An adaptive ant colony system algorithm for continuous-space optimization problems

Ant colony algorithms comprise a novel category of evolutionary computation methods for optimization problems, especially for sequencing-type combinatorial optimization problems. An adaptive ant colony algorithm is proposed in this paper to tackle continuous-space optimization problems, using a new objective-function-based heuristic pheromone assignment approach for pheromone update to filtrate solution candidates.Global optimal solutions can be reached more rapidly by self-adjusting the path searching behaviors of the ants according to objective values. The performance of the proposed algorithm is compared with a basic ant colony algorithm and a Square Quadratic Programming approach in solving two benchmark problems with multiple extremes. The results indicated that the efficiency and reliability of the proposed algorithm were greatly improved.

求解时间依赖型绿色车辆路径问题的算法研究

蚁群优化(ACO)算法是一种模拟自然界蚂蚁寻找食物路径的优化算法,能够在动态变化的环境中无需任何外部指导或控制解决几何分布的非确定性多项式(NP)-Hard组合问题。针对ACO算法在求解NP-Hard问题时容易陷入局部最优、搜索的深度与广度之间难以平衡等问题,提出一种绿色智能进化蚁群优化(G-IEACO)算法。引入4种邻域操作算子,改进ACO算法的状态转移规则和信息素更新方式,以增强寻优性能并防止过早收敛,同时采用规避拥堵策略,平衡时间成本和环境成本。应用Solomon标准测试集中不同规模的算例进行仿真实验,数值分析结果表明,G-IEACO算法在处理车辆总行驶时间(TT)和车辆碳排放量(TCO_(2))方面优于遗传算法(GA),在客户规模为100的R2类和RC2类算例中平均降低了13.32%的TT和13.64%的TCO_(2),有效地促进了绿色低碳目标的实现。

一种求解连续空间优化问题的改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。

求解连续函数优化问题的改进蚁群算法及仿真

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,对信息素更新方式进行了改进,采用动态局部信息素更新方式和自适应调节信息素挥发的全局信息素更新方式相结合,并将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。

基于退火的蚁群算法在连续空间优化中的应用

研究了蚁群算法在连续空间的函数寻优问题。通过修改蚂蚁信息素的留存方式和行走规则,定义了一个连续空间的蚁群算法。模拟蚂蚁用触角交流信息的过程提出了直接通信的学习机制,增强了蚂蚁的搜索能力。为了防止出现"早熟"现象,在局部搜索过程中嵌入了模拟退火的思想。同时为避免过大的残留信息,选择了新的信息增量计算函数。实例运算证明了算法的有效性。

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。

基于不同信息素更新策略的卫星数传调度蚁群优化算法

针对具有时间窗口和数传资源限制卫星数传调度问题,提出了基于解构造图模型的蚁群优化算法。借鉴精英机制,设计了绝对精英策略、相对精英策略、收益精英策略和对等精英策略等四种信息素更新策略。通过对不同规模场景的仿真试验,验证了基于不同信息素更新策略的蚁群算法是求解卫星数传调度问题的有效途径。基于信息素平衡思想的相对精英策略、收益精英策略和对等精英策略相对于绝对精英策略而言,能够避免算法过早陷入局部最优或出现退化行为,在规模较大的场景中能够收敛到比绝对精英策略更优的解。在小规模场景中,相对精英策略和收益精英策略所得解最好,而在大规模场景中对等精英策略所得解最好。

分组教学蚁群算法改进及其在机器人路径规划中应用

针对蚁群算法收敛速度慢、易陷入局部最优问题,提出一种基于分组教学优化改进蚁群算法。该算法从3个角度对蚁群算法进行改进。首先,利用分组教学优化算法改进蚁群算法适应度函数,提高算法全局求解能力。同时,引进一种新的回退策略,通过该策略处理U型障碍死锁问题,确保算法求解可行性。其次,采用一种新的动态信息素更新策略,滚动更新每轮迭代后路径信息素值,避免算法陷入局部最优。最后,引入路径简化算子,将冗余角简化为直线路径,缩短路径长度。仿真实验证明改进算法能有效提高移动机器人路径规划收敛速度和精度。

