蚁群算法在求解TSP问题中的改进研究

针对蚁群算法在求解大规模优化问题时存在的3个缺点：消耗时间长、蚂蚁在下次搜索时目标导向不强导致搜索随机性大、寻优路径上的信息素过度增强导致得到假的最优解。本文提出了基于边缘初始化和自适应全局信息素的改进蚁群算法。在相同参数下,其搜索时间大大缩短,并且得到了更好的最优解。将其应用到旅行商（TSP）问题中,和基本蚁群算法、遗传算法相比较,其具有以下优点：较好的搜索最优解的能力;对新解不会过早的终止;探索新解的能力进一步增强。因此,改进的蚁群算法在求解TSP等组合优化问题时非常有效。     

一种求解TSP问题的改进遗传蚁群算法

旅行商问题(TSP)是一种经典的组合优化问题.传统的蚁群算法运用正反馈和分布式计算机制,具有较强的鲁棒性.但是该算法搜索时间长、易出现早熟停滞现象.因此本文根据旅行商问题的模型特点,在蚁群算法的基础上针对TSP问题提出了一种新型的改进蚁群算法:即变参数选择城市策略,并且在交叉策略中选择PMX(Partially Matched Crossover)交叉策略.实验结果表明,与传统基本蚁群算法和遗传算法相比,能够较快地找到最优解,解的质量也相对较好,因此提高了蚁群算法对TSP问题的求解效率.     

改进的蚁群算法及其在TSP中的应用研究

提出一种改进的蚁群算法,其核心是应用遗传算法对蚁群算法的 4 个控制参数(α、β、ρ、q0)进行优化,以及运用 MMAS(max-min ant system)进行寻径,新算法具有全局搜索能力强的特点。对旅行商问题(TSP)的仿真实验结果表明:新算法的优化质量和效率都优于传统蚁群算法和遗传算法。     

改进的蚁群与粒子群算法求解TSP问题

为了解决规模复杂的旅行商问题,提出了融合蚁群算法和粒子群算法的一种群体智能混合算法,并引入了人工免疫算法。为了克服规模较大的TSP问题易陷入局部最优的缺点,在ACO-PSO混合算法中添加交叉与变异、接种疫苗和免疫选择等过程,使其具有较强的全局寻优能力和较好的搜索收敛性。一方面利用其噪声忍耐、自学习、自组织和记忆功能,可以帮助效仿更好的精英蚂蚁,保证了蚂蚁的进化速度;另一方面,则是利用免疫算法具有多样性、快速和随机搜索,达到全局搜索的效果。通过大量仿真实验数据对比表明,改进的混合算法搜索结果好于类似算法,并运用在TSP问题上,取得了很好的效果。     

基于MATLAB的蚁群算法求解旅行商问题

旅行商问题的传统求解方法是遗传算法,此算法收敛速度慢,并不能获得问题的最优解。为了求取旅行商问题的最优解,本文在阐述蚁群算法的基本原理、模型以及在旅行商问题中的实现过程的基础上,提出了一种以蚁群算法构建的基于MATLAB的求解旅行商问题的方法,并最后通过仿真实验获得了目前已知的最好解。     

求解旅行商问题的蚁群遗传混合算法

根据蚁群算法与遗传算法的特性,提出了求解旅行商问题的混合算法.该混合算法以遗传算法为整个算法的框架,根据旅行商问题的特点,给出了4种变异策略;针对遗传算法存在的过早收敛问题,加入2-Opt方法对问题求解进行了局部优化;利用蚁群算法根据信息素产生若干个路径,替代部分差的解.与模拟退火算法、标准遗传算法和标准蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

用蚁群优化算法求解中国旅行商问题

中国旅行商问题是一个组合优化问题，是一个NP问题。本文提出用蚁群优化算法去解决，同时提出了两种改进的方法，其中，Ant-F能够增强系统的搜索能力，使系统避免早熟，具有正负反馈的功能，仿真简单，容易理解；而ACS 在Ant Colony System(ACS)的基础上改进而成，它使系统在演化的后期能够通过适当增大系统区分信息素对比强度的方法，尽快找到最优的解。和其它的几种蚁群优化算法、遗传算法和模拟退火算法相比较，实验表明，ACS 是本文提及的几种算法中最优的一种，它能加快系统收敛的速度，找到问题的最优值。     

基于OPENMP求解旅行商问题的并行蚁群算法

蚁群算法具有自组织性、正反馈性、较强的鲁棒性和天生的并行性等优点,不足之处是需要较长的搜索时间.为了解决其搜索时间过长的问题,文中提出了一种并行实现策略,用OPENMP应用编程接口采用C++语言编程实现,能明显减少搜索所用的时间.给出了一种解决旅行商问题(TSP)的并行蚁群算法,并通过串并算法执行时间的比较,说明并行算法的优越性.     

