Apply Ant Colony Algorithm to Search All Extreme Points of Function
Sichuan Normal University(四川师范大学);Shenzhen University(深圳大学);Chengdu University of Technology(成都理工大学)
求多峰函数的所有极值点称为极值问题,这是最优化领域的一个著名难题。将蚁群算法应用于解决这一问题的研究还鲜见报道。本文探讨了应用蚁群算法求解极值问题的方法。实验表明,本文方法的求解误差小于10^-8。关键词:蚁群算法;蚁群算法
2009-11-17 cs.AI cs.NE
Experiment Study of Entropy Convergence of Ant Colony Optimization
Sichuan Normal University(四川师范大学);Chengdu University of Technology(成都理工大学)
蚁群算法在组合优化领域有着广泛的应用。但在一般情况下对蚁群算法收敛性的研究还很少。本文试图寻找证据证明熵与蚁群算法的收敛性,特别是与最小收敛迭代次数的估计有关。熵是研究一般条件下蚁群算法收敛性的一个新的视角。关键词:蚁群算法,收敛性,熵
2009-10-25 cs.AI cs.NE
Multiple ant-bee colony optimization for load balancing in packet-switched networks
计算机网络中的一个重要问题是“负载均衡“,它导致网络资源的有效利用。为了实现平衡的网络,有必要在源和目的地之间找到不同的路由。在本文中,我们提出了一种新的方法来找到不同的路线使用群体智能技术和多群体算法。该算法是对MACO算法的改进,采用不同的蚁群和蜜蜂群,并指定这些蚁群成员作为智能代理来监控网络和更新路由信息。调查包括对MACO的比较和批评。仿真结果表明,在上述方法的有形的改进。
2011-10-26 cs.AI cs.NI
A self-tuning Firefly algorithm to tune the parameters of Ant Colony System (ACSFA)
General Sir John Kotelawala Defence University(约翰·科特拉瓦拉爵士国防大学);University of Sri Jayewardenepura(斯里贾亚瓦德纳普拉大学)
蚁群算法是一种很有前途的求解方法,在旅行商问题(TSP)、车间作业调度问题(JSP)和二次分配问题(QAP)等问题中得到了广泛的应用。在其最初的实现中,算法的参数是通过试错法来选择的。在过去的几年里,新的方法已经提出了适应ACS的参数,以提高其性能。本文的目的是使用一个框架介绍的自调整优化算法结合萤火虫算法(FA)调整的ACS解决对称TSP问题的参数。FA优化ACS的问题特定参数,而FA的参数由所选框架本身调整。使用这种方法,用户既不必使用ACS的参数,也不必使用FA的参数。使用常见的对称TSP问题,我们证明了该框架非常适合ACS。详细的统计分析进一步验证了新的ACS优于现有的ACS和其他技术用于调整ACS的参数。
2016-10-26 cs.AI
Fast-Spanning Ant Colony Optimisation (FaSACO) for Mobile Robot Coverage Path Planning
Manchester Metropolitan University(曼彻斯特城市大学)
覆盖路径规划(CPP)的目标是找到一条覆盖整个给定空间的最优路径。由于NP难的性质,CPP仍然是一个具有挑战性的问题。生物启发的算法,如蚁群优化(ACO)已被用来解决这个问题,因为他们可以利用启发式信息,以减轻路径规划的复杂性。本文提出了快速生成蚁群优化算法(FaSACO),蚂蚁可以以不同的速度探索环境。通过这种机制,具有较高速度的蚂蚁可以更快地找到目的地或障碍物,并且通过在路径上的信息素踪迹传递这些信息来保持较低速度的蚂蚁被告知。这种机制确保找到(次)最优路径,同时减少总体路径规划时间。实验结果表明,FaSACO是$19.3-32.3\%$更有效的CPU时间方面比ACO,并重新覆盖$6.9-12.5\%$更少的细胞比ACO。这使得FaSACO在实时和能源有限的应用中具有吸引力。
2022-06-20 cs.AI cs.RO
