一种改进的蚁群算法及其在TSP中的应用

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发式算法,算法中参数的设置一直是依靠经验和试验来确定的,造成试验工作量大而且收敛速度慢;研究中提出了一种基于自适应调整信息素的改进蚁群算法,从路径的实际信息出发,动态地分配信息素,从而使算法能较快地收敛到最优解;通过仿真试验结果表明:改进的蚁群算法在收敛速度和收敛精度方面相对于原算法都具有较好的改进效果.     

车辆路径问题的最大-最小蚁群算法研究

蚁群算法能很好地解决车辆路径问题，但算法搜索时间长，易出现停滞现象。通过对蚁群算法的改进和调整，构造出最大一最小蚁群算法，实例验证该算法能更快地收敛到全局最优解。     

基于混合蚁群算法的车辆路径问题研究

为了求解车辆路径问题,设计了一种结合节约算法和邻域搜索算法的混合蚁群算法,该算法改善了标准蚁群算法搜索时间长、容易陷入局部最优解的问题。首次引入节约算法以提高初始解的质量,使得蚁群算法在较优的路径中进行搜索,从而更有效地收敛到最优解;运用最大最小蚂蚁系统控制路径的信息素,避免算法陷入局部最优解;采用邻域搜索算法优化某阶段最优解的子路径。应用该混合蚁群算法对VRPLIB数据库实例进行了运算,取得了较为满意的结果。     

一种改进蚁群优化算法的仿真研究

针对蚁群优化算法存在容易陷入局部最优、收敛速度慢、参数设置复杂等缺点,提出了一种改进的蚁群优化算法,研究了伪随机比例转移规则中参数 的取值方法,并对信息素的取值方式和信息素的更新规则进行了改进。最后以中国31个城市的旅行商问题和路径规划问题为实例,分别运用改进前后的蚁群算法进行了仿真研究。仿真结果表明：改进之后的算法不仅能够得到更好的解,更能显著地提高算法的收敛速度。     

不确定环境下多式联运路径多目标优化

针对不确定环境下的多式联运网络,考虑转运成本、时间及运输方式班期等影响因素,构建运输总成本最小和运输总时间最小的双目标优化模型.通过蒙特卡洛方法处理网络中的不确定性,设计结合非支配排序的多目标蚁群算法求解Pareto解.为解决基本蚁群算法收敛过慢、过早收敛带来的求解质量低等问题,在状态转移策略中加入方向启发因子,在信息素更新策略引入"最大-最小蚂蚁系统",从而提高解的质量.最后通过算例检验改进蚁群算法的优化效率,并为决策人提供5个充分满足其对不同目标要求的决策路径.     

不确定环境下多式联运路径多目标优化

针对不确定环境下的多式联运网络,考虑转运成本、时间及运输方式班期等影响因素,构建运输总成本最小和运输总时间最小的双目标优化模型.通过蒙特卡洛方法处理网络中的不确定性,设计结合非支配排序的多目标蚁群算法求解Pareto解.为解决基本蚁群算法收敛过慢、过早收敛带来的求解质量低等问题,在状态转移策略中加入方向启发因子,在信息素更新策略引入"最大-最小蚂蚁系统",从而提高解的质量.最后通过算例检验改进蚁群算法的优化效率,并为决策人提供5个充分满足其对不同目标要求的决策路径.     

基于蚁群算法的动态路径选择问题

论述蚁群算法在动态路径选择问题上应用。在蚂蚁寻径原理基础上,建立经济圈公路网蚁群算法模型,并对算法的参数进行标定。针对算法的缺陷,对信息素更新策略进行了优化改进,使其能更快的收敛到全局最优解。该模型算法对经济圈道路交通智能化动态诱导系统的建立大有帮助。     

ACO算法及其收敛策略研究进展

蚁群优化算法是一种新型的进化优化算法,其特点是通过仿生自适应个体的局部最优性共同确定问题的整体最优解,该算法具有自学习功能和解的强搜索能力.通过研究蚁群算法的基本原理和实践应用,分析了蚁群优化算法的求解理论思想,并综合分析了算法的收敛性问题,为蚁群算法的发展提供较好的研究参考.     

改进型遗传蚁群混合算法求解旅行商问题

针对原有遗传蚁群混合算法的遗传算法特性不突出,容易过早收敛的缺陷,提出一种带有基因数量控制的遗传蚁群混合算法,有效地提高了遗传算法部分的基础基因数量,提高了全局最优解能力.通过动态分析基因适应度,生成动态变异概率,提高了最优解的生成概率.精英交叉原理的使用,能保护优秀基因不受交叉变异的影响堕化.     

编组站配流的协调优化算法

为了提高编组站动态配流与静态配流协调优化算法的收敛速度,根据编组站解体方案树的构造规则,用解体序号矩阵进行解体方案编码,限制解的生成空间,避免了不必要的搜索.结合遗传算法与蚁群算法(genetic and ant algorithm,GAAA)的优势和配流问题的特点,设计了以GAAA为基础的协调优化算法.用遗传算法求出若干组优化解体方案,并生成初始信息素分布,用静态配流蚁群算法筛选出最优解体方案,在此基础上生成配流方案.实例表明:对阶段到发列车数不超过25列的编组站配流问题,本文算法均能在30 s内收敛到最优解或满意解.     

