基于蚁群算法的多目标网络铺设策略研究

研究通信网络在不同目标下的铺设策略。为满足不同需求,建立网络终端之间的距离矩阵并将其转化为一个全连通无向赋权图。根据网络设计标准,以最低成本为唯一目标建立最短路径模型,利用Prim算法求解得到最小生成树。在最小生成树逻辑结构上建立稳定性度约束模型,给出满足度约束的铺设方案。综合考虑网络铺设的多方面影响因素,建立多目标组合优化模型,基于蚁群算法设计不同链路通断概率、不同链路数目和较高稳定性下的全局最优铺设策略。

基于蚂蚁搜索度约束最小生成树的改进算法

针对度约束最小生成树问题,对基本的蚁群算法进行改进。提出了度信息的概念来改进转移概率,保证算法获得可行解;同时采用基于度的禁忌表这种数据结构来表示度约束生成树,并与深度优先搜索的思想结合,保证得到树的连通性;将遗传算法中的变异特征引入蚁群算法,对生成树进行局部优化。不仅提高算法的效率,而且避免早熟收敛。通过数值试验验证新算法的可行性,并与其他算法进行比较,取得了良好的效果。

基于免疫—蚁群算法的度约束最小生成树算法

针对度约束最小生成树问题,借鉴人体免疫系统的适应能力和蚁群算法的全局寻优能力,提出了一种基于免疫—蚁群算法的求解方法。该算法采用Prüfer数对树进行编码及度的改进,利用免疫算法和蚁群算法的融合提高算法的执行速度和进化效率。实验结果表明,用该算法解决度约束最小生成树问题是有效的。

基于增强蚁群算法的传感网移动sink路径规划

为同时降低移动sink无线传感器网络的能耗与sink移动距离,提出了一种基于增强蚁群算法的传感网络移动sink路径规划算法。为人工蚁群算法引入了遗传算子,避免人工蚁群算法早熟收敛。将数据量不均匀作为网络的约束条件,将网络生命期与sink的移动距离作为问题的2个优化目标,采用增强的人工蚁群算法选择汇集点的帕累托次优集。多组仿真实验的结果表明,该算法有效地降低了网络平均能耗,提高了网络能耗的均衡性。

求解多目标最小生成树的改进多目标蚁群算法

多目标最小生成树问题是典型的NP问题。针对此问题,提出一种改进的多目标蚁群算法。为获得更好的非劣前端,通过合理选取多个信息素扩散源与扩散策略来避免其早熟收敛,并引入非支配排序算子,提高种群多样性并避免算法过早陷入局部最优解。对比实验结果表明：对于多目标最小生成树问题,该算法是有效的,不但在求解效率和解的质量方面优于相关算法,而且随着问题规模的扩大,算法仍保持较好的性能。

基于最小生成1-树动态候选集的蚁群算法

利用旅行商问题中最优路径和生成树之间的关系,论文将最小生成1-树的概念引入蚁群算法,并提出一种新的量度来构造动态候选集。通过数据实验,表明该算法不仅有效地防止了解的退化,而且提高了搜索精度,收敛性有了明显改善。

蚁群生成树算法研究

应用蚁群生成树算法搜索了有34个节点的连接图的生成树,并采用正交设计法和均匀设计法进行了参数优化配置方法研究。结果表明:对于参数较多的蚁群算法,应用正交设计法和均匀设计法进行参数优化配置是一种可行且有效的途径,可有效提高蚁群算法的收敛速度,在求解精度上也有一定优势;充分发挥人类智能与仿生物智能的各自优势是克服单纯靠智能优化方法随机搜索缺点的关键;当蚂蚁数目为100、信息素相对重要性因素为0.3、信息素衰减系数为3.6、信息素挥发系数为0.4、信息素增加强度系数为14时,蚁群生成树算法效果最佳。

基于最小生成树扇度的蚁群算法

针对蚁群算法收敛速度慢且容易陷入局部最优解的问题提出改进算法。对TSPLIB已公布最优解的数据集进行实验统计表明:最小生成树的单源边与最优解吻合率约为91.14%,多源边与最优解吻合率约为64.14%。以此为依据提出基于最小生成树扇度的蚁群算法,用最小生成树扇度决定对蚁群的导向强度。实验表明该算法在收敛速度及寻路能力方面都有显著提高。