Pheromone-Focused Ant Colony Optimization algorithm for path planning
College of Intelligent Robotics and Advanced Manufacturing, Fudan University(智能机器人与先进制造学院,复旦大学)
本文提出基于信息素聚焦的蚁群优化算法,通过三种策略提升路径规划中的收敛速度和解质量。
2026-01-12 cs.AI cs.NE
Evolution of Ant Colony Optimization Algorithm -- A Brief Literature Review
SEECS-NUST(国立科技大学电气工程与计算机科学学院)
蚁群优化算法(Ant Colony Optimization,ACO)是Marco Dorigo在1991年提出的一种基于生物蚂蚁行为的启发式算法。信息素铺设和最短路径的选择与信息素的帮助启发第一蚁群算法的发展。自从第一个这样的算法提出以来,许多研究人员在这一领域进行了工作并发表了他们的研究。虽然最初的结果并不那么乐观,但最近的发展使这种元启发式算法成为群体智能中的一个重要算法。这项研究提出了一个简短的概述,最近的发展进行了ACO算法的应用和算法的发展。在应用方面,提出了多目标优化、连续优化和时变NP难问题。在回顾基于算法开发的文章时,已经研究了杂交和并行架构。
2019-08-27 cs.AI cs.NE
Hybrid 2-stage Imperialist Competitive Algorithm with Ant Colony Optimization for Solving Multi-Depot Vehicle Routing Problem
Brunel University London(伦敦布鲁内尔大学)
多配送中心车辆路径问题(MDVRP)是一个考虑如何满足多个配送中心的客户需求的简化车辆路径问题(VRP)的世界模型。本文介绍了一种基于两种基于种群的算法的混合2阶段方法-蚁群优化(ACO),模仿蚂蚁行为的性质和帝国主义竞争算法(ICA),是基于国家之间的地缘政治关系。在所提出的混合算法中,ICA是负责客户分配到仓库,而ACO是路由和排序的客户。该算法进行了比较,非混合ACO和ICA以及其他四个国家的最先进的方法在23个常见的Cordreaus基准实例。结果表明,简单的ACO和ICA的明显改善,并表现出非常有竞争力的结果相比,其他竞争对手的算法。
2020-04-07 cs.AI cs.NE
Integrating Fuzzy and Ant Colony System for Fuzzy Vehicle Routing Problem with Time Windows
Maharishi Markandeswar University(玛哈日希·马尔坎德什瓦尔大学)
本文研究了行程时间不确定的模糊VRPTW问题。可信度理论是用来模拟的问题,并指定一个偏好指数,在该指数下,它是希望的旅行时间,以达到客户落入他们的时间窗口。我们提出了基于模糊和蚁群系统的进化算法来解决这个问题,同时保持约束。计算结果的某些基准问题具有短和长的时间范围,以显示该算法的有效性。不同的偏好指数之间的比较已经获得,以帮助用户在作出适当的决定。
2014-11-14 cs.AI cs.CE cs.NE
An ant colony optimization algorithm for job shop scheduling problem
Universidad Industrial de Santander(桑坦德工业大学)
蚁群优化算法(ACO)是近年来发展起来的一种新算法,它在解决组合优化中的高复杂度(NP-难)问题方面具有很高的效率。本文描述了一个被称为精英蚂蚁系统(EAS)的ACO模型算法的实现,应用于一个组合优化问题,称为作业车间调度问题(JSSP)。我们提出了一种方法,旨在减少延迟指定立即可用的操作,但考虑到缺乏可用的操作,并具有更大量的信息素。该算法的性能进行了评估的问题JSSP参考,比较质量的解决方案获得的最知名的解决方案的最有效的方法。解决方案的质量很好,并获得了显着的效率,必须作出一个非常低的目标函数的评价。
2013-09-19 cs.AI cs.NE
The GPU-based Parallel Ant Colony System
University of Silesia(西里西亚大学)
