蚁群优化算法的研究与改进

本文通过对蚁群优化算法进行分析,提出影响蚁群优化算法收敛性、解质量和算法稳定性的几个关键问题是:下一个结点的选择、局部信息素更新的必要性和参数的选择.文中采用不同的方法解决这三个关键问题并且将算法应用到TSPs,实验结果与几个改进算法相比具有一定的优越性.本文进一步在蚁群优化算法中嵌入局部搜索方法,通过实验说明,算法的求解速度和最优解的质量都得到明显改善,算法的稳定性也明显提高.     

基于改进蚁群算法的供水管网优化计算

【目的】以供水特点为基础建立相应的数学模型,优化选择供水中的管网路径。【方法】利用改进的蚁群算法,对供水管网进行优化选择,在选择策略上,以初始节点引入的虚拟路径距离为基础,对启发信息进行归一化处理,并利用全局策略进行优选节点的概率选择;在更新策略上,利用信息素的局部和全局更新,并结合蚂蚁数量自适应调整及增加随机干扰进行改进;最后以巴家咀水库为对象,利用基本蚁群算法和改进蚁群算法进行优化计算并比较。【结果】利用改进的蚁群算法进行计算时,所得的平均路径、最短路径、最差路径、平均迭代次数和总成本分别为139.635 5km、138.214 7km、142.301 9km、314次和11.32亿元,而基本蚁群算法分别为145.042 1km、140.582 7km、149.215 5km、638次和11.51亿元,改进蚁群算法各项计算指标均优于基本蚁群算法。【结论】改进的蚁群算法可以提高全局搜索能力和收敛速度,能快速有效地获得供水路径的最优解或近似最优解,可以为管道供水路径的优化选择提供参考。     

蚁群算法解决TSP问题的研究

蚁群算法是一种用于解决复杂问题的新的启发武算法，它是通过信息素的积累和更新收敛于最优路径上，隶解速度慢，而遗传算法具有快速随机的局部搜索能力。将遗传算法和蚁群算法融合，给出一种求解TSP问题的改进的算法。     

结构可靠度分析的一种改进蚁群算法

基本蚁群算法存在过早收敛、容易陷入局部最优解等问题。引入信息熵H,通过控制信息熵的值来改进参数τ,从而对基本蚁群算法进行改进,并使用改进后的蚁群算法来求解可靠指标,对结构体系进行更为准确的结构可靠度研究,以提高结构可靠度的计算效率与计算精度。将改进的蚁群算法应用于10杆桁架结构,应用结果证明该研究方法具有很强的适用性和有效性,为研究大型复杂结构的可靠性问题提供了一种新的方法。     

基于平均值的混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢,容易陷入局部最优的问题,提出了基于平均值的混合蛙跳算法.该算法将基本蛙跳算法中子群的平均值,通过2种不同的更新策略分别引用到混合蛙跳算法的局部搜索中,对算法的更新策略进行了适当改进,以期提高混合蛙跳算法的局部搜索能力.结果表明:更新策略1将子群的平均值与局部更新策略相结合,使算法在搜索过程中加快搜索速度,提高了局部搜索能力;更新策略2则通过采用自适应概率随机将子群的平均值取代子群部分最优个体进行策略更新,使算法在局部搜索时提高了寻优能力,有效的避免算法陷入局部最优.通过对5个测试函数进行优化,并同基本混合蛙跳算法和文献中改进的算法进行比较,结果表明:该算法可以有效的避免局部搜索过早收敛,具有较好的优化性能.     

