求解矩形件优化排料蚁群算法

介绍了一种使用蚁群算法求解矩形件优化排料问题的新方法。矩形件优化排料问题可以用与或树来描述，这样有关的优化问题就变成寻找一棵面积比率最大的二叉树，用蚁群算法实现这种树搜索，是把一定数量的蚂蚁分布在与或树的根节点，蚂蚁间通过使用信息素相互交流，完成从与或树到二叉树的选择，从而得到矩形件优化排料问题的优化解。     

Ant-Q算法在矩形件优化排料中的应用

矩形件优化排料问题是一类具有NP完全难度的组合优化问题,该优化问题可用与或树描述,即把矩形件优化排料问题变换为寻找一棵面积比率最大的二叉树问题.使用Ant-Q算法能够有效实现这种树搜索,从而求得矩形件优化排料问题的优化解.     

多种群蚁群算法在多目标优化中的研究

本文针对多目标优化问题提出了一种多种群蚁群算法,按照目标函数的个数建立蚁群种群数,在各个种群搜索过程中,创新性的引入了种群间的全局信息素更新和局部信息素更新,既提高算法对pareto解的搜索效率又避免了陷入局部最优,并针对多目标优化问题进行了仿真,证明了算法的可行性。     

基于非等值初始量蚁群算法的矩形优化排料

为提高矩形排料的板材利用率并节约求解时间,提出了非等值初始量蚁群算法,并应用于矩形优化排料问题。在蚁群算法初始信息素量赋值过程中引入矩形面积和长宽比因素以增大各矩形初始信息素的差别,加快算法收敛速度;同时对传统蚁群算法的信息素更新规则作适当改变,以便于信息素快速更新,缩短求解时间。采用改进的最低水平线法作为排料方法,能充分利用已产生的闲置区域,减少板材浪费。对比实验的结果表明,与传统蚁群算法和其他几种典型算法相比,本文算法能进一步提高板材利用率,且求解时间较短。     

求解聚合组播问题的多种群蚁群优化算法

传统的IP组播技术使用树状结构传递组播分组,要求树上的路由器为每个组保存一个转发状态,这样当网络上并发的组播组过多时会面临着组播状态扩展性问题。最近提出的聚合组播技术强迫多个组播组使用一棵共享的组播树来解决这个问题,这是一个NPC问题。提出一种基于多种群的蚁群优化算法来求解聚合组播问题。每个种群根据使用模型的不同使用不同的适应度函数、不同的启发式信息和不同的解构建过程,也就产生了不同的搜索轨迹和特点。算法设计了种群之间的交换整个信息素表和交换最优迭代解的两种信息交换方式。仿真结果显示,两种方法都能够取得比任何一种单独算法更好的优化效果,提高了算法的收敛时间。     

融合蚁群算法和遗传算法的矩形件排样问题研究

提出融合蚁群算法和遗传算法来求解矩形件排样问题.考虑到蚁群算法和遗传算法各自的优缺点,该融合算法前阶段采用遗传算法获得排样问题的部分优化解,把它作为蚁群算法的初始信息素分布,后阶段利用蚁群算法求得最优排样序列,最后求得最优排样图.计算实例表明:与单一遗传算法相比较,该融合算法可达到更好的排样效果.     

改进蚁群算法求解多目标优化问题

针对传统蚁群算法在多目标优化问题中容易陷入局部最优的缺点,提出一种采用直接学习机制的改进蚁群算法。该算法通过采用模拟蚂蚁用触角交流信息过程的直接通信学习机制,用以改进信息素的更新规则,从而维持群体的多样性。通过两组多目标基准函数验证算法性能,仿真结果表明该算法所获得的Pareto解具有多样性以及均匀分布性,有效地提高了蚁群算法全局寻优的能力。     