考虑动态导向与邻域交互的双蚁型算法

针对蚁群算法在求解旅行商问题(TSP)时,易出现陷入局部最优和收敛速度较慢的问题,提出了考虑动态导向与邻域交互的双蚁型算法。首先,结合动态导向策略,在迭代前期增加属于最大生成树路径上的动态信息素,从而有效增加种群多样性;在迭代后期增加属于最小生成树路径上的动态信息素,使其加快收敛速度。进一步,将蚂蚁分为两类,融入邻域交互策略,第二类蚂蚁通过吸引因子改进状态转移和局部信息素更新公式,并运用最大-最小蚂蚁系统(MMAS)信息素限制策略,使其不仅提高了收敛性,又能防止算法过早停滞。求解TSP测试集及与其他改进蚁群算法对比的实验结果表明,改进后的算法既能有效加快收敛速度,又能避免陷入局部最优,从而获得更精确的解,尤其在针对大规模TSP问题时效果更为显著。

求解度约束最小生成树的改进ACS算法

针对蚂蚁系统算法求解度约束最小生成树时收敛速度慢和早熟问题,提出一种改进的蚁群系统算法UDA-ACS。该算法在保留蚁群系统算法优点的基础上,通过增大能见度的影响力、采用动态负反馈机制和赋予不同初始信息素的方法解决上述问题。理论分析和实验结果证明,该算法的求解质量和速度比蚂蚁系统算法更优越。

一种进化型蚁群算法及其在TSP问题中的检验

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法,其收敛速度一直是人们关心的问题。针对蚁群算法的一些不足,提出基于最小生成树的进化型蚁群算法。它利用了最小生成树与最优路径之间的关系限制了蚂蚁在每一个城市的搜寻范围,进化了寻优策略,节省了在不可能构成最优路径的路段上的计算时间,提高了运算速度,克服了以往蚁群算法的计算时间长、精度低的缺点,使得蚁群算法有了显著的提高。计算机仿真结果表明,该文算法改进了标准蚂蚁群算法的效率和计算结果的质量。

基于改进蚁群算法的配电网重构问题求解方法

针对传统蚁群算法求解配电网重构问题时容易出现停滞现象仅得到局部最优解这一问题,该文提出了一种改进的蚁群算法。分析了传统蚁群算法在求解过程中存在停滞现象的原因;利用信息素局部更新和全局更新相结合的思想,提出了一种方向性信息素更新的、改进的蚁群算法;将该算法用于求解配电网的重构问题。仿真结果表明,改进的蚁群算法收敛速度较传统蚁群算法更快,收敛时的网损值更小,从而验证了该算法的有效性。

蚁群算法求解直径约束最小生成树问题

给定无向赋权图G和直径约束值D,直径约束最小生成树问题是查找一个直径不超过D最小权重的生成树.当时,其是NP-hard问题.用蚁群算法对其进行求解,设计了一种新的当前节点选择规则.分析和实验表明,基于新的节点选择规则的蚁群算法对直径约束最小生成树问题有较好的求解效果.

高速公路路径标识站选址优化模型与算法研究

为了解决车辆多义性路径问题,高速公路路网中常设置标识站来精确获取车辆路径信息。在实际高速公路网中,要么在路网中所有环路段上布设标识站,造成资源浪费现象,或者布设的标识站不足,直接采用最短路的方式拆分通行费用,造成费用拆分不合理现象。因此对高速公路路网中多义性路径标识站的选址优化问题开展研究,在解决多义性路径基础上,实现标识站建设费用最小。为了研究高速公路标识站选址优化问题,以高速公路路网为基础,采用基于生成树-蚁群算法对标识站选址布局问题进行优化分析。首先,根据图论中生成树理论,确定出标识站的最少布设数量与多种选址布局方案。其次,建立了以高速公路标识站所在路段车流量最小且该路段里程最长的多目标多义性路径标识站选址优化模型,并设计了基于蚁群算法的大型高速公路路网多义性路径标识站选址优化算法的求解步骤。最后,通过算例分析,以3组不同权重值分析对比验证该模型的适用性。结果表明该模型可以用来解决高速公路标识站选址优化问题,并且能有效实现高速公路多义性路径标识站的最优选址布局。

大跨度高架桥施工风险评估及应对措施

为保证大跨度高架桥梁的施工安全,对其进行的安全评估不可或缺。蚁群算法、神经网络法在桥梁施工风险评估中已有应用,但缺少将两者结合使用方面的研究。把用蚁群算法改进的BP神经网络方法应用到大跨度桥梁施工安全风险评估中,利用了两者的优点,使运算过程更加快速,运算结果准确。该方法突出了风险评估中定量的影响,克服了传统算法中人为因素的影响,可为大跨度高架桥的安全施工提供可靠的支撑。