改进蚁群算法在果蔬采摘机器人路径规划中的应用

果蔬采摘机器人如何在复杂多变作业环境中,特别是多丘等特殊地理面貌中,能够快速选择最佳路径实现安全避障完成作业任务,就涉及到果蔬采摘机器人路径规划问题。针对基本蚁群算法(Traditional Ant Colony Algorithm,TACO)搜索效率低、易陷入局部最优及易出现早熟收敛等缺陷,提出一种基于改进蚁群算法(Improved Ant Colony Algorithm,IACO)的果蔬采摘机器人路径规划方法。首先,采用栅格法建立4种不同规格环境模型;其次,为缩减路径搜索初期时间消耗、加快搜索速度和扩大全局寻优能力,综合考虑搜索路径上当前节点、下一节点和目标节点间的几何关系,设计新的启发函数因子,并在此基础上对状态转移规则进行改进;为保留每次循环最优路径的信息优势,增加路径选择多样性和改善算法收敛性能,通过引入精英策略和信息素局部与全局相结合的更新策略对信息素更新规则进行改进。最后,通过与其他算法仿真试验结果比对分析,证实改进算法在解决复杂特殊地理环境下果蔬采摘机器人最优避障路径规划具有有效性和优越性。     

基于改进的粒子群和蚁群算法的高光谱森林聚类研究

高光谱图像分类可分为监督分类与非监督分类,聚类分析进行非监督分类是一种现今比较受研究者广泛关注的技术.粒子群算法具有自适应、自组织性、可同时进行局部和全局搜索等特点;蚁群算法通过智能个体间不断进行信息交流和传递,具有较强的发现最优解的能力.提出一种基于改进的粒子群和蚁群算法的高光谱图像聚类方法,设计其模型并将其应用在森林类型分类问题上,提高分类精度,减少人工干预.以吉林省汪清林业局为研究区,通过修改粒子群的惯性系数,得出最优解集,然后利用蚁群寻优的过程对阔叶林、针叶林、混交林、水体进行聚类分析,区分精度达到85％证明,该方法能较好地识别森林类型.     

基于蚁群算法的智慧旅游路线规划方案分析

为了改善传统的旅游路线规划费时费力、用户体验感较差的现状,基于科技力量的智慧旅游路线规划应运而生,提出一种基于蚁群算法的智慧旅游路线规划方案。首先通过描述蚁群算法的基本原理,改善基本的蚁群算法花费时间长、容易陷入死局的缺点,对基本的蚁群算法进行改进,与基本蚁群算法相比,增加了搜索范围集中化阶段、实时更新信息素阶段、信息素回滚机制阶段。然后以旅游花费更少的钱、得到最大最舒适的旅游体验为目标,将费用目标、体验感目标进行综合,建立了基于蚁群算法的旅游路线规划模型,并利用改进的蚁群算法对规划模型进行求解。最后将模型应用于实际案例中,通过计算分析得到符合要求的最优旅游路径。     

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。     

一种改进蚁群算法的研究

从基本蚁群算法出发,基于TSP(travelingsalesmanproblem)的邻域结构,提出了一种改进的优化算法,给出了具体的算法步骤。该算法采用2-opt和3-opt作为混合邻域结构,可以有效克服基本蚁群算法收敛速度慢和易于陷入局部最优解的弊病。针对TSPLIB中的krob100,EIis51和CHN144问题的计算结果表明,该改进算法具有良好的效果。     

一种改进蚁群算法的研究

从基本蚁群算法出发,基于 TSP(traveling salesman problem)的邻域结构,提出了一种改进的优化算法,给出了具体的算法步骤。该算法采用2-opt 和3-opt 作为混合邻域结构,可以有效克服基本蚁群算法收敛速度慢和易于陷入局部最优解的弊病。针对 TSPLIB 中的 krob100,Elis51和 CHN144问题的计算结果表明,该改进算法具有良好的效果。     

一种改进的极值动力学优化算法

针对基本的极值动力学优化算法容易陷入局部最优解、数值寻优能力较差甚至不能寻优等缺点,提出一种带柯西变异的基于种群的极值动力学优化算法。改进后的算法不仅具有局部搜索能力还具有全局搜索能力,同时提高了收敛速度和精确度。     

