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．     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

蛋白质功能预测的蚁群优化算法

预测蛋白质功能是后基因组时代最具挑战性的问题之一,在大规模数据下采用高性能的功能预测算法能够节省大量的实验时间和成本.利用基于蛋白质相互作用网络的全局优化模型,提出了蛋白质功能预测的蚁群优化算法,算法在考虑全局模型的同时还利用了网络的先验信息,提高了搜索效率,仿真结果表明,蚁群优化算法能够有效对蛋白质功能进行预测,并且对蛋白质相互作用网络中的假阳性、假阴性数据具有较高的容错能力.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于卡尔曼预测估计器的输入加权预测控制算法

针对噪声环境下输入带有约束的系统,传统的方法要处理一个二次规划问题.本文提出用最小化无约束二次性能指标得到的输入控制量的加权和代替该时刻的输入作用于系统.用这种方法将不存在不可行问题,使得控制输入的振荡范围减小,能大大减小违反约束的机率.仿真结果证明了算法的有效性.     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.     

基于免疫的蚁群优化算法

蚁群算法在寻优过程中很容易出现早熟现象而陷入局部最优,同时蚁群算法在构造问题的可行解时,计算复杂度较大.为解决以上问题,将免疫算法和蚁群算法相结合,构成了一种结合免疫机制的蚁群优化算法,并将其用于解决WTA(武器目标分配)问题.通过仿真及与其它多种优化算法对比发现:基于免疫的蚁群优化算法在搜索效率上要高于其它优化算法.     

蚁群优化图着色算法在智能小区中的运用

当智能小区的地图网格中的颜色数太多时，经蚁群算法处理的信息会出现杂乱无章的现象.对蚁群算法进行优化，增添褪色过程并加入参数Max，能减小并控制着色色数，实现四色着色，使得小区里的各种动态数据和信息在地图网格中更加清晰且直观地展现.     

基于蚁群优化的分类规则挖掘方法

蚁群优化是人工智能领域中群体智能分支之一,已成功地应用于复杂优化问题的求解,但其在知识发现领域的应用还是一个新的研究课题。在此提出一种新的基于蚁群优化的分类规则挖掘方法,先利用蚁群算法通过对属性约简简化数据集,再使用蚁群算法进行分类规则的挖掘,并用新的规则剪枝方法,提高了分类算法的效率和准确率。实验表明该方法是有效的。     

蚁群算法求解迷宫最优路径

提出了基于蚁群算法求解迷宫最优路径的算法。设定两组蚂蚁分别分布在迷宫中距离入口、出口路径长度为尼的前沿位置,根据移动规则,相向爬行。迷宫中各位置记忆蚂蚁信息素量和至迷宫入口、出口的路径长度。蚂蚁爬行至一新位置后,根据当前位置的信息而修改周边位置至入口或出口的路径长度,从而形成一条宽度为3的路径信息带。蚁群在迷宫中爬行使得迷宫中记忆了大量的路径信息,从而容易实现两段路径的拼接,提高了蚂蚁寻找到达目的地最优路径的效率。不同规模迷宫的试验结果显示,该算法是一种求解迷宫最优路径问题的有效解法。     

基于蚁群算法的激光智能消防疏散系统设计

针对当前消防疏散系统在火灾烟雾恶劣环境中存在识别困难、引导方案单一、维护成本高、智能化不足等问题,设计了基于蚁群算法的激光智能消防疏散系统。该系统由信息采集模块、中央处理模块和疏散引导模块组成,智能化实时监控和处理火场情况。火灾发生时,传感器动态采集火场信息,用显示器显示火灾发生地点,经过处理器运用蚁群算法计算出最优疏散路径,最终疏散引导模块把疏散路径以激光接力的形式投影在地面,指导人员动态疏散。通过案例分析,验证了该系统的可行性和优越性。     

基于遗传与蚁群混合算法的智能组卷研究

针对遗传组卷算法局部求解能力不足、容易早熟和退化对系统中的反馈信息利用不够的问题,以及蚁群组卷算法搜索初期信息素匮乏的缺点,充分利用遗传算法较好的全局搜索能力和蚁群算法较高的求解精度的优势,提出了一种遗传算法与蚁群混合算法的智能组卷策略。实验结果表明,与单一组卷算法相比,提出的混合组卷方法收敛速度更快,能更有效地解决智能组卷问题,具有更好的实用性。     

