一种自适应蚁群算法及其仿真研究_王颖
一种基于监工机制的改进蚁群算法
一种基于监工机制的改进蚁群算法朱会杰;王新晴;张红涛;赵洋;李艳峰【摘要】针对基本蚁群算法存在收敛速度慢、易陷入局部最优解等问题,受监工机制的启发,提出了监工蚁群算法,以监工距离作为评价标准,自适应地选择优良的蚂蚁更新信息素,提高了每次迭代中解的质量,指导之后的蚂蚁进行更好的学习.该算法选用优化的全局更新策略,使得信息素在进化前期增加较多,在后期增加较少;同时,自适应地将信息素的值限定在一定范围内,防止某条路径被选择的概率过大或者过小.该算法还添加了发散和收敛机制,当算法陷入局部最优解时,增加探索的概率,有助于跳出局部最优解.仿真结果表明,监工蚁群算法具有较高的全局寻优能力,减少了迭代次数,增强了算法的稳定性.【期刊名称】《解放军理工大学学报（自然科学版）》【年(卷),期】2014(015)002【总页数】6页(P165-170)【关键词】蚁群优化算法;监工机制;自适应;局部搜索;旅行商问题【作者】朱会杰;王新晴;张红涛;赵洋;李艳峰【作者单位】解放军理工大学野战工程学院,江苏南京210007;解放军理工大学野战工程学院,江苏南京210007;防空兵学院,河南郑州450052;解放军理工大学野战工程学院,江苏南京210007;解放军理工大学野战工程学院,江苏南京210007【正文语种】中文【中图分类】TP18蚁群算法是一种应用于组合优化问题的启发式搜索算法，该算法能够在较少的初始条件下，通过启发式搜索、全局优化迅速获得全局最优解，具有鲁棒性、正反馈性以及易与其他算法相结合等优点，已广泛用于解决NP(non-deterministics polynomial)问题，如网络通信、多目标分配、机器人路径规划、数据挖掘、参数辨识、图像处理等[1～5]。
由于蚁群算法采用随机概率选择和信息素正反馈策略，导致算法存在稳定性差、收敛速度慢、易陷入局部最优解等问题。
针对上述问题，本文提出一种基于监工机制的蚁群算法，该算法通过添加监工距离这一动态收敛标准，采用优化的信息素更新策略，促使蚂蚁选择优良的路径，以期取得良好的效果，为蚁群算法的改进提供一种新的思路。
基于蚁群算法的子阵级自适应多波束形成
基于蚁群算法的子阵级自适应多波束形成
张忠民;李蔚然
【期刊名称】《应用科技》
【年(卷),期】2022(49)1
【摘要】在大型阵列信号处理中,可以在子阵级进行数字波束扫描形成多波束,降低硬件成本和系统复杂度,其中子阵划分的优劣直接决定信号处理的性能。
针对子阵级多波束形成的问题,提出了一种基于蚁群算法的子阵划分最优策略,该策略将蚂蚁的迁移路径作为子阵划分方案,以峰值旁瓣电平为优化目标进行迭代搜索,使得子阵级自适应形成多波束方向图的旁瓣性能达到最优。
首先,分析了蚁群算法的基本原理,对子阵划分问题的解空间进行建模,设计最优策略并求解得子阵划分方案;然后采用线性约束最小方差准则(LCMV)计算子阵级权矢量,形成多波束方向图;最后通过对比分析了多波束方向图的性能。
仿真实验证明了所提算法得出的子阵划分以及激励匹配方案的有效性。
【总页数】7页(P83-89)
【作者】张忠民;李蔚然
【作者单位】哈尔滨工程大学信息与通信工程学院
【正文语种】中文
【中图分类】TN957.2
【相关文献】
1.基于伪随机码加权的非均匀天线阵自适应多波束形成方法
2.基于遗传算法的均匀子阵数字多波束形成研究
3.对称指数分布的子阵级多波束形成方法
4.基于SOCP 理论的子阵级干扰多波束形成方法
5.基于罚函数和特征空间的子阵级自适应波束形成
因版权原因，仅展示原文概要，查看原文内容请购买。
自适应的并行蚁群算法
自适应的并行蚁群算法
陈崚;章春芳
【期刊名称】《小型微型计算机系统》
【年(卷),期】2006(27)9
【摘要】本文根据影响并行蚁群算法性能的关键因素,提出了一种自适应的并行蚁群算法.首先提出了基于适应度和基于距离选择的两种不同的信息交流策略,使得各处理机自适应地选择与之进行信息交换的处理机,然后采用自适应的更新策略进行信息素的更新.为了增强该算法的搜索能力,还根据解的多样性给出了自适应地调节处理机之间的信息交流周期的方法.在MPP处理机深腾1800上对TSP问题的实验结果表明了该算法在保证有效的加速比的同时,具有很好的收敛性.
