微正则退火的双向蚁群优化算法

周浩理; 李太君; 肖沙; 徐宁敏

doi:10.13873/J.1000-9787(2016)04-0127-03

Chinese

您当前的位置：

首页 >

文章列表页 >

微正则退火的双向蚁群优化算法

计算与测试 | 更新时间：2025-09-11

- 微正则退火的双向蚁群优化算法
- Optimization for bidirectional ant colony algorithm based on microcanonical annealing
- 传感器与微系统 2016年35卷第4期页码：127-129+133
- 作者机构：
  
  1. 海南大学信息科学技术学院
  2. 海南省公安厅科技通信处
- 作者简介：
- 基金信息：
  
  海南省社会发展科技专项项目（SF201455）;海南大学2015年研究生实践创新项目
- DOI：10.13873/J.1000-9787(2016)04-0127-03
  中图分类号： TP18
- 纸质出版：2016
- 稿件说明：
移动端阅览
[1]周浩理,李太君,肖沙,徐宁敏.微正则退火的双向蚁群优化算法[J].传感器与微系统,2016,35(04):127-129+133.

ZHOU Hao-li, LI Tai-jun, XIAO Sha, et al. Optimization for bidirectional ant colony algorithm based on microcanonical annealing[J]. 2016, 35(4): 127-129+133.
[1]周浩理,李太君,肖沙,徐宁敏.微正则退火的双向蚁群优化算法[J].传感器与微系统,2016,35(04):127-129+133. DOI： 10.13873/J.1000-9787(2016)04-0127-03.

ZHOU Hao-li, LI Tai-jun, XIAO Sha, et al. Optimization for bidirectional ant colony algorithm based on microcanonical annealing[J]. 2016, 35(4): 127-129+133. DOI： 10.13873/J.1000-9787(2016)04-0127-03.

摘要

双向蚁群搜索算法可以提高算法的搜索速度

并可以选择搜索的空间;微正则退火算法具有准确度高、速度快等优点

可以实现全局路径优化搜索。结合两种算法的优点

提出了双向蚁群微正则退火算法

用来求解海量数据网络下的旅行商问题。通过实验表明:双向蚁群微正则退火算法不容易陷入局部最优解

且在寻找全局最优解和运行效率上都比其他算法更有优势。

Abstract

Bidirectional ant colony search algorithm can improve search speed and select search space;microcanonical annealing algorithm can realize global path optimization search with high speed and accuracy.Combine advantages of the two algorithms and propose bi-ACO microcanonical annealing algorithm for solving traveling salesman problem in massive data network. Experiments show that bi-ACO microcanonical annealing algorithm is not easy to fall into local optimal solution

and it has more advantages in searching for globally optimal solution and operating efficiency than other algorithms.

关键词

Keywords

references

基于遗传蚁群融合算法的测试用例最小化研究 [J]. 申利民,高洁. 计算机工程 . 2012(16)

基于蚁群粒子群融合的机器人路径规划算法 [J]. 王宪,王伟,宋书林,平雪良,彭力. 计算机系统应用 . 2011(09)

模拟退火与蚁群混合并行算法解旅行商问题 [J]. 许智宏,宋勃,郭艳艳. 河北工业大学学报 . 2010(02)

遗传蚁群融合算法求解多项目资源能力平衡问题 [J]. 李敬花. 计算机集成制造系统 . 2010(03)

一种求解连续空间优化问题的改进蚁群算法 [J]. 段海滨,马冠军,王道波,于秀芬. 系统仿真学报 . 2007(05)

改进蚁群算法及在路径规划问题的应用研究 [D]. 王沛栋. 中国海洋大学 2012

大规模路网下基于蚁群微正则退火算法的路径优化方法研究 [D]. 徐畅. 吉林大学 2013

Mobile Agent Routing Algorithm Based on Improved Ant Colony Algorithm [J] . Yueshun, He,Ping, Du. Sensors & Transducers . 2013 (6)

Ant colonies for the travelling salesman problem [J] . Marco Dorigo,Luca Maria Gambardella. BioSystems . 1997 (2)

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

大规模无线传感器网络定位算法研究