一种矩形件优化排样综合算法

提出了应用于矩形件优化排样中的关键算法：条料生成算法与填充算法．把二者融合在一起，提出了一种适用于矩形件优化排样的最小残料算法．该算法依据残料大小决定条料，并对空白矩形进行有效填充，可快速得到排样结果．将其与模拟退火算法相结合，能够跳出局部搜索，最终可获得近似总体最优的排样结果．     

免疫蚁群算法在电力系统无功优化中的应用

将人工免疫算法和蚊群算法相结合形成免疫蚁群算法,运用免疫机理提取疫苗获得初始解,通过免疫操作加快算法收敛速度,并用基于浓度的选择机制抑制算法的"早熟".将该算法用于求解电力系统无功优化问题进行仿真,结果表明它的收敛速度和计算精度都有较大提高.     

蚁群优化算法及其应用

介绍了蚁群优化理论的产生和发展过程,重点阐述了蚁群算法的基本原理．给出了算法的TSP问题模型,讨论了其研究现状和应用现状．对下一步的研究工作做了展望．     

蚁群算法在一般函数优化求解中的应用

蚁群算法是一种新型的模拟仿生算法.本文通过在一般函数优化求解中的应用,说明该算法与启发式因子相结合可有效地避开陷入局部最优的弊病.显示了蚁群算法在连续空间优化问题中的应用前景.     

改进蚁群算法求解单行设施布局问题

针对单行设施布局问题已有算法结构复杂、对算法参数有较大依赖性、求解效果欠佳的问题, 提出一种改进的蚁群算法。该算法采用基于目标函数值的自适应等级划分策略, 实现了信息素增量优胜劣汰、改进信息素的更新规则。通过简化状态转移概率函数, 降低计算量和算法对参数的依赖性, 引入精英候选集, 提高优良设备的选择概率。同时, 采用基于插入式邻域结构的爬山寻优算法作为局部搜索进行深度搜索。仿真结果表明, 求解28 个大规模的测试例子时, 该算法总的平均运行时间分别为混合遗传算法的14%, Lin-Kernighan 算法的5%, 分散搜索算法的50%, 说明该算法可在短时间内较稳定地得到高质量的近优解, 性能优越于其他算法。     

融合遗传算法改进的蚁群算法

针对蚁群算法存在停滞现象及收敛速度慢的缺点,提出了一种融合遗传算法改进的蚁群算法,在蚁群算法中引入路径遗传运算.对蚂蚁发现的路径进行染色体编码,通过适应度函数对蚂蚁的路径做适应度评价,进行路径交叉和路径变异运算,设计了新的信息素更新策略.以对称TSP测试集为对象,将改进算法与现有算法进行测试比较.实验结果表明,改进后的算法具有优良的全局优化能力,有效防止了停滞现象.     

用于多维函数优化的蚁群算法

在借鉴献[1]基本思想的基础上，改进了蚁群算法搜索策略，该策略能提高搜索过程的效率以及搜索状态的多样性和随机性，为蚁群算法应用于实际优化问题提供了一条可行途径，数值算例结果表明本的搜索策略能较好地找到近似全局最优解，是一种有效的近似方法。     

一种改进蚊群算法及其在配方优化中的应用

针对蚁群算法在解决组合优化问题时存在演化过程收敛慢、耗时长的缺点,提出了将确定性搜索移动引入蚁群算法中,并研究了改进后蚁群算法在啤酒配方优化中的应用.在满足生产指标前提下,实现配方的原料总成本最低.应用结果表明:针对啤酒配方优化问题,改进的蚁群算法,具有更强的全局搜索能力和鲁棒性,并易于实现,具有较好的应用价值.     

蚂蚁优化算法在解决CVRP中的应用

针对基本蚁群算法收敛性差,易于停滞的缺陷,通过引入信息素窗口限制信息素的最大最小值,只对迭代最好解进行信息素更新,判断汇聚情况进行信息素重新初始化,在每次迭代中加入局部搜索优化,在选择概率中加入与问题相关的参数等措施对蚁群进行优化,提高蚁群算法的收敛性,避免了算法的停滞现象。