基于DACS3的改进蚁群算法求解TSP问题

蚁群算法是优化领域中新出现的一种仿生进化算法。该算法采用分布式并行计算机制,具有较强的鲁棒性,易与其他算法结合,但存在运行时间长,容易陷入局部最优解,导致出现停滞现象等缺点。针对蚁群算法,首先介绍其基本原理及不足之处。随后提出了一种改进算法,该算法在选择路径时仅考虑信息素强度,在信息素强度更新时采用基于3层动态信息素更新(Dynamic Ant Colony System with 3 level updates,DACS3)机制,更好地模仿了自然蚂蚁。最后通过仿真验证该算法,结果表明该算法可以取得较好的搜索效果。     

改进蚁群算法在系统可靠度最优冗余分配的应用

针对蚁群算法在解决NP困难时所存在的极易陷入局部最优值和搜索时间过长的问题,在蚁群算法基础上重新设计状态转移规则和信息素更新规则。实验研究表明:改进后的算法可以有效解决最优冗余分配问题,同时可以在相对短的时间内找到问题的最优解。     

双向蚁群算法在无人驾驶车辆路径规划中的应用

针对传统蚁群算法在无人驾驶车辆路径规划中收敛速度慢、易陷入局部最优等问题,提出一种全局路径规划的双向蚁群算法。通过双向搜索策略改进蚁群算法,设计相遇机制求解更多可行路径,提高算法全局搜索能力;引入奖惩因子分别扩大和减小双向搜索后的较优路径和较差路径对信息素浓度的影响,加快求解最优路径的速度;最后在Matlab中模拟无人驾驶车环境,随机生成不同地图面积和障碍物出现率的车辆仿真栅格地图,比对传统蚁群算法和双向蚁群算法的实验效果。结果表明:双向蚁群算法的迭代次数和求解时间明显减少,在加快收敛速度、提高全局搜索能力以及避免局部最优方面有较大改进。     

基于改进蚁群算法的多AGV泊车路径规划

针对智能停车库中自动导引小车(Automated Guided Vehicle,AGV)存取车的路径规划问题,提出一种基于改进蚁群算法的多AGV泊车路径规划方法.单AGV路径规划方面,在基本蚁群算法基础上引入蚂蚁回退策略来增强适应性,同时改进启发式信息和信息素更新策略提高算法的收敛速度和寻优能力.多AGV路径规划方面,提出改进冲突解决策略来解决多AGV之间的冲突,其中采用临时规避-重新寻路策略来解决相向冲突.针对某典型停车场抽象模型的仿真结果表明,改进蚁群算法寻路成功率更高,并具有较强的全局搜索能力和较快的收敛速度,改进冲突解决策略能合理避免冲突,可以满足多AGV存取车路径规划的要求.     

旅行商问题推广及其混合智能算法

旅行商问题(TSP)是典型的NP-hard问题,是组合优化研究领域中的热点问题之一.全体旅行商问题(CTSP)是TSP的变形推广,它是比TSP更复杂的一个问题,而且有着广泛的应用.遗传算法(GA)具有随机全局搜索能力,但对于系统反馈信息利用能力差,且收敛慢,求解效率低.蚁群系统(ACS)算法具有并行全局搜索能力,且在很...     

求解双目标带时间窗车辆路径问题的蚁群算法

针对运输网络为多重图的双目标带时间窗车辆路径问题设计了蚁群算法.首先,建立了多重图的双目标带时间窗车辆路径问题的数学模型,提出了针对该问题解的搜索空间构建方法,定义了一种综合考虑各优化目标、时间窗和信息素等启发信息的状态转移概率公式. 为了对比说明该算法的有效性,同时设计基于NSGA-II的多目标遗传算法.针对本文算例,对蚁群算法中的各参数进行了敏感性分析,根据分析结果设定算法参数,获得了算例的Pareto最优路径集,同时与NSGA-II算法及相关文献算法针对运行时间、收敛性和群体多样性进行比较.结果显示,本文设计的蚁群算法在这3个指标上均明显优于NSGA-II算法;在相同蚂蚁数量情况下,本文的算法在收敛性和群体多样性方面优于相关文献算法.     

基于蚁群优化的前向神经网络

提出了一种新的神经网络学习方法.利用蚁群算法学习神经网络,克服了传统BP算法的不足.同时,针对蚁群算法主要用于组合优化的应用特点,对其进行了改进.将离散的信息素分布矩阵及概率分布矩阵拓展为连续的信息素分布函数和概率分布函数.将搜索的范围扩展到连续区域.使得新算法兼具了蚁群算法的全局快速寻优能力与神经网络的广泛映射能力.通过实例证明了该方法的有效性和快速性.     

基于混沌蚁群算法的最短路径选择研究

如何解决最短路径选择问题一直是城市交通流诱导系统的关键之一.基于群体仿生理论的蚁群算法是解决此问题的一种方法,针对采用蚁群算法进行最短路径选择时易出现的陷入局部最优解问题,引入混沌理论,采用混沌蚁群算法利用混沌初始化进行改善个体质量和利用混沌扰动避免在蚁群算法搜索过程中陷入局部极值,同时降低了蚁群算法的时间复杂度,从而更好的解决了最短路径选择问题.