蚁群算法是继蚁群优化算法和最大最小蚁群算法之后,受蚂蚁行为启发而提出的最有效的元启发式算法之一。在这篇文章中,我们提出了三个新的并行版本的ACS的图形处理单元(GPU)。据我们所知,这是ACS上的第一个此类工作,它共享ACO和MMAS的许多关键元素,但构建解决方案和更新信息素轨迹的过程中的差异使得获得GPU的有效并行版本成为一项艰巨的任务。所提出的并行版本的ACS的不同之处主要在于它们的信息素存储器的实现。前两个使用标准的信息素矩阵,第三个使用一种新的选择性信息素存储器。在198 ~ 2392个城市的TSP问题上进行的计算实验表明,在Nvidia Kepler GK 104 GPU(1536个CUDA核)上并行ACS与在Intel Xeon E5-2670 CPU单核上运行的顺序ACS相比,能够获得高达24.29倍的加速比。选择性信息素存储器的并行ACS实现了高达16.85倍的加速比,但在大多数情况下,所获得的解决方案是显着更好的质量比顺序ACS。
2017-05-05 cs.AI cs.DC
An Efficient Hybrid Ant Colony System for the Generalized Traveling Salesman Problem
Isfahan University of Technology(伊斯法罕理工大学);Simon Fraser University(西蒙弗雷泽大学)
广义旅行商问题(GTSP)是著名的旅行商问题(TSP)的扩展,其中节点集被划分为簇,目标是找到访问每个簇一次的最短循环。提出了一种新的求解对称GTSP问题的混合蚁群算法。该算法是一个简单的ACS的TSP改进的有效的GTSP特定的局部搜索过程的修改。我们广泛的计算实验表明,使用局部搜索过程显着提高了ACS算法的性能,使其成为迄今为止最成功的GTSP元算法之一。
2012-07-05 cs.AI math.CO math.OC
New feature for Complex Network based on Ant Colony Optimization for High Level Classification
Institute of Mathematics and Computer Science (ICMC), University of São Paulo (USP)(圣保罗大学数学与计算机科学研究所)
低级别分类从元素中提取特征,即物理特征,以使用它们来训练模型用于稍后的分类。高级分类使用高级特征、现有模式、数据之间的关系,并结合低级和高级特征进行分类。高级特征可以从基于数据创建的复杂网络中获得。用局部和全局特征来描述复杂网络的结构,即平均邻居度、平均聚类。目前的工作提出了一个新的功能来描述网络的体系结构以下的蚁群系统的方法。实验结果表明,该特征对不同类别的数据具有很好的敏感性。
2020-08-29 cs.AI cs.LG cs.NE
Learning Bayesian Network Equivalence Classes with Ant Colony Optimization
University of Glasgow(格拉斯哥大学);Aberystwyth University(阿伯里斯特威斯大学)
贝叶斯网络是表示不确定性知识的有效工具。提出了一种新的贝叶斯网络结构学习算法ACO-E。它通过使用蚁群优化(ACO)在贝叶斯网络的等价类空间中进行搜索来实现这一点。为此,传统的蚁群算法技术的两个新的扩展提出并实现。首先,允许多种类型的移动。其次,可以根据不基于构造图节点的索引来给出移动。测试结果表明,ACO-E执行更好的贪婪搜索和其他国家的最先进的和元启发式算法,而搜索的空间中的等价类。
2014-01-15 cs.AI cs.LG cs.NE
A collaborative ant colony metaheuristic for distributed multi-level lot-sizing
University of Bremen(不来梅大学);Stuttgart University of Applied Sciences(斯图加特应用技术大学);University of Hagen(哈根大学)
本文提出了一种蚁群优化协同规划的元启发式算法。协同规划是用来协调个人计划的自利决策者的私人信息,以增加联盟的整体利益。该方法包括一个新的搜索图的基础上编码的解决方案。分布式和私人信息通过投票机制和通过一个简单但有效的协作本地搜索过程进行集成。该方法被应用到一个分布式的多层次批量问题的变种,并通过从文献中的352个基准实例进行评估。所提出的方法明显优于现有的方法上的中型和大型的实例集。虽然到目前为止,文献中最好的方法实现了最大实例集合的46%的最佳已知非分布式解决方案的平均偏差,但所提出的方法将平均偏差降低到仅5%。
