

引入启发式函数蚁群算法的VRP研究

车辆路径问题是一个NP难题,蚁群算法是求解诸如车辆路径安排问题等组合优化问题的有效工具。分析了蚁群算法在VRP中的应用,提出启发式函数对传统的蚁群算法的改进,对传统蚁群算法进行优化。通过实验对该方法进行检验,实验结果显示,本文提出的算法性能优于传统的蚁群算法。     

基于改进蚁群算法的服务组合研究

在服务计算过程中，服务组合问题是其中关键的技术之一。在原子候选服务数目巨大的情况下，经典的算法一般都是寻找问题的最优解，存在运算量大，运行时间长的缺点，蚁群算法并不是寻找服务组合问题的最优解，而是得到用户能够认同的可行解。为了能够更有效的为用户提供各种服务，在静态的服务组合建立过程中，以服务发现的候选原子服务集合中的服务质量为权重，将服务组合问题分解成一个有向无环图，在组合代价为最小的原则下，采用改进的蚁群算法为搜索方法，迭代一定的次数或者达到用户设定的服务质量为算法的终止条件，找到能够组合为用户需要的原子候选服务集合，进而快速、准确的得到用户期望的服务。     

细菌群体趋药性算法在农产品配送车辆调度中的应用

描述了农产品配送车辆调度中存在的问题,建立了带有时间窗口约束的多目标农产品配送车辆调度模型,提出基于细菌群体趋药性算法的求解方法,仿真结果表明,基于细菌体趋药性算法的结果优于遗传算法,为农产品配送车辆调度问题的解决提供了新思路。     

基于遗传算法的乡级土地利用规划空间布局方案研究

针对乡级土地利用规划中如何将确定的土地利用数量结构方案优化配置到具体的地域空间,以及常规的精确算法求解每次只能产生一个空间布局方案的问题,提出了辅助产生可供选择的乡级土地利用规划空间布局方案的遗传算法。首先根据目标规划原理建立了乡级土地利用规划空间布局问题的数学模型,以最大化布局方案的综合指数及最大化布局方案中每类用地在空间布局上的紧凑度作为目标函数;其次针对该数学模型多目标、非线性的特点,提出了基于遗传算法的求解方法,主要包括编码方法确定、种群初始化、适应度的计算及遗传操作等过程。利用该方法,在北京市平谷区王辛庄镇的土地利用规划空间布局中,得到了多种规划方案,结果表明,遗传算法是一种辅助乡级土地利用规划的有效优化方法。     

基于IGA-GP的BP网络黄河流域需水预测研究

针对遗传算法和BP网络在寻优过程中的不足,将改进的遗传算法(IGA)与遗传编程(GP)相结合,建立了有广泛搜索能力和很强局部精化能力的IGA-GP自动编程算法,将该算法应用于BP神经网络的优化,克服了BP网络寻优过程中收敛速度慢、易陷入局部最优的不足,解决了新训练样本加入对网络稳定的影响。在此基础上,建立了黄河流域需水预测模型;拟合结果表明,该模型具有较高的预测精度。     

一种基于数值遗传算法的求解TSP问题的演化算法

近年来,TSP问题的应用非常广,但当前较成熟的算法大都基于局部优化,而局部优化往往无法求出最优解。研究了一种求解TSP问题的演化算法,该算法兼顾了两父体算子与一元算子的优点,并具有免疫算法的免疫记忆功能,是一个具有较强的选择压力和适应地改变的变化算子的演化算法。与其他遗传算法和免疫算法相比具有收敛速度更快,结果更优的特点。     

基于IOCDGA的模糊目标柔性作业车间调度优化

具有模糊目标要求的柔性作业车间调度，是柔性作业车间调度的扩展，它能够满足生产实际中对成本、生产周期及交货期等多方面指示的要求。与多目标调度相比，它还能够处理非精确指标要求问题，并且可以满足关键零件的特殊要求。为了实现对具有模糊目标柔性作业车间调度优化，提出了一种具有个体优化群体多样性的遗传算法（IOCDGA），以加快收敛速度，避免早熟问题。该算法针对文中的编码方法，定义了群体平均差及熵，用来表示群体的多样性指标。通过多样性指标控制交叉率和变异率，该算法的进化侧重于单个或少数个体达到最优，而不是传统GA中的全部个体均为最优。计算结果表明，该算法可行，并减少了迭代次数。     

A型变尺寸装箱问题之模型及算法研究

消费热点能够引发居民的消费需求是由其特点决定的，这也被改革开放以来的实践所证实。为了更好地培育消费热点，需要揭示培育消费热点的规律。在弄清当前及今后一定时期的消费热点之后，就应该运用科学方法培育这些消费热点。