蚁群算法在连续性空间优化问题中的应用

研究了一种可用于求解连续空间优化问题的蚁群算法策略.能提高最优解搜索过程的效率以及搜索状态的多样性和随机性,且不受优化目标函数是否连续、可微等因素的限制,为实际应用提供了途径.数值算例结果表明该搜索策略能较好地找到近似全局最优解.     

蚁群算法求解优化函数

蚂蚁具有找到蚁穴与食物源之间最短路径的能力,受此启发提出的蚁群算法最初用于解决旅行商问题,具有自适应性、鲁棒性及本质上的并行性等许多特点,广泛适用于各种静态和动态的组合优化问题中,具有潜在的应用前景。为了求解一般的函数优化,文章在标准蚁群算法的基础上,引入遗传算法的编码方式,并对蚁群算法的信息素更新进行改进。通过对几个经典测试函数的求解,证明了算法的有效性。     

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.     

蚁群算法及其连续优化算法初析

通过对TSP问题的蚁群算法介绍,初步分析了构造一个通用的、应用于连续空间的蚁群算法的几个关键问题,并提出了构造该算法的基本框架。     

蚁群算法在网站优化方面的应用

随着Internet和Web技术的发展,Web上的信息正以惊人的速度不断增长,用户在众多的信息中获取自己所需要的信息变得越来越困难.针对这个问题,提出了一种基于蚁群算法的网站优化算法,通过统计得到的Web日志相关数据项,计算得到任意页面间的转移概率,并利用转移概率实现网站的优化.实验结果表明,该算法能有效地实现网站优化.     

一种遗传蚁群融合算法的函数优化求解问题

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索方法,可直接对结构对象进行操作,但是如果兼顾收敛速度和解的品质两个指标,单纯的遗传算法未必表现出原理本身的优越性。针对上述问题,提出一种新的遗传蚁群融合算法,利用蚁群算法的正反馈机制,来提高遗传算法运行的速度和效率,从而更好更快的解决函数优化求解问题。     

一种新的量子蚁群优化算法

 针对蚁群算法在求解连续空间优化问题时易于陷入局部最优和收敛速度慢的问题,提出了一种新的基于量子进化的蚁群优化算法。 该算法采用量子比特的概率幅表示蚂蚁当前位置信息;设计了一种新的量子旋转门更新蚂蚁位置, 完成蚂蚁的移动;最后采用量子 非门实现蚂蚁所在位置的变异, 增加位置的多样性。不仅从理论上证明了所提出算法的收敛性,而且通过仿真实验表明该算法可使 搜索空间加倍,比传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。     

用于函数优化的小世界优化算法

借鉴小世界现象的有关机理，构造了不同的小世界优化算子，主要包括局域短连接搜索算子和随机长连接搜索算子．将优化过程视为在搜索空间（网络）中从候选解向最优解的信息传递过程，利用小世界现象有效信息传递的有关机理实现了一种新的优化算法一一小世界优化算法．通过对复杂函数的优化问题进行仿真试验，表明与相应遗传算法相比，新算法可以更好地保持解的多样性，能够有效地避免陷入局部极小值的问题，并在一定程度上克服了早熟和遗传算法欺骗问题，并且收敛速度快，因此具有解决复杂问题的潜力。     

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．     

基于Alopex的进化优化算法

提出了一种基于Alopex的进化优化算法。该算法在进化过程中从种群中随机选择2个个体,通过计算2个个体和目标函数值的变化情况,确定算法进一步搜索方向的概率,逐步迭代最终收敛到全局最优。该算法具备基本进化算法的特点,同时具备Alopex算法的优点,即在一定程度上具有梯度下降法和模拟退火算法的优点。对典型函数的测试表明:新算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。     

基于改进蚁群算法求解连续空间寻优问题

蚁群算法是近几年优化领域中出现的一种启发式仿生类并行智能进化算法,并在离散空间领域中得到广泛应用,但在求解连续空间优化问题方面的研究相对较少。为了克服蚁群算法在连续空间中搜索时间过长等缺点,在原有的连续空间寻优方法的基础上,提出了一种用于求解连续空间寻优问题的改进蚁群算法。针对各子区间内的总信息量及应有的蚁数的求解方式进行改进,引入一个随迭代次数增加而变化的函数,以提高改进后蚁群算法的收敛速度。仿真实验表明,提出的基于信息量分布函数的改进蚁群算法较有关文献的算法有更好的收敛性能,从而为蚁群算法求解这类问题提供了一种可行有效的新方法。     

An Ant Colony Optimization Algorithm to Satellite Data Transmission Scheduling Problems

数据传输资源调度是空间资源管理的重要内容之一。为了有效求解数据传输资源调度问题,基于蚁群算法构建了一种数据传输资源调度方法。实验结果表明,蚁群算法能有效求解数据传输资源调度问题。本文方法可推广应用到其他资源调度领域。     

求解TSP的遗传蚁群融合算法

原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但存在克服收敛速度较慢、易出现停滞以及全局搜索能力较低的缺陷.针对存在容易陷入局部最优解等问题,在原有的遗传融合蚁群算法的基础上进行了许多改进以扩大解的搜索空间,提高了其寻优能力和速度.仿真结果表明,改进后的算法具有更好的寻优能力,效果较好.     

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。     

求解TSP问题的蚁群算法研究

分析了标准蚁群算法易于出现早熟、停滞和算法收敛速度慢的主要原因,在原有算法基础上提出了一种改进型的蚁群算法,该算法可以有效的提高收敛速度,并把该算法应用到TSP问题中,取得了很好的效果.     

多态蚁群算法

在分析现有蚁群算法不足的基础上，提出一种新的含多种蚁群、多种信息激素的多态蚁群算法．该算法通过引入不同种类的蚁群，每一蚁群有不同的信息素调控机制，将局域搜索与全局搜索相结合，使搜索、收敛速度大幅度提高．针对TSP问题的仿真实验结果表明了该算法的有效性．     

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.