2012-04-02 cs.AI cs.DC
New results of ant algorithms for the Linear Ordering Problem
Babes-Bolyai University(巴比什-波雅依大学)
基于蚂蚁的算法是解决复杂问题的成功工具。其中一个问题是线性排序问题(LOP)。本文利用蚁群系统(ACS)和步回敏感蚂蚁模型(SB-SAM)对LOP问题进行了求解,得到了一些新的结果。
2012-08-27 cs.AI cs.NE
Efficiently solving the thief orienteering problem with a max-min ant colony optimization approach
Universidade Federal de Ouro Preto(奥罗普雷托联邦大学);Universidade Federal de Viçosa(维索萨联邦大学);The University of Adelaide(阿德莱德大学)
我们解决小偷定向问题(ThOP),一个学术的多组件问题,结合了两个经典的组合问题,即背包问题和定向问题。在ThOP中,小偷有一个时间限制来窃取分布在一组给定城市的物品。在旅行时,小偷通过将物品存放在背包中来收集物品,这反过来又降低了旅行速度。小偷的目标是最大限度地提高被盗物品的总利润。在这篇文章中,我们提出了一种方法,结合群体智能与随机包装启发式。我们的解决方案的方法优于现有的工作,几乎所有的432个基准测试实例,具有显着的改进。
2021-10-26 cs.AI cs.NE
Tackling Dynamic Vehicle Routing Problem with Time Windows by means of Ant Colony System
Alexandru Ioan Cuza University(亚历山德鲁·伊万·库扎大学)
带时间窗的动态车辆路径问题(DVRPTW)是著名的车辆路径问题(VRP)的扩展,它考虑了问题的动态性质。这一方面要求车辆路线在新的客户请求到达系统时以持续的方式进行更新,并且必须在工作日期间纳入不断变化的时间表中。除了经典的车辆路径问题中的车辆容量约束外,DVRPTW还考虑了时间窗口,这能够更好地捕捉现实世界的情况。尽管如此,到目前为止,很少有研究集中在解决这个问题的更大的实际意义。为此,本研究设计的决议DVRPTW,基于蚁群优化算法,它采取了联合解决方案的建设机制,能够并行建设的车辆路线。该方法与局部搜索过程相结合,旨在进一步改善蚂蚁构建的解决方案,并与插入式算法相结合,试图减少用于服务可用客户的车辆数量。实验结果表明,该算法具有较强的竞争力和有效性,在动态性较高的DVRPTW实例上,与现有的基于蚂蚁的方法相比,能够得到更好的结果。
2017-04-06 cs.AI cs.NE
ACO-tagger: A Novel Method for Part-of-Speech Tagging using Ant Colony Optimization
Allameh Tabataba’i University(阿拉梅·塔巴塔巴伊大学)
近年来,群体智能算法作为解决复杂和不确定性问题的一种手段得到了极大的关注。这些算法受到自然生物集体行为的启发,它们模拟这种行为来开发智能代理以执行计算任务。蚁群优化算法(ACO)就是其中之一,它的灵感来自于蚂蚁的觅食行为和它们的信息素铺设机制。蚁群算法用于解决离散和组合性质的困难问题。词性标注是自然语言处理中的一项基本任务,其目的是为句子中的每个词分配词性角色。本文提出了一种基于蚁群算法的高性能POS标注方法ACO-tagger。该方法实现了96.867%的高准确率,优于几种最先进的方法。所提出的方法是快速和有效的,使其成为实际应用的可行选择。
2023-03-27 cs.AI cs.CL cs.LG
Comparative Analysis of Ant Colony Optimization and Google OR-Tools for Solving the Open Capacitated Vehicle Routing Problem in Logistics
Faculty of Computer Science(计算机科学学院);MSA University(MSA大学)
