共查询到18条相似文献，搜索用时 218 毫秒
1.
蚁群优化算法是一种新型的模拟进化优化算法,为求解复杂的组合优化问题提供了一种新的思路。文章对蚁群优化算法理论及其收敛性进行了分析,并从选择策略、信息素更新、信息素浓度的变异等多方面对蚁群优化算法提出了改进,不仅使其跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,在TSP问题上的应用表明改进算法具有良好的性能。 相似文献
2.
陈晓梅 《广东技术师范学院学报》2006,(4):68-70
蚁群算法来源于对蚂蚁群体搜索行为的追踪研究,其基于信息素的正反馈特性有助于快速找到最优解。但蚁群算法也有不足之处,主要表现在当问题规模较大时,容易陷入局部最优化从而导致算法过早停滞。本文以旅行商(TSP)问题为基准,介绍了蚁群算法的原理,然后讨论了三种改进策略,主要表现在对其关键因子———信息量增量进行调整,这些改进策略有效地改善了蚁群算法过早停滞的现象。 相似文献
3.
针对蚁群算法进行机器人路径规划时存在搜索空间大、效率低、容易陷入局部最优解、易出现死锁现象等问题,提出了一种改进的蚁群算法。在蚁群算法基础上,只对较优蚂蚁路径进行信息素浓度更新|针对U型障碍物,提出了蚂蚁回退策略,以及一些仿真实验策略改进。仿真结果表明：改进后蚁群算法能快速搜索到最优路径,有效避免死锁现象,与其它算法相比,具有良好的路径寻优能力与避障性能。 相似文献
4.
5.
蚁群算法是解决组合优化问题比较有效的方法。该方法采用分布式并行计算机制,易于与其它方法结合,并具有较强的鲁棒性,但也存在搜索时间长、易陷入局部最优解等问题。在研究多种改进的蚁群算法基础上,提出一种改进的蚁群算法来求解TSP问题。改进算法根据相邻节点间的相对距离特征,对路径解进行变异,诱导蚁群快速寻找到更优解。同时引入信息素挥发因子自适应调整机制和公共路径思想,调节算法收敛速度,以保证算法的全局搜索能力。实验结果表明,改进算法相比于MMAS、DMPSO ACO等算法,求解精度和收敛速度都有所提高,所选取的测试实例中,平均解相对已知最优解的偏差百分比平均可达到0.63%。 相似文献
6.
7.
蒋社想 《佳木斯教育学院学报》2014,(12):166-167
通过对蚁群算法、加权策略、分布估算算法等进行研究和分析,首先提出将加权策略应用于蚁群算法的信息素更新,有效地提高了算法的全局收敛速度,然后将蚁群算法与分布估算算法进行融合,从而避免了由于信息素的正反馈机制而陷入局部最优的问题,仿真实验表明该算法在收敛速度及最优路径求解方面有较好的改进。 相似文献
8.
针对智能交通系统中的车辆路径优化问题,运用蚁群算法进行求解,并对状态转移概率公式的选择做出了调整,进一步对信息素挥发因子进行改进,从而改进了基本蚁群算法到一定阶段后容易陷入局部最优的缺点,提高了算法的运算速度.实例求解表明,改进蚁群算法在车辆路径优化问题中,可以快速有效地得到近似最优解. 相似文献
9.
为解决蚁群算法（ACO）求解TSP收敛速度缓慢、易陷入局部最优的问题,提出一种基于蚁群的融合算法（APG）。首先在ACO的初始种群中引入精英策略,获得精英路径并构建精英可行解空间;其次引入PSO模型,令精英可行解作为PSO的初始种群,加入GA中的进化策略,使粒子与Gbest进行交叉操作,再使交叉操作后的粒子发生变异,得到第二次优化的可行解空间;最后更新ACO信息素,完成一次ACO优化迭代过程。通过APG在TSPLIB中不同实例的验证,结果表明,APG算法较其它路径优化算法能够得到更优路径。 相似文献
10.
在已知静态环境的条件下,提出一种改进蚁群算法,用以解决基本蚁群算法的收敛速度慢、效率低、易陷入局部最优解等问题。在传统蚁群算法的基础上,首先通过自适应改变挥发系数来使初始时刻的蚁群搜索能力加强、范围扩大,避免陷入局部最优解;其次将轮盘赌算子利用到状态转移规则中,有效地提高了解的质量和算法的收敛速度;最后通过精英选择操作,有效地提高了算法的全局搜索效率和收敛速度。通过对不同TSP实例仿真结果表明:改进后的蚁群算法在较少的迭代次数下得到的解非常接近问题的最优解,验证了该算法的可行性和有效性。 相似文献
11.