基于2-Opt的MMAS算法解决TSP问题研究

蚁群算法解决TSP问题时的收敛速度慢、易陷入局部最优。提出了一种基于2-Opt的MMAS型蚁群算法,MMAS可以有效地提高收敛速度,在陷入局部最优后,利用2-Opt搜索算法对局部最优路径进行调整,提高了发现更优路径的可能性,且2-Opt算法简单、易于实现。实验证明,改进后的蚁群算法在收敛速度的提升和更优路径的发现能力上都得到了较大提高。     

一种引入反向搜索机制的果蝇优化算法研究

针对基本果蝇优化算法求解复杂优化问题时全局搜索能力差,种群多样性偏低等问题,提出一种引入反向搜索机制的果蝇优化算法（RFOA）。该算法通过在搜索趋于停滞时计算果蝇个体和进化方向的夹角,挑选出一批和进化方向相反的果蝇个体并利用这些个体去探索新的最优解,从而跳出局部最优。通过标准测试函数进行仿真测试,实验结果证明,解决部分较为复杂的优化问题时,RFOA相比其他改进算法可以更有效地避免早熟收敛,加快收敛速度,提高收敛精度。     

基于最大最小蚁群算法的智能装载方法

三维装箱问题在现实生活中有着广泛的应用,是具有复杂约束的组合优化问题,理论上属于NP-hard问题。针对贪心算法通常得到的是局部最优解以及基本蚁群算法存在不足等问题,本文首先给出了启发式装箱规则,然后结合最大最小蚁群算法对装载顺序进行优化,提出了一个求解三维装箱问题的混合蚁群算法,最后通过实验对比验证了该算法的有效性和优越性,并给出了三维效果展示图。     

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。     

协同多目标攻击空战决策的启发式粒子群优化算法

利用协同多目标攻击战术的特定知识，并结合粒子群算法，提出了一种用于空战决策的启发式粒子群算法。该算法利用粒子群算法对解空间探索能力强，容易跳出局部最优陷井及启发式算法局部搜索能力强的优点，快速、高效地对全局最优值进行搜索。该算法通过求解友机导弹对目标的最优分配来确定空战决策方案。仿真实验结果表明。本文算法对最优空战决策方案的搜索性能明显优于普通粒子群算法及其他两种遗传算法。     

基于改进蚁群算法的易腐农产品配送路径规划研究

为了使易腐生鲜类农产品在复杂交通环境能够快速找到最优移动路径,进行考虑包括时间、油耗、罚没成本等因素在内的多目标配送,从而对综合成本与新鲜度保障进行平衡,提出了在传统蚁群算法的基础上改进转移规则,并加入含时间启发因子的影响函数。通过算例仿真,证明了改进蚁群算法的有效性和合理性,其降低了复杂程度,优化了传统蚁群算法容易陷入局部最优的问题,提升了迭代运算的收敛速度,同时降低了配送的综合成本。     

基于改进的蚁群算法求解多目标生鲜农产品车辆路径

针对考虑价格折扣的带时间窗的生鲜农产品车辆路径问题,用准时到达率和准时到达量表示客户服务质量,建立了以成本最低、服务质量最大和碳排放最少为目标的数学模型。并设计了一种改进的蚁群算法,即在启发因子中加入需求量和时间窗跨度因素,将目标权重加入到信息素的更新策略中,在完成一次迭代后再进行信息素的更新,加快了求解速度、提高了目标准确度,防止了最优解的局部优化。测试算例的结果表明:求解多目标生鲜农产品车辆路径问题时,与基本蚁群算法相比,改进的蚁群算法具有收敛速度快、目标准确度高等优点。     

基于遗传思想的改进粒子群优化算法

传统的粒子群优化算法(Particle Swarm Optimization,PSO)在解决有关离散优化的问题时,容易发生早熟收敛,陷入局部最优等现象,从而得不到最优解。为了克服这种现象,提出了一种基于遗传思想的改进PSO算法:利用繁殖法更好的搜索粒子的空间,经过繁殖后的粒子可以更好的从局部最优逃离,并对经典的测试函数进行了测试。测试结果表明,与传统的PSO算法相比,改进算法的寻优效果较好,不仅能加快收敛速度,而且能找到同样甚至更好的解。