本研究对比了蚁群优化(ACO)与Google OR-Tools两种方法求解物流领域开放式容量约束车辆路径问题(OCVRP)的性能,发现ACO参数灵活,OR-Tools速度更快、一致性更强、输入需求更低,可为实时物流系统路径策略选择提供参考。
2025-09-30 cs.AI cs.CL
Web Usage Mining Using Artificial Ant Colony Clustering and Genetic Programming
电子商务的快速发展使企业界和客户都面临着新的形势。由于激烈的竞争,一方面和客户的选择,从几个替代品的商业社会已经意识到智能营销策略和关系管理的必要性。Web使用挖掘试图从用户与Web的交互中获得的辅助数据中发现有用的知识。Web使用挖掘对于有效的Web站点管理、自适应Web站点的创建、商业和支持服务、个性化、网络流量分析等都具有重要意义。蚁群行为及其自组织能力的研究对知识检索/管理和决策支持系统科学具有重要意义,因为它提供了分布式自适应组织模型,其可用于解决困难的优化、分类和分布式控制问题等。在本文中,我们提出了一个蚂蚁聚类算法来发现Web使用模式(数据集群)和线性遗传编程的方法来分析访问者的趋势。实证结果清楚地表明,蚁群聚类表现良好时,相比自组织地图(聚类Web使用模式),即使性能的准确性是不是有效的进化模糊聚类(i-miner)的方法相比。关键词:Web使用挖掘,群体智能,蚂蚁系统,Stigmergy,数据挖掘,线性遗传编程。
2004-12-17 cs.AI cs.NE
Improving Ant Colony Optimization Efficiency for Solving Large TSP Instances
University of Silesia(西里西亚大学)
蚁群优化(ACO)是一种自然启发的元算法,通常用于寻找困难优化问题的近似解。尽管比精确方法快得多,但ACO仍然可能慢得令人望而却步,特别是与基本的特定问题的算法相比。最近的研究表明,通过算法改进和仔细的并行实现,可以显著提高性能,这得益于多核CPU和专用加速器。在本文中,我们提出了一种新的ACO变体,即聚焦ACO(FACO)。FACO的核心要素之一是控制新构建的解决方案与选定的先前解决方案之间差异数量的机制。该机制导致更集中的搜索过程,允许在保持现有解决方案的质量的同时找到改进。另一个好处是与特定问题的本地搜索更有效地集成。基于一系列旅行商问题实例的计算研究表明,FACO在解决大型TSP问题时优于最先进的ACO。具体来说,FACO需要不到一个小时的8核商品CPU时间来找到高质量的解决方案(在1%的最知名的结果)TSP艺术从100000到200000节点。
2022-03-04 cs.AI cs.NE
Apply Local Clustering Method to Improve the Running Speed of Ant Colony Optimization
Sichuan Normal University(四川师范大学);Shenzhen University(深圳大学);Chengdu University of Technology(成都理工大学)
蚁群算法具有时间复杂度O(t*m*N*N),其典型应用是求解旅行商问题(TSP),其中t、m和N分别表示迭代次数、蚂蚁数目和城市数目。减少运行时间是目前研究的热点之一,减少运行时间的途径之一是减少参数t和N,尤其是N。针对这一问题,本文提出了以下方法。首先设计了一种新的聚类算法--特殊局部聚类算法(SLC),然后应用该算法将所有城市划分为紧凑类,紧凑类是该类中所有城市紧密聚集在一个小区域内的类。其次,让ACO作用于每个类,以获得一个局部TSP路径。第三,将所有的局部TSP路径连接起来形成解。第四,消除了聚类导致的解的不准确性。仿真结果表明,该方法使蚁群算法的运行速度至少提高了200倍。而这种高速度得益于两个因素。一是类的规模小,参数N被削减。当蚁群算法作用于紧类时,每步迭代的路径长度都是收敛的。二是以路径长度收敛作为蚁群算法的终止准则,减少了参数t。
2009-07-07 cs.AI cs.NE
Interactive Ant Colony Optimisation (iACO) for Early Lifecycle Software Design
University of the West of England(西英格兰大学)
