一种改进的求解QoS多播路由问题的蚂蚁算法(英文)

为了克服基本蚂蚁算法收敛速度慢、容易早熟和陷入局部最优解的缺陷,提出了一种求解QoS多播路由问题的改进型蚂蚁算法.该算法采用相遇蚂蚁策略来加快搜索速度,采用最优解更新和信息素自适应控制策略来避免出现停滞现象.仿真结果验证了该算法的可行性和有效性.     

新型蚂蚁算法可达性证明与性能分析

网络服务质量路由是计算机网络理论研究的重要领域,它是下一代互联网的核心技术之一,新型蚂蚁算法作为探索类算法可用于解决QoSR问题.在研究新型蚂蚁算法后,证明了在一个连通的有限网络中,蚂蚁经过有限步移动后,可到达网络中的任意一个结点.对新型蚂蚁算法的最优性、简单性、鲁棒性、收敛性、灵活性等5种性能指标进行定性分析;对该算法的时间复杂性进行定量分析,并与有关算法进行比较.     

基于蚁群算法的多QoS约束的多播路由优化算法

蚁群算法是一种新型的随机优化算法,能有效地解决QoS受限的多播路由问题.文中基于蚂蚁具有找到蚁巢与食物之间的最短路径的工作原理,并在分析多约束QoS的多播路由的基础上,提出了一种具有全局优化能力的多播路由算法(OQMRA),仿真实验表明了该算法是合理的和有效的.     

一种混合蚂蚁算法及其在QoS多播路由中的应用

描述了多QoS约束的多播路由问题的网络模型，提出了一种混合蚂蚁算法，该算法利用遗传算法快速全局的搜索能力，生成初始解，并转化为网络的初始信息素分布．利用蚂蚁算法的正反馈特性，迅速收敛到问题的最优解．仿真取得了非常好的效果，表明该算法是合理有效的．     

基于蚂蚁算法的动态分布式路由算法

提出了一种利用蚂蚁算法进行动态更新分布式路由表的方法,该方法以路由表中的信息素强度和当时链路的负载状况为基础,来选择路由和更新路由表,给出了更新路由表的规则并利用计算机进行了仿真验证.仿真结果表明,蚂蚁算法可兼顾路由长度和网络负载两方面的因素,其选路效果优于传统动态分布式算法.     

基于蚂蚁算法的动态分布式路由算法

提出了一种利用蚂蚁算法进行动态更新分布式路由表的方法,该方法以路由表中的信息素强度和当时链路的负载状况为基础,来选择路由和更新路由表,给出了更新路由表的规则并利用计算机进行了仿真验证.仿真结果表明,蚂蚁算法可兼顾路由长度和网络负载两方面的因素,其选路效果优于传统动态分布式算法.     

用新型蚂蚁算法求解QoSR问题

网络服务质量路由是计算机网络理论研究的重要领域，QoSR问题是一个NP完全问题．蚂蚁算法在近几年内逐步得到推广和应用，文中在研究蚂蚁算法后，保留蚂蚁算法的信息索概念，提出了一种新型的蚂蚁算法，即蚂蚁在寻找路径时，放弃按概率的方式跳转结点的寻路方式，采用按信息索较少的路径跳转结点的寻路方式，以解决QoSR问题．通过实际编程和计算，该算法能均匀搜索每条路径，对于单个参数约束，能很快达到最优解，对于多个参数约束，能找到最优解．经过对该算法的分析，其时间复杂性与蚂蚁跳转结点的次数是线性关系．     

一种支持QoS多播路由的MST算法

阐述了满足多QoS约束的多播路由问题，描述了适用于QoS多播路由的网络模型，对Prim算法进行改进，提出了一种支持QoS多播路由的多播树生成算法．该算法在多播规模不断扩大的情况下，总代价始终小于其它算法，并且，随着组的规模的增加，其优越性也越明显．最后将该算法与传统算法进行比较，体现算法的优越性与有效性．并通过仿真试验进行了验证．     

