用蚁群算法求解带交易成本的投资组合模型

证券投资组合优化问题的实质就是有限的资产在具有不同风险收益特征的证券之间的优化配置问题。本文在经典马科维茨投资组合的均值-方差模型框架下,将蚁群算法引入模型求解,提出考虑交易成本的股票投资组合模型。实证结果表明,蚁群算法是一种解决股票投资组合优化问题的有效算法,不同的参数设置对算法运行结果有显著影响。     

基于混合蚁群算法的物流配送路径优化问题的研究

建立优化物流配送路径的数学模型,然后构造求解该问题的混合蚁群算法。进行多次实验和计算,证明用混合蚁群算法优化物流配送路径,可以有效地求得问题的最优解或近似最优解。     

基于新型的蚁群算法在路径安排的研究

蚁群优化算法作为一种新型的启发式算法,在解决组合优化问题如旅行商问题,中可以得到较好的次优解而备受重视,但蚁群算法的运算过程由于受各种参数设置以及信息素更新方式的影响,存在着早熟收敛,容易陷入局部最优的现象。本文在这方面应用蚁群系统来进行尝试解决,并将其应用到邮递员的路径安排中进行实证检验。     

同步卫星转发器二维时频资源蚁群调度算法

针对地球同步卫星转发器多任务时频资源调度问题，考虑任务执行时间和占用带宽需求，建立了以卫星系统总收益为目标的多约束规划模型，提出了基于任务频率时间窗口更新的蚁群调度算法。该算法综合考虑了任务优先级和时间灵活度，以增强蚁群在状态转移规则下的搜索能力；同时设计了虚拟任务、伪随机状态转移规则和信息素参数，保证算法向最优解逐步收敛。实例仿真表明，该算法相对于传统蚁群算法、遗传算法和启发式算法，在算法结果、寻优能力和稳定性方面具有显著优势。     

基于蚁群优化的粮食物流调度算法研究

粮食物流调度是一个组合优化问题。用蚁群共同测试不同的组合,并选择一个优化的解决方案,采用该方案能使粮食运输成本降低。研究及实验结果表明蚁群算法在粮食物流调度中具有良好的性能。     

基于蚁群优优的粮食物流调度算法研究

粮食物流调度是一个组合优化问题。用蚁群共同测试不同的组合,并选择一个优化的解决方案,采用该方案能使粮食运输成本降低。研究及实验结果表明蚁群算法在粮食物流调度中具有良好的性能。     

无线传感器网络在农田数据监测中的应用研究——基于蚁群路由算法

采用一种优化信息素的蚁群路由算法,解决了无线传感器网络在农田数据监测中的数据传输路径问题。改进的蚁群路由算法综合考虑了传感器节点造价高昂、节点能量补充困难、信号强度易受障碍物影响以及传感器网络在农田中的应用特点等问题,在时间复杂度不变的情况下,延长了无线传感器网络的生命周期。通过matlab仿真证明:与基本蚁群路由算法相比较,采用改进的蚁群路由算法所找到的路径,具有"热路径"长度更短,无线传感器网络能耗更加均衡的优点。     

基于蚁群算法的车辆路径问题研究

本文首先对车辆路径问题及蚁群算法进行了介绍,并介绍了使用蚁群算法解决经典车辆路径问题时的参数设计及步骤,然后针对H公司在沈阳市的配送活动建立基于蚁群算法的优化模型,最后使用Matlab进行求解,研究结果表明:优化后的线路节约了车辆配送的总里程数,减少了车辆数量,提高了车辆满载率,降低了企业运输成本。     

基于改进MMAS的多配送中心车辆调度问题研究

针对城市多配送中心车辆调度问题,在分析最大最小蚁群算法的基础上,提出了改进MMAS算法,该算法重点对信息素的挥发机制进行探讨,并引入自适应机制对信息素的确定方案进行改进。实验结果证明,改进MMAS算法对于优化多配送中心物流车辆路径问题是有效的。     

刍议组合优化问题的求解方法

在人工智能和工程技术等诸多领域的研究课题中有很多属于组合优化问题,其问题的解决需要利用各种优化算法在庞大的搜索空间中寻找最优解。文章首先回顾了非线性组合优化问题的研究历史和研究现状。然后重点介绍了解决非线性组合问题的四种常见方法：Hopfield神经网络算法、模拟退火算法、遗传算法和蚁群算法,对研究NP问题又进一步拓宽了研究思路。     

演化计算在多目标优化问题中的应用

多目标优化问题是一类很普遍的问题。演化算法是一种通过模拟自然界的生物演化过程搜索最优解的方法．用于求解多目标优化问题有其独特的优势。系统介绍了多目标演化算法特点、需要解决的关键问题、算法框架、算法实现及应用趋势。     

蚁群算法的0-1背包问题求解研究

提出解决背包问题的蚁群算法思想及求解0-1背包问题问题描述,给出了改进常规的蚁群算法的方法.     