软件设计是软件开发成功的关键,也是软件工程师需要解决的多目标问题。在试图帮助软件设计者,交互式(即人在环)Meta启发式搜索技术,如进化计算已被应用,并显示出有前途的结果。最近的调查还表明,蚁群优化(ACO)可以优于进化计算,成为交互式软件设计的潜在搜索引擎。在有限的计算预算下,ACO可以在较少的迭代次数内产生更好的候选设计方案。基于这些发现,我们提出了一种新的交互式ACO(iACO)的方法,以帮助设计师在早期的生命周期软件设计,其中的搜索是引导联合主观设计师的评价以及机器健身功能的结构完整性和代理优雅的软件设计。结果表明,iACO是快速,响应和高效的交互式,动态的多目标搜索在早期生命周期的软件设计。研究参与者将iACO检索体验评为引人注目。适应度度量权重的机器学习的结果表明,软件设计优雅性确实在候选软件设计的设计师评估中起着重要作用。我们的结论是,类(NAC)之间的属性和方法的数量的均匀性是一个重要的替代优雅的措施,这反过来又表明,这种均匀性的分布,结合结构完整性,是一个隐含的,但有效的早期生命周期软件设计的关键组成部分。
2014-06-23 cs.AI cs.SE
Optimizing Long Short-Term Memory Recurrent Neural Networks Using Ant Colony Optimization to Predict Turbine Engine Vibration
University of North Dakota(北达科他大学)
这篇文章扩展了已经完成的研究,以开发一种能够使用长短期记忆(LSTM)神经元预测飞机发动机振动的递归神经网络(RNN)。LSTM RNN可以为发动机振动的分析计算提供更通用和更强大的预测方法,因为分析计算必须基于特定的经验发动机参数迭代求解,使得这种方法无法在多个发动机中推广。在最初的工作中,提出、评估和比较了多种LSTM RNN架构。这项研究通过使用基于蚁群优化(ACO)的有前途的神经进化方法来开发和增强网络的LSTM细胞结构,从而提高了以前工作中提出的最有效的LSTM网络设计的性能。已经开发了ACO神经进化算法的并行化版本,并将进化的LSTM RNN与以前使用的固定拓扑进行了比较。进化后的网络是在一个大型的飞行数据记录数据库上训练的,该数据库是从一家航空公司获得的,该航空公司的航班遭受了过度振动。结果是在高性能计算(HPC)集群上使用MPI(消息传递接口)获得的,在4天内使用168个核心进化了1000个不同的LSTM单元结构。新进化的LSTM单元显示出1.35%的改进,在预测未来10秒的过度发动机振动时,预测误差从5.51%降低到4.17%,同时将权重从21,170大幅减少到11,810。
2017-10-10 cs.AI cs.NE
Human-Robot Collaborative Minimum Time Search through Sub-priors in Ant Colony Optimization
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)(机器人学与信息研究所(西班牙国家研究委员会-加泰罗尼亚理工大学联合机构))
本文提出SP-MTS-ACO算法,结合CNN先验概率与智能体子先验偏好,解决人机协作最小时间搜索问题,并在真实实验中验证了其在保持效率的同时提升用户搜索感知。
2024-10-01 cs.AI cs.RO
Multi-Dimensional AGV Path Planning in 3D Warehouses Using Ant Colony Optimization and Advanced Neural Networks
School of Software Technology, Zhejiang University(浙江大学软件技术学院);Loctek Ergonomic Technology Co.(乐歌人体工学科技股份有限公司)
针对3D仓库动态交通与拥堵问题,提出结合ACO与深度学习的NAHACO框架,通过多维张量建模、拥堵感知损失函数和自适应注意力机制优化路径规划,在TSP基准和仓库测试中显著降低成本与拥堵。
2025-03-30 cs.AI cs.RO
Ant Colony Optimization for Cooperative Inspection Path Planning Using Multiple Unmanned Aerial Vehicles
Vietnam National University(越南国立大学);Ulsan National Institute of Science and Technology(蔚山国立科学技术院);Fulbright University Vietnam(越南富布赖特大学)