【总页数】5页(P1695-1699)
【作者】陈崚;章春芳
【作者单位】扬州大学,信息工程学院计算机系,江苏,扬州,225009;南京大学,计算机软件新技术国家重点实验室,江苏,南京,210093;扬州大学,信息工程学院计算机系,江苏,扬州,225009
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.自适应并行蚁群算法在TCP网络速率控制中的应用 [J], 李向丽;周林成
2.并行设计任务调度的自适应蚁群算法 [J], 张金标;陈科
3.基于并行多种群自适应蚁群算法的聚类分析 [J], 高坚
4.并行蚁群算法中的自适应交流策略 [J], 陈崚;章春芳
5.自适应并行机制的改进蚁群算法 [J], 夏鸿斌;须文波;刘渊
因版权原因，仅展示原文概要，查看原文内容请购买。
求解自适应组合优化蚁群算法的研究
求解自适应组合优化蚁群算法的研究
孙泽宇;邢萧飞
【期刊名称】《计算机工程与应用》
【年(卷),期】2009(045)035
【摘要】传统的组合优化蚁群算法在求解过程中要消耗大量的时间,极易陷入局部最优化求解等弊端,同时还会产生大量无用的冗余迭代码,运算效率低.对此,提出了自适应组合优化蚁群算法.通过对改变信息素的迭代、参数选择的分析和增加对信息素局部更新方式,提高了整个系统运算速度及收敛速度,扩充了优化的范围,克服了无用迭代码的产生,减少了停滞现象的出现.通过该算法对旅行商问题进行仿真实验,其结果表明了该算法的可行性和有效性.
【总页数】4页(P31-33,37)
【作者】孙泽宇;邢萧飞
【作者单位】洛阳理工学院,计算机与信息工程系,河南洛阳,471023;中南大学,信息科学与工程学院,长沙,410083;日本筑波大学计算机与科学系,日本,筑波,305-8573【正文语种】中文
【中图分类】TP18
【相关文献】
1.求解车辆行程优化问题的自适应蚁群算法研究 [J], 张颖;向永生
2.基于自适应蚁群算法的旅行商问题的求解 [J], 黄志华
3.求解TSP问题的自适应模拟退火蚁群算法 [J], 袁汪凰;游晓明;刘升;朱艳
4.自适应蚁群算法求解最短路径和TSP问题 [J], 易正俊;李勇霞;易校石
5.改进自适应蚁群算法求解集装箱装载瓦楞纸板问题 [J], 高林;姜旭辉;朱庆港因版权原因，仅展示原文概要，查看原文内容请购买。
基于蚁群算法多层次动态信息提取仿真研究
基于蚁群算法多层次动态信息提取仿真研究王娅森;刘厚泉【期刊名称】《计算机仿真》【年(卷),期】2012(29)5【摘要】The research dynamic interest preference captures accuracy problems. For large data in the network structure caused by defects such as slow searching information, in order to be able to retrieve the user interest of more information, and proposes an improved ant colony algorithm user interests mode acquisition algorithm was presented for hierarchical structure, this paper firstly information website, according to the website and user interests have gra-dation , and then modified characteristics nf ant colony algorithm higher searching mechanism, using the ants foraging cycle from all levels