基于蚂蚁算法的物流配送路径的优化

随着物流行业的发展,物流配送成本成为人们关注的问题。为了进一步降低日益复杂的物流配送成本,文中将蚂蚁算法应用于物流配送的路径优化问题中,设计了求解物流配送路径优化问题的蚂蚁算法,并应用实例加以仿真计算,结果表明该算法对物流配送路径优化是实用和有效的。     

基于元胞蚂蚁算法边坡安全系数计算

基于蚂蚁算法和元胞自动机各自的原理,提出一种元胞蚂蚁耦合算法及其数学描述,并将该模型探索性的用于边坡安全系数优化问题的求解中．算法在MATLAB环境下进行实现．通过工程数据进行验证和测试,证明其良好的效果．     

蚁群算法在城市交通路径选择中的应用

针对城市交通路径选择问题,引入蚁群算法并将其改进为可同时满足对路程和时间最优的路径搜索算法,设计了相关的搜索规则和流程.在大量试验的基础上,讨论了算法中各种参数对路径搜索算法收敛性(包括收敛速度和准确度)的影响,并获得了一纽最优的经验参数.分析了搜索中产生伪最优解路径的规律,并通过控制收敛速度和加快趋向最优路径对蚁群算法进行了优化.结果显示,所进行的优化能有效抑制伪最优路径的产生,在2个周期内即可完成搜索.     

蚁群算法在西餐连锁店配送路径中应用

西餐连锁店的路径优化是各连锁店食品配送路线的优化,要求满足各连锁店时间窗的约束,可抽象为带时间窗的车辆路径问题（VRPTW）.文中采用启发式算法对VRPTW求解.为正确衡量信息素和期望值浓度在进化的不同阶段对算法的贡献,引入了一种自适应转移策略来提高算法的求解效率,并通过综合考虑全局和局部信息的更新策略——蚁权策略进行信息素更新,加快算法的收敛速度.最后,通过11个经典VRPTW对该算法的性能进行了检验.并以大连市西餐连锁店为研究对象,运用本文所提出的蚁群算法求解大连市西餐连锁店的配送路线.     

人工蚁群算法理论及其在经典 TSP 问题中的实现

人工蚁群算法是一种新型的模拟进化算法也是一种随机型智能搜索寻优算法.较系 统地总结了这一算法的基本理论.分析了其基本摸型和算法在TSP问题中的实现方式给出了 改进算法及其在多点通信路由问题中的应用.并对人工蚁群算法的优化性能进行了分析讨论.     

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.     

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。     

带回程取货的逆向物流车辆路径建模及其蚁群算法

对逆向物流车辆路径问题进行了概述和分类,构建了以VRPPDTW为基础的带回程取货的逆向物流车辆路径数学模型,设计了求解该模型的最大-最小蚁群算法,对设计要素进行了详细介绍,包括初始蚁群分布,状态转移策略,以及信息素更新策略等,并给出了具体的算法步骤. 最后,以Solomon中的R101、R102、R103、R104和R105等5项示例为背景,分别取前25节点和50节点,以取货点的取货量比例分别占全部客户节点需求量的10％、30％、50％取货,得到30个算例的计算结果,并将其与Tangian和模拟退火等计算结果进行了比较,结果表明最大-最小蚁群算法在某种程度上优于其他算法     

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.     

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。     

随机时变车辆路径问题的多目标鲁棒优化方法

车辆路径问题 （vehicle routing problem,VRP） 是物流配送的核心问题之一,为了提高物流配送的时效性,在传统VRP模型的基础上,同时考虑了路网交通状态的时变性和随机性,基于最小最大准则,提出了一种带硬时间窗的随机时变车辆路径问题 （stochastic time-dependent vehicle routing problem,STDVRP） 的多目标鲁棒优化模型. 设计了一种非支配排序蚁群算法 （non-dominated sorting ant colony optimisation,NSACO）,求解STDVRP多目标优化模型;通过测试算例,对比分析了NSACO算法与改进型非支配排序遗传算法 （non-dominated sorting genetic algorithm II,NSGA-II）. 研究结果表明:对于车辆数最小的Pareto边界解,NSACO算法的平均车辆数比NSGA-II算法小3.33%;对于最坏行程时间最小的Pareto边界解,NSACO算法的平均最坏行程时间比NSGA-II算法小17.49%.