提出基于蚁群优化的多无人机协同巡检路径规划方法,通过3D模型生成视点并构建扩展旅行商问题,相比启发式方法将复杂结构路径长度减少29.47%。
2024-02-13 cs.AI cs.SY eess.SY
Beyond Static Priors: Dynamic Neural Guidance for Large-Scale Ant Colony Optimization
Center for AI Research(人工智能研究中心);VinUniversity(文大学);College of Engineering and Computer Science(工程与计算机科学学院);Laboratory for Information and Decision Systems(信息与决策系统实验室);Massachusetts Institute of Technology(麻省理工学院)
提出DyNACO框架,通过周期性观察信息素分布和当前解实现动态神经引导,结合扰动ACO后端和范围受限的细化机制,在TSP上扩展至10万节点并优于神经基线,在CVRP上以<1%神经开销持续改进无引导基线。
2026-06-02 cs.AI cs.LG cs.NE
Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization
School of Computing, Kyung Hee University(Kyung Hee 大学计算机学院);School of Information and Software Engineering, University of Electronic Science and Technology of China(中国电子科技大学信息与软件工程学院);School of Computer Science and Engineering, University of Electronic Science and Technology of China(中国电子科技大学计算机科学与工程学院);School of Computer Science and Technology, Tongji University(同济大学计算机科学与技术学院)
本文提出AMRO-S框架,通过意图推理、任务特定信息素专家和质量门控异步更新机制,提升多智能体系统路由效率与可解释性,实验显示其在质量-成本权衡上优于现有方法。
2026-03-13 cs.AI
An Improved ACS Algorithm for the Solutions of Larger TSP Problems
Khulna University of Engineering & Technology(库尔纳工程技术大学)
如何有效地求解大型旅行商问题是计算机科学研究人员面临的一个挑战。针对组合优化问题中最突出的一类TSP问题,提出了一种改进的蚁群算法--红黑蚁群算法(RB-ACS)。RB-ACS算法利用蚁群系统的思想和遗传算法的并行搜索机制,快速获得最优解。在本文中,它表明,建议RB-ACS算法产生显着更好的性能比现有的最知名的算法。
2013-04-13 cs.AI cs.DS cs.NE
Boosting Ant Colony Optimization via Solution Prediction and Machine Learning
Monash University(莫纳什大学);New York University(纽约大学);RMIT University(皇家墨尔本理工大学);The University of Melbourne(墨尔本大学)
提出了一种结合机器学习(ML)和蚁群优化(ACO)求解组合优化问题的改进元启发式算法(ML-ACO)。为了说明我们的ML-ACO算法的基本机制,我们开始描述一个测试问题,定向越野问题。在这个问题中,目标是找到一条路线,在一定的时间预算内访问图中的顶点子集,以最大化收集的分数。在ML-ACO算法的第一阶段,使用一组已知最佳解决方案的小问题实例来训练ML模型。具体而言,分类模型用于使用特定于问题的特征和统计测量来将边缘分类为最佳路线的一部分或不分类。然后使用训练的模型来预测测试问题实例的图中的边属于相应的最优路线的概率。在第二阶段,我们将预测概率纳入算法的ACO组件,即,使用所述概率值作为启发式权重或热启动所述信息素矩阵。在这里,概率值使采样偏向于在构造可行路线时有利于那些预测的高质量边缘。我们已经测试了多种分类模型,包括图神经网络,逻辑回归和支持向量机,实验结果表明,我们的解决方案预测方法一致提高ACO的性能。此外,我们的经验表明,我们在小的合成实例上训练的ML模型可以很好地推广到大的合成和现实世界的实例。我们将ML与元启发式集成的方法是通用的,可以应用于广泛的优化问题。