基于改进蚁群算法作业车间调度问题仿真研究

蚁群算法是一种仿真蚂蚁群体智能行为的仿生优化算法,具有良好的正反馈、鲁棒性、群体性和并行性等特点。针对基本蚁群算法易陷入局部收敛这一缺点,为提高精确高度,提出了一种改进蚁群算法,采用了新的状态转移规则,当算法陷入局部收敛时调整信息素更新策略,并根据陷入局部收敛的程度动态调整信息素挥发系数和信息素强度,使算法能快速跳出局部收敛得到全局最优解;仿真结果验证了改进蚁群算法求解作业车间调度问题的有效性。

蚁群算法优化——基于局部信息素更新

由于常规蚁群算法容易陷入局部最优,出现停滞现象等问题,本文采用了城市选择策略,局部信息素更新策略,最优解预测策略和局部优化策略对蚁群算法进行优化改进,提出了基于局部信息素更新的思想。并通过一些TSP问题对改进的蚁群算法进行验证。实验结果表明改进后的蚁群算法在求解一些TSP问题上可以得到比目前所了解的最优解更满意的解。

基于自适应蚁群算法的模糊聚类算法

将自适应蚁群优化算法与FCM(Fuzzy C-Means)算法相结合,提出了一种模糊聚类分析的新算法.该算法通过把FCM算法中的目标函数降维,将其转化为自适应蚁群优化算法中的优化函数,通过对各个节点的路径连接数的衡量,根据蚂蚁在搜索过程中所得解的分布状况,动态调节蚂蚁的路径选择和信息量更新,从而得到目标函数的最优解.结果表明,该方法比FCM算法具有更好的收敛效果和更高的聚类准确率.

基于自适应信息素调整的连续空间优化蚁群算法

对于基本蚁群算法(ACA)不适用求解连续空间问题,并且极易陷入局部最优的缺点,提出了一种基于自适应的蚁群算法。路径搜索策略采用基于目标函数值搜索筛选局部最优解的策略,确保能够迅速找到可行解。信息素更新策略采用自适应的启发式信息素分配策略,使算法能够快速收敛到全局最优解。对2个求函数极值问题进行优化并与其他算法进行比较,结果表明该算法能很好的应用于对连续对象的优化,同时具有较高的寻优精度高,搜索速率快,良好的全局优化性能。

基于改进蚁群算法的移动机器人全局路径规划

蚁群算法作为智能化仿生优化算法,其自组织性和智能性对研究全局路径规划问题具有指导性意义,基于此提出一种改进蚁群算法。首先采用栅格法建立环境模型并对传统的蚁群算法进行改进,对算法的启发因子和信息素更新策略进行研究与改进。仿真结果表明,改进的蚁群算法相对传统的蚁群算法具有收敛速度快和优化性能良好的特点。

基于连续空间优化的蚁群算法

通过对蚁群算法基本理论的研究,从经典的蚁群算法模型中,抽象出解决问题的一般方法,提出了在连续空间优化问题中蚁群算法的模型,在算法中加入了自适应策略用以提高算法的性能,并通过实例分析了连续空间优化问题中蚁群算法的性能,通过仿真实验证明了算法的可行性与实用性。

基于拥挤度因子的动态信息素更新策略蚁群算法

针对蚁群算法易陷入局部最优、收敛速度慢的问题,文中提出了一种基于拥挤度因子的动态信息素更新策略的蚁群算法(CFACS)。引入鱼群算法中拥挤度的思想,扩大种群中蚂蚁分布范围,使其探索更大的解空间,提高算法全局搜索能力;采用动态信息素更新策略,在每一次迭代中,自适应调整当前最优路径所释放的信息素浓度,保证蚁群前期的多样性,同时保证算法在后期的收敛性。求解TSP问题的仿真实验表明,改进算法求得解的质量和求解的收敛速度都明显优于传统蚁群算法,较好地平衡了种群多样性与收敛速度之间的矛盾。

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题。本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法。根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解。一个多极值点的连续优化问题求解实例证明了该方法的有效性。