for activities, the corresponding path pheromone strength, and timely implement pheromone up-date mechanism, thus obtains the user to the node preferences function values, again according to the user's interests mode. For value Simulation experiments show that the proposed method can effectively capture a user interests infor-mation , capture more accurate, is a kind of effective method.%研究动态信息偏好捕捉精确度问题.网络数据存在重复性信息和随机性强.针对互联网中的大量数据,而造成了有效的信息的查找速度慢等缺陷,为了能够快速的获取更多的用户比较感兴趣信息,提出了一种改进的蚁群算法用户兴趣模式获取技术.面向层次结构的信息网站,算法首先根据网站和用户兴趣所具有的层次性特征,然后采用改进的蚁群算法较高的寻优机制,利用蚂蚁的觅食周期活动,从各个层次求出相应路径的信息素浓度,并适时的实行信息素更新机制,从而得到用户对该结点的偏好函数值,再依据此值求得用户兴趣模式.仿真结果表明,提出的方法能够有效地捕捉出用户兴趣信息,捕捉精确度较高,是一种有效的方法,具有一定的推广价值.【总页数】4页(P133-135,195)【作者】王娅森;刘厚泉【作者单位】中国矿业大学计算机科学与技术学院,江苏徐州221116;中国矿业大学计算机科学与技术学院,江苏徐州221116【正文语种】中文【中图分类】TP391.9【相关文献】1.基于多层次细节模型的动态切削力仿真 [J], 何伟;宾鸿赞;张何军2.基于蚁群算法的无人机航迹规划及其动态仿真 [J], 王绪芝;姚敏;赵敏;胡中华3.基于动态自适应蚁群算法的航线规划仿真 [J], 张欢;吴军;彭芳4.基于仿真和蚁群算法的公交动态交通规划研究 [J], 夏立国5.基于改进蚁群算法的无人机遥感高程信息提取方法 [J], 张向涛因版权原因，仅展示原文概要，查看原文内容请购买。
蚁群算法详细讲解PPT课件
2021
7
1.1.3 蚁群优化算法研究背景 2/3
与大多数基于梯度的应用优化算法不同，群智能依靠的是 概率搜索算法。虽然概率搜索算法通常要采用较多的评价 函数，但是与梯度方法及传统的演化算法相比，其优点还 是显著的 ，主要表现在以下几个方面： 1 无集中控制约束，不会因个别个体的故障影响整个问题
的求解，确保了系统具备更强的鲁棒性 2 以非直接的信息交流方式确保了系统的扩展性 3 并行分布式算法模型，可充分利用多处理器 4 对问题定义的连续性无特殊要求 5 算法实现简单
2021
21
1.2 蚁群优化算法概念
1.2.1 蚁群算法原理 1.2.2 简化的蚂蚁寻食过程 1.2.3 自然蚁群与人工蚁群算法 1.2.4 蚁群算法与TSP问题 1.2.5 初始的蚁群优化算法—基于图的
蚁群系统（GBAS） 1.2.6 一般蚁群算法的框架
2021
22
1.2.1 蚁群算法原理
蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿 生算法。蚂蚁在运动过程中，能够在它所经过的路径上留下一种称 之为外激素(pheromone)的物质进行信息传递，而且蚂蚁在运动过 程中能够感知这种物质，并以此指导自己的运动方向，因此由大量 蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：某一路径 上走过的蚂蚁越多，则后来者选择该路径的概率就越大。
2021
18
1.1.5 蚁群优化算法应用现状 3/5