2021-11-07 cs.AI cs.LG cs.NE
A Novel Rough Set Reduct Algorithm for Medical Domain Based on Bee Colony Optimization
Akshaya College of Engineering and Technology(阿克沙亚工程技术学院)
特征选择是指选择产生最具预测性结果的相关特征的问题。特别地,特征选择任务涉及包含大量特征的数据集。粗糙集理论已经成为特征选择最成功的方法之一。然而,这种方法仍然无法找到最佳子集。本文提出了一种新的特征选择方法的基础上粗糙集理论与蜂群优化(BCO)的混合,试图解决这个问题。将该方法应用于医学领域,并与快速约简、熵约简以及其他混合粗糙集方法如遗传算法、蚁群算法(ACO)和粒子群算法(PSO)进行了实验比较。
2010-06-23 cs.AI cs.LG cs.NE
The Generalized Traveling Salesman Problem solved with Ant Algorithms
North University Baia Mare(北巴亚马雷大学);Babes-Bolyai University(巴贝什-博尧伊大学)
考虑了一个著名的NP-困难问题,称为广义旅行商问题(GTSP)。在GTSP中,完全无向图的节点被划分成簇。我们的目标是找到一个最低成本的旅游通过每个集群中的一个节点。给出了求解该问题的一个精确指数时间算法和一个有效的元启发式算法。提出的元启发式算法是一种改进的蚁群系统(ACS)算法,称为增强蚁群系统(RACS),它在ACS算法中引入了新的校正规则。许多标准的测试问题的计算结果报告。所提出的算法是竞争力与其他已经提出的算法的GTSP在解决方案的质量和计算时间。
2013-10-09 cs.AI cs.NE
Neural Architecture Search using Particle Swarm and Ant Colony Optimization
Adapt Centre, Dublin City University(都柏林城市大学Adapt中心);Cork Institute of Technology(科克理工学院)
本研究开发图像分类用开源NAS系统OpenNAS,对比群智能算法PSO与ACO优化CNN架构的效果,发现PSO表现更优,尤其在复杂数据集上提升显著,同时以微调预训练模型为性能基线。
2024-03-06 cs.AI cs.LG cs.NE
A hybrid ACO approach to the Matrix Bandwidth Minimization Problem
人类社会的发展提出了越来越多的困难的努力。对于一些现实生活中的问题,计算时间的限制增加了他们的复杂性。矩阵带宽最小化问题(MBMP)寻求的是一个正方形矩阵的行和列的同时置换,以保持其非零元素接近主对角线。MBMP问题是一个被高度研究的P-完全问题,因为它在工业、物流、人工智能或信息恢复中有着广泛的应用。本文介绍了一种新的尝试,使用蚁群优化框架解决MBMP。引入的模型是基于杂交的蚁群系统技术与新的本地搜索机制。计算实验证实了所提出的算法所考虑的MBMP实例集的良好性能。
2012-09-16 cs.AI cs.NE
Sensitive Ants in Solving the Generalized Vehicle Routing Problem
Babes-Bolyai University(巴贝什-博雅依大学);North University of Baia Mare(巴亚马雷北方大学)
蚁群系统中的灵敏度思想已被用于混合蚁群模型中,并在许多组合优化问题中取得了良好的效果。通过赋予个体蚂蚁对信息素踪迹一定程度的敏感性,在蚂蚁种群中诱导异源性。同一群蚂蚁对信息素的敏感度不同,可能会加强搜索,同时也会导致环境探索的多样性。研究了敏感蚂蚁模型求解广义车辆路径问题的性能。数值结果和比较进行了讨论和分析,重点是强调任何特定的方面和潜在的好处有关的混合蚂蚁模型。
2012-08-27 cs.AI cs.NE