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。     

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。     

蚁群优化算法研究

由传统的蚁群优化算法入手,介绍了蚁群优化算法的基本原理以及在TSP问题中的应用,分析并总结了蚁群算法在信息素更新、路径构造等方面的改进方法。     

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。     

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。     

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。     

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。     

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K均值聚类改进的蚁群算法研究

蚁群优化算法(ACO)在求解TSP(traveling salesman problem)问题时,其算法的时间复杂度为O(m·n2·t)(其中t表示循环次数,n为城市数,m为蚂蚁数),搜索时间比较长。利用K-means聚类的方法得到多个类,每一个类都看作是一个小的TSP问题,然后在每个类内部和类之间利用改进的蚁群算法寻找最优路径,通过实验仿真,验证了此方法不但能提高解的精度,而且还加快了运行速度。     

基于改进蚁群算法的分类规则挖掘

数据分类是数据挖掘中的一个重要课题,研究各种高效的分类算法是数据挖掘的重要问题之一.本文将蚁群算法与分类规则抽取问题相结合,提出了一种基于蚁群算法的具有自适应和变异杂交特征的分类规则挖掘方法,自适应地调整信息素增量,在规则构造中进行杂交变异,有效地节省了计算时间,并优化了生成的分类规则.实验结果表明:该算法可以有效克服停滞,提高搜索效率,有效地挖掘出简洁分类规则.     

基于改进蚁群算法的灭火机器人路径规划研究

提出一种适用于灭火机器人避障路径规划的改进蚁群优化算法,采用自适应更新策略的方法规划最佳避障路径,建立了简洁、严谨的蚁群优化算法函数,以达到对灭火机器人避障路径的优化.这种方法能够使灭火机器人在未知环境寻找火源时有效避开障碍物并且使机器人所走路径最短,所用时间最少.经实验证明了该方法的可行性和有效性.     

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.     

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。     

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。     

基于改进蚁群算法的农业运输车辆路径优化研究

针对农产品在运输过程中运输时间长易变质等问题,合理规划果蔬运输车辆的配送路径。在基本蚁群算法的基础上,提出适合求解路径规划的改进型算法,同时提出了自适应调整的方案,提高跳出局部优解的能力以及算法的全局收敛性。仿真试验结果验证了改进型算法的可行性和高效性,从而达到运输车辆路径优化的目的,为提高农产品的运输效率、降低成本、提高收益提供了理论依据。     

基于一种蚁群优化算法的农业WSN路由节能研究

事件驱动型的无线传感器网络在农业生产中进行信息采集时,针对节点能量均衡和局部网络控制,提出了基于簇的多路径蚁群路由算法(CBACO).算法根据局部网络节点分布情况以及自身能量情况,利用信息素能量更新模型,动态选择最优路径,降低节点间通信消耗.利用Matlab仿真表明该算法能有效减少节点能耗,延长网络生命期.     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。     

一种求解饲料配方问题的蚁群优化算法

文章分析了饲料配方问题现有的求解策略,在常规蚁群系统基础上,给出了蚂蚁在连续空间寻优时的多种具体移动策略,提出了一种用于求解约束化问题的自适应移动策略连续空间蚁群算法,通过设定的收敛因子,来自动调节蚂蚁的移动策略,加快了收敛的速度,同时也避免了早熟的产生。结果表明,该算法在求解饲料配方问题上具有更强的求解能力。     

基于改进蚁群算法的联合收割机调度路径优化

为缓解收割机在收获季节供不应求的局面,实现联合收割机在收割中的高效率、低成本和高收入。通过对影响收割机调度的多种因素进行分析,建立联合收割机调度的数学模型。针对基本蚁群算法易陷入局部最优解、收敛速度慢等缺点,引入节约矩阵,并对不同搜索时段采用不同的信息挥发因子,最后通过局部搜索策略2-opt法搜索最优解的方法改进基本蚁群算法,对模型进行求解。仿真结果表明,改进后的蚁群算法性能优良,且可降低调度成本,能够有效解决联合收割机在农忙时节的使用问题。     

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。