ＩＮＴＲＯＤＵＣＴＩＯＮＡｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｓ (Ｈｅｒｔｚ ,ｅｔａｌ.,2 0 0 0 ) ,ｉｎｖｅｓｔｉｇａｔｅｄｓｙｓｔｅｍａｔｉｃａｌｌｙａｔｆｉｒｓｔｉｎＤｏｒｉｇｏ’ｓＰｈ .Ｄ .ｄｉｓｓｅｒｔａｔｉｏｎ ( 1 992 )ａｓｔｈｅｉｍｉ ｔａｔｉｏｎｏｆｔｈｅｆｏｏｄ ｓｅｅｋｉｎｇｂｅｈａｖｉｏｒｉｎａｎｔｓｏｃｉｅｔ ｉｅｓ,ｈａｖｅａｔｔｒａｃｔｅｄｔｈｅｇｒｅａｔａｔｔｅｎｔｉｏｎｏｆｒｅ ｓｅａｒｃｈｅｒｓｉｎｃｏｍｐｒｅｈｅｎｓｉｖｅｆｉｅｌｄｓｏｆｓｙｓｔｅｍｏｐｔｉ ｍｉｚａｔ… 相似文献
12.
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.
Project (No. 9845-005) supported by National High-Tech. Research & Development Plan, China 相似文献
13.
近年来,自动导引机器人（AGV）一直是研究的热点问题,其中复杂路径规划为研究重点。为了更好地规划机器人路径,提出一种改进蚁群算法,该算法在传统蚁群算法基础上充分利用了 MMAS 算法的特点。首 先,构建网格环境模型,引入算法概率函数和抑制因子,通过改变算法的启发式信息,加快算法收敛速度|其次,引入回退机制解决死锁问题,再将 MMAS 蚂蚁系统转化为局部扩散信息素,只有迭代试验的最优解才能加入到信息素更新中|最后,有效限制信息素浓度,避免发生搜索路径过早收敛现象。仿真实验结果表明,改进蚁群算法与传统蚁群算法相比,迭代次数减少 45.6%,时间缩短 46.2%,改进蚁群算法收敛速度更快、效率更高。 相似文献
14.
基于改进蚁群算法的物流配送路径问题研究 总被引：1，自引：0，他引：1
高大利 《泉州师范学院学报》2009,27(2):21-24
在蚁群算法中采用新的信息素更新方式,对中小规模的物流配送路径问题进行求解．实验证明,该改进算法具有较好的全局寻优能力,在中小规模的物流配送路径问题求解中,取得了比较理想的效果． 相似文献
15.
杨琼 《内江师范学院学报》2013,28(2):25-27
根据旅行商问题中城市分布的特点,提出了分区域聚类的蚁群算法.首先,对城市分布进行球形聚类,再分别对剩下的城市进行线形聚类和孤立点聚类.采用这样的分区域聚类的蚁群算法收敛速度快,寻求的解更优.实验表明,该算法比基本蚁群算法在求得解更优的同时,速度快3～13倍. 相似文献
16.
丁智 《扬州职业大学学报》2014,(4):34-37
在研究现有云环境下独立任务和工作流任务调度模型的基础上,提出一种满足QoS约束的部分相关任务调度模型,并改进蚁群算法为每个子群选择信息素更新方法,通过小范围局部优化从而获得整体最优解。CloudSim仿真结果表明,该调度模型具有较高的收敛性和寻优能力,适用于云环境下任务调度。 相似文献
17.
动态调整信息素的蚁群算法 总被引：2，自引：0，他引：2
对蚁群算法提出了一种动态调整信息素的进化策略，以改善和提高算法的性能。不仅能够加快收敛速度，节省搜索时间，而且能够克服停滞行为的过早出现，有利于发现更好的解，这对于求解大规模的优化问题是十分有利的。 相似文献
18.
指出传统蚁群算法在解决QoS单播路由选择问题时,受到时延和带宽的约束,为降低路由费用,容易出现陷入局部最优且收敛速度慢的现象。针对上述问题,提出一种基于精英策略的蚁群优化QoS单播路由算法,该算法利用蚁群算法原理,并引入精英策略。通过仿真模拟一个20节点的计算机网络QoS单播路由选择实例,并与传统蚁群优化(ACO)算法进行对比,仿真结果表明该算法是有效的。 相似文献