基于混合蚁群算法的物流配送路径问题

蚁群算法在解决旅行商等著名问题时得到了卓有成效的应用,但解决大规模问题时,其收敛速度较慢且耗时较长;同样,郭涛算法在解决复杂优化问题时取得了良好效果,但会产生大量无为的冗余迭代,求解效率低;文章汲取蚁群算法和郭涛算法的优点,提出混合蚁群算法,建立混合蚁群算法数学模型,得到时间效率和求解效率都比较好的一种新的启发式算法.     

基于蚁群算法的粗糙集知识约简

给出了一种新的粗糙集知识约简方法,即结合粗糙集理论的依赖度定义,先给出知识约简转化定理,然后运用一种改进型蚁群算法,采用局部和全局搜索相结合的方法,对知识表达系统进行约简.同时,在适值函数中引入罚函数,从而保证所求的约简在包含最少而非零个属性的基础上有较大的依赖度.通过Matlab计算实例可看出,本文算法对求解知识约简问题快速有效.     

基于多种群蚁群算法的变压器故障检测次序寻优方法研究

针对传统变压器故障检测次序的不足,在研究变压器故障树分析方法的基础上,提出了一种基于多种群蚁群算法的变压器故障检测次序寻优方法.首先给出了多种群蚁群算法的原理和模型;然后利用蚁群算法的全局优化和启发式寻优的特点,对变压器故障检测次序进行优化;最后,以分接开关故障树为例验证了多种群蚁群算法在变压器故障检测次序寻优中的可行性和有效性.     

基于蚁群算法的军用飞行器航迹规划

为了提高军用飞行器的作战效能,在实施远程精确打击之前,必须利用地形和敌情等信息,规划出生存概率最大、作战效率最高的飞行器突防轨迹.针对这一问题,讨论了基于蚁群算法的航迹规划方法,并经过坐标变换将算法的候选解集合、航路选择规则以及信息素更新规则进行了改进,获得了一种更有效的航路规划方法,且取得了较好的计算机仿真结果.     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于移动机器人路径规划时存在易于陷入局部最优解、收敛速度慢的问题,提出了一种适用于静态障碍环境下基于改进蚁群算法的移动机器人路径规划方法。该方法改进了节点间的状态转移规则,增加了得到最优路径的概率;自适应调整启发函数,提高了算法的搜索效率;基于狼群法则对信息素进行更新,有效避免了算法陷入局部最优解;动态调整了衰减系数,在后期增加了蚂蚁对最优路径的选择概率,加快了算法的收敛速度。仿真实验表明,与其他算法在相同环境下比较,该改进算法在路径规划结果相同的情况下具有较快的收敛速度;且改进算法在不同复杂程度环境中均得到了最优路径,也表明了该算法的有效性和可靠性。该算法具有良好的寻优能力,可以适用于不同复杂环境中的移动机器人路径规划。     

基于蚁群算法的过程神经网络研究

为提高前馈过程神经网络的全局收敛能力和训练速度,提出一种蚁群过程神经网络模型,利用蚁群算法分布式计算、鲁棒性强的特点,将蚁群算法应用于前馈过程神经网络的训练,给出了蚁群过程神经网络的拓扑结构,讨论了蚁群过程神经网络的训练机制,分析了其计算特点.并将蚁群过程神经网络应用于黑龙江省年度GDP(Gross Domestic Product)预测,验证了蚁群过程神经网络的有效性.     

一种基于云模型的自适应蚁群算法

针对蚁群算法在解决大规模优化问题中易陷入局部最优及收敛速度慢等缺陷,提出了一种基于云模型的自适应蚁群算法。通过对信息素分布状况进行评价,自适应地调整云模型中各参数,并根据云模型参数,确定全局最优及次优路径,进行全局信息素更新,以改善算法的全局搜索能力。同时,为了避免算法陷入停滞,将信息素大小限制在一个最大最小区间。仿真实验结果验证了提出的算法的高效性和稳定性。