基于多目标优化营养膳食优选算法的研究

菜谱的随机选择比较是一个标准的组合优化问题，本文应用改进的多目标优化模拟退火算法很好的解决了多目标优化组合问题，解决了优化解的丢失问题，实现了多个量同标准量比较时智能的选择优化组合的方法。     

星载AIS的复值FastICA算法改进

针对星载船舶自动识别系统(AIS)的含噪复值信号盲分离算法分离效果不佳的问题,提出了改进的复值快速独立分量分析算法（FastICA）。该改进算法针对混合信号数目大于源信号数目的超定情况,对含噪混合信号的协方差矩阵进行特征值分解,利用其噪声对应的几个较小特征值估计噪声方差,修正白化矩阵,再应用Huber M估计函数优化该算法的目标函数。实验结果表明,运用该算法信号均方误差(SMSE)变小,信干比(SIR)变大,提高了信号的分离性能;同时,优化后的目标函数使算法具有良好的稳健性。     

基于自适应蚁群算法的车辆路径问题研究

车辆路径问题是一个NP-hard问题,传统的方法对其进行有效求解,本文分析了蚁群算法在VRP问题中的可行性,并提出了自适应策略对传统的蚁群算法进行改进,该策略可以根据不同搜索阶段调整参数提高算法的收敛速度。最后,通过芜湖市的数据对该方法进行检验,实验结果显示,本文提出的自适应蚁群算法的性能优于传统的蚁群算法。     

利用蚁群算法优化前向神经网络

蚁群算法(antcolonyalgorithm,简称ACA)是一种最新提出的新型的寻优策略,本文尝试将蚁群算法用于三层前向神经网络的训练过程,建立了相应的优化模型,进行了实际的编程计算,并与加动量项的BP算法、演化算法以及模拟退火算法进行比较,结果表明该方法具有更好的全局收敛性,以及对初值的不敏感性等特点。     

基于GIS和多目标进化算法的应急疏散路径优化

针对现有应急疏散路径规划较少考虑多个决策目标和可视化能力不足的问题,提出一种将GIS(地理信息系统)技术和多目标进化算法结合的模型,建立可以优化应急疏散路径的方案。建立空间多目标优化模型,并用NSGA-Ⅱ多目标进化算法来求解,得出一组疏散路径最优方案。结果表明:该模型在进行应急疏散路径规划上具有可行性,并且有很好的可视化效果,其疏散路径优化结果可直接为决策者制定疏散方案提供参考。     

机间数据链系统的功率分配控制方法

针对想定战场中机间数据链网络通信模型的上行链路功率控制问题,采用了一种基于多目标灰狼算法(Multi-objective Grey Wolf Optimizer,MOGWO)的功率控制方法。将功率控制建模为多目标优化问题,以最小化上行链路中各节点功率、使各节点在接收机处的信干噪比值(Signal-to-Interference plus Noise Ratio,SINR)接近目标SINR和最小化通信时截获概率为多目标优化问题建立模型,利用MOGWO求解问题模型Pareto前沿,依据系统选解准则求得最佳解。结果表明,MOGWO、多目标粒子群算法、基于分解的多目标进化算法与多目标蚁狮算法所得解对应各节点SINR的平均标准偏差分别为0.096 8、0.354 4、1.090 0和0.308 3。在恒定功率方法下最远节点处SINR已不满足正常通信需求,验证了MOGWO功率控制方法有更好的稳定性与寻优能力。     

蚁群神经网络用于股票价格短期预测

股票价格是非线性时间序列,传统BP神经网络预测模型存在容易陷入局部极小和收敛速度慢的缺陷。本文针对这些问题,采用蚁群神经网络预测模型用于预测股票价格,该模型将蚁群算法作为训练神经网络的学习算法。实验数据表明,该模型对于股票价格的短期预测效果与传统BP神经网络预测模型相比,具有较好的自适应性及较快的收敛速度。     

浅析蚁群算法在优化前向神经网络中的作用

蚁群算法（ant colony algorithm，简称ACA）是一种最新提出的新型的寻优策略，文章尝试将蚁群算法用于三层前向神经网络的训练过程，建立了相应的优化模型，进行了实际的编程计算，并与加动量项的BP算法、演化算法以及模拟退火算法进行比较，结果表明该方法具有更好的全局收敛性，以及对初值的不敏感性等特点。