基于群智能的聚类算法起源于对蚁群蚁卵的分类研究。 Lumer和Faieta将Deneubourg提出将蚁巢分类模型应 用于数据聚类分析。其基本思想是将待聚类数据随机 地散布到一个二维平面内，然后将虚拟蚂蚁分布到这 个空间内，并以随机方式移动，当一只蚂蚁遇到一个 待聚类数据时即将之拾起并继续随机运动，若运动路 径附近的数据与背负的数据相似性高于设置的标准则 将其放置在该位置，然后继续移动，重复上述数据搬 运过程。按照这样的方法可实现对相似数据的聚类。
一种快速全局优化的改进蚁群算法及仿真
一种快速全局优化的改进蚁群算法及仿真
段海滨;王道波
【期刊名称】《信息与控制》
【年(卷),期】2004(33)2
【摘要】在介绍基本蚁群算法原理的基础上 ,对其作了许多改进以提高其全局优化寻优速度 ,并给出了详尽的新算法编程仿真实现步骤 ,最后将未改进的基本蚁群算法与本文改进后的蚁群算法分别应用于TSPLIB中的Att5 32TSP问题进行了仿真实验 .仿真研究表明 ,改进后的算法具有优良的全局优化性能。
【总页数】4页(P241-244)
【关键词】蚁群算法;启发式仿生进化算法;全局优化;仿真
【作者】段海滨;王道波
【作者单位】南京航空航天大学自动化学院
【正文语种】中文
【中图分类】O242.23;TP391.9
【相关文献】
1.一种改进的快速传输控制协议及其在OPNET下的仿真实现 [J], 翟鹏;刘锋
2.一种改进蚁群算法的仿真研究 [J], 李金汉;杜德生
3.一种基于改进全局信息素更新效率的蚁群算法及仿真 [J], 叶仕通;万智萍
4.一种改进蚁群算法的无人机避险方法仿真研究 [J], 吴学礼;贾云聪;张建华;甄然
5.一种改进蚁群算法的移动机器人快速路径规划算法研究 [J], 谭会生;廖雯;贺迅宇
因版权原因，仅展示原文概要，查看原文内容请购买。
基于智能蚁群算法的路径规划与优化研究
基于智能蚁群算法的路径规划与优化研究智能蚁群算法是一种基于自然界中蚂蚁寻路行为的优化算法。
它模拟了蚂蚁在寻找食物时的规律和策略，通过大量的蚁群个体之间的交流和协作，不断寻找最优路径。
在路径规划和优化领域，智能蚁群算法已经被广泛应用，并且在很多问题中获得了非常良好的效果。
优化问题是人类在计算机科学、工程学、生物学等众多领域中面临的问题之一。
在这些领域中，优化的问题通常都可以被看做是寻找最优解的问题。
不过，由于优化问题的复杂度非常高，特别是在实际应用中，通常会面临着大量的约束条件、未知的参数和非线性问题等复杂情况。
这时候，智能蚁群算法优化算法就起到了重要作用。
通过模拟蚂蚁在寻找食物时的行为和策略，智能蚁群算法能够有效的解决一些复杂的优化问题。
相比于传统的优化算法，智能蚁群算法具有以下的优点。
首先，智能蚁群算法具有较好的鲁棒性。
由于该算法模拟自然界中的动物寻路行为，蚁群个体之间输入输出非常简单，因此算法具有很高的兼容性和鲁棒性。
即使在某个蚁群个体出现失效的情况下，整个算法系统也不会因此而崩溃。
其次，智能蚁群算法能够自适应。
蚂蚁在寻找食物时，会根据周围环境的变化来自适应调整自己的行为和策略。
在智能蚁群算法中，每个蚂蚁节点也会根据自身的数据来调整自己的路径搜索策略，达到更优的效果。
最后，智能蚁群算法聚类效果良好。
在寻找食物时，蚂蚁节点会通过一个简单的信息传递机制来寻找最优食物位置。
在计算机算法中，智能蚁群算法也会通过这种信息传播方式来避免重复搜索，并且提高搜索效率。
在路径规划和优化问题中，智能蚁群算法也被广泛应用。
对于一个定位的问题场景来说，智能蚁群算法可以有效的寻找到最短路径。
在蚁群行动过程中，逐渐建立了路径信息素分布模型，已经过的路径留下的信息仍会影响后续的选择，从而获得更加优秀的解。
在实际应用中，智能蚁群算法可以用于非常多的应用场景。
例如，在交通出行中，可以利用智能蚁群算法来进行路径规划和优化；在机器人路径规划中，也可以利用智能蚁群算法来确定最优路径；在电力系统中，可以利用智能蚁群算法来优化发电和输电效率。