基于蚁群算法的旅行商问题的研究

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。对以蚁群算法为代表的群集智能的研究已经逐渐成为一个研究热点。蚁群算法在实际的生活中有很大的用处,比如求解旅行商问题,文章介绍了一种求解复杂TSP的蚁群算法,阐述了该算法的基本原理及实现过程,并且在本文中尝试用编码的形式将基本蚁群算法应用到求解旅行商问题中去。     

改进遗传模拟退火算法求解TSP

遗传算法和模拟退火算法均是解决TSP的有效方法,分析2种算法各自的优缺点,在已有遗传模拟退火算法的基础上进行改进并用于求解TSP.引用部分最近插入法、部分随机产生初始种群,减小了群体多样性与收敛速度的矛盾.在遗传算法中,使用精英保留策略对选择操作进行改进,保证种群的质量;引入进化逆转算子,使子代继承亲代的较多信息,增强搜索能力.经过国际公认的TSPLIB实验数据仿真验证,改进后的遗传模拟退火算法搜索最优能力提高.     

一种改进蚁群算法求解VRP问题

车辆路径问题(VRP)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.在了解VRP问题及蚁群算法的基础上,分析了蚁群算法在VRP中的应用,针对蚁群系统(ACS)的不足之处,借鉴MMAS思想,引入动态负反馈机制及适当增大能见度机制对蚁群算法进行改进优化,结合节约函数求解VRP问题.仿真结果表明,本文提出的算法无论是在最优值还是在收敛速度上都优于基本蚁群算法,实用性强,能较好的解决VRP问题.     

改进的蚁群算法求解VRP问题

为了使蚁群算法针对VRP问题解的搜索更加高效,将变异操作用于蚁群算法．给出了变异概率的设置,合理地改进可见度的计算及信息素更新方法,结合swap局部搜索,获得了更加稳定的求解VRP问题的蚁群算法。实验表明,该算法稳定有效。     

基于改进蚁群算法和互信息的多光谱图像的配准

基于互信息的配准算法有精度高,自动化程度高,不需要对图像进行预处理等优点,已经被大量应用于多光谱图像配准中.但是在计算互信息时,出现了很多局部极值,这就为目标函数的寻优过程带来了很大的困难.提出了一种基于蚁群算法的配准参数寻优方法,改进蚂蚁在每层节点间的转移准则以及全局信息素的更新策略.实验证明,此方法不需要人工干预,对参数的初始值没有依赖性,配准成功率高.     

指派问题的变异蚁群算法求解

指派是现实生活中经常遇到的一类问题，文章建立了指派问题的数学模型，并用具有变异特征的蚁群算法对其加以解决。蚁群算法是一种进化算法，适合解决组合优化问题，指派问题是组合优化问题中的一个分支。实验结果表明。使用变异蚁群算法解决指派问题，提高了搜索效率，能够在短时间内得到最优分配方案。     

基于蚁群算法的InSAR相位解缠算法

该文利用数字地面高程(DEM)数据的变更,由SAR成像机理和双尺度粗糙面散射计算构造得到多景具不同阴影的单视复数(SLC)SAR影像数据。提出一种基于蚁群算法的相位解缠算法,用于多景具不同残差点数量的仿真相干SLC相干图像以及欧洲环境卫星(ENVISAT-ASAR)的InSAR图像的相位解缠,并与其他现有的解缠方法作比较。结果表明：该算法是一种有效的相位解缠方法,解缠精度与解缠速度上要优于其他一些常用的解缠方法。     

双向ACO算法应用于静态机器人全局路径规划研究

提出双向蚁群算法并应用于静态环境下的机器人全局路径规划问题.对栅格法环境建模进行改进,将传统的栅格法改进为膨胀栅格法;使用双向蚁群算法在出发点和目标点设置带有不同标记的两族蚂蚁相向爬行完成搜索,启发信息主要通过目标点、出发点和蚂蚁的当前位置二维坐标值计算得出;信息素存储采用方向信息素矩阵.仿真实验证明:即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出最优路径.     

多传感器优化分配问题蚁群算法求解

考虑目标优先级在检测、跟踪和分类等多传感器管理问题中的影响,结合目标识别和威胁度判断所产生的信息增益,构造了新的目标函数.通过分析当前多传感器目标优化分配中存在问题,建立了多传感器目标优化分配问题蚁群算法的模型,实例仿真证明了该方法的可行性.     

无线传感器网络自适应蚁群定位算法研究

针对蚁群定位算法可能出现局部最优解而导致定位不准确的问题,提出了无线传感器网络自适应蚁群定位算法。通过将节点估计坐标移动方向离散化,将传感器定位问题转换成离散组合最优问题。定位过程中通过聚度和信息权重对传感器节点估计坐标向各个方向移动的概率进行修正,解决了定位结果收敛于局部最优解的问题。仿真结果表明,自适应蚁群定位算法比传统蚁群